NVIDIA 在官方網誌介紹四間 NVIDIA Inception 計劃的初創企業，它們以視覺 AI 與機械人分揀舊衣物、膠樽及混合可回收物。文章發表之際，各國領袖正出席在土耳其舉行的 COP31，大會強調零廢物。
NVIDIA 指出，進入經濟體系的物料中，來自回收或再用的不足 7%；市政固體廢物每年超過 2 billion 噸（20 億噸），數字到 2050 年可能接近倍增。以下成績除另有說明外，均為公司自稱並由 NVIDIA 轉述。
AIRECO 如何更精細地分揀塑膠？
總部設於台灣的 AIRECO 認為，分揀越細，再生塑膠成本越低、質素越高，才能與新料競爭。創辦人兼行政總裁 Chun-Feng Liu 的目標，是讓膠樽一次又一次回收成膠樽。
- 硬件：NVIDIA Jetson Orin NX 模組，同時驅動從輸送帶揀貨的機械臂
- 地點：台南一間回收廠的試驗線
- 準確度：測試線上的辨識率超過 95%
- 計劃：明年啟用完整生產線，目標把年處理量由 18,000 噸提高至 48,000 噸，並把營運成本降低 85%
EverestLabs 的機械人在分揀線上做甚麼？
美國初創 EverestLabs AI 在家居可回收物分揀廠的輸送帶上部署視覺導航機械人，目前在北美及澳洲約有 150 部。
- 在邊緣端以 NVIDIA RTX GPU 推論，並以數據中心 GPU 訓練模型
- 公司估計系統至今已辨識約 40 billion 件物品（400 億件）
- 估計回收約 25,000 噸物料，避免約 30,000 公噸二氧化碳排放
- 推出代理式 AI 工具，向現場經理及管理層提供數據
Greyparrot 的 Analyzer 量度甚麼？
營運商長期靠人手抽查不足 1% 的廢料來判斷輸送帶上有甚麼。英國初創 Greyparrot 把 Analyzer 裝在輸送帶上方，以物料及品牌辨識每件物品，即使在塵埃多或光線差的環境，輸送帶時速高達每秒 4 米也可運作。
- 超過 300 套系統在逾 20 個國家運作
- 至今完成逾一 trillion 次（萬億次）邊界框偵測
- 檢查 15 噸廢料的時間由 375 小時縮短至六小時
- 使用即時數據的設施報告效率提升 10% 至 30%
- Coca-Cola、Colgate-Palmolive 及 Kenvue 亦用它量度包裝的回收情況
reverse.fashion 如何分揀舊衣？
歐洲每年產生近 7 million 噸（700 萬噸）舊紡織品，約四分之一被分類收集後靠人手分揀，既慢又貴。柏林初創 reverse.fashion 以高解像度視覺辨識衣物類型、瑕疵、顏色、尺碼、品牌、布料結構、季節及款式，再把每件衣物歸入最有價值的類別。
每件衣物以每秒 3 米的速度經過輸送帶，通過逾十個在 NVIDIA Jetson 模組上運行的視覺模型。共同創辦人 Karsten Pufahl 估計，系統一小時可完成過往需一星期的分揀，並正在歐洲的設施推出。Tech.eu 報道，衣物會被分到再用、維修、轉售、升級再造或回收，公司稱客戶可把生產力提高 40 per cent。
有價格嗎？
所有消息來源都沒有列出這些系統的價格或合約條款。它們面向回收營運商，並非消費者產品。
適合哪些人？
回收廠營運商。 共通點是以持續數據取代猜測或人手抽樣，其中兩家更以機械人即時揀貨。
品牌及包裝商。 Greyparrot 表示 Coca-Cola、Colgate-Palmolive 及 Kenvue 用其數據了解包裝在真實分揀廠的表現。
紡織分揀及轉售商。 reverse.fashion 針對拖慢可再用衣物轉售的人手分揀環節。
一般讀者。 當中沒有可購買的產品，但可看到分揀技術的發展方向。
還有哪些未知？
數字來自公司本身，AIRECO 的產能及成本數字只是尚未建成的生產線的目標。目前沒有來源提供獨立測試結果或成本。
