少妇App_上海龙凤楼风_V. 7.4. 迷你版本
1小时顶2天，替人扛下苦脏累！AI是怎么在垃圾堆里“挑出宝贝”的？
在江苏张家港的一家工厂里，一条废旧纺织品智能分选线正在替人完成一项繁重的工作。
2 吨堆积如山的废旧纺织品，只需 1 个小时，就能按照不同材质完成自动分选。而按照工厂提供的数据，同样的工作量，过去需要两名工人忙上大约两天。
旧纺织 AI 智能分选线。图片来源：弓叶科技提供
一小时与两天，惊人的效率差距背后，是一项过去高度依赖人工的苦活。
在传统的垃圾处理和再生资源回收行业，分拣工人需要长时间重复辨认、挑拣和搬运。如果面对的是混合生活垃圾，他们还可能接触腐烂厨余、碎玻璃和污染物料，承受异味、粉尘及尖锐杂物带来的健康与安全风险。即使处理的只是废旧衣物，成吨物料的分类、搬运也并不轻松。
能不能让机器替人干这些又脏、又累、又有风险的活？
其实，工业机器人早已能够焊接汽车、组装零件，但要让它们学会分垃圾，却远没有想象中简单。因为生产线上的零件通常有固定的规格，而垃圾却千奇百怪：形状、材质各不相同，还可能破损、变形，甚至相互遮挡。机器不仅要认得准，还得在传送带不停运转的情况下，迅速把它们分出来。
如今，人工智能与光学传感、自动控制等技术的结合，正在让这一设想逐渐成为现实。
2025 年，中国企业弓叶科技研发的混纺 AI 高光谱光选机，入选美国《时代》周刊 "2025 年度最佳发明 " 特别提名名单。这款设备能够借助 AI 和高光谱技术，识别并分选不同材质的废旧纺织品。
但一个有意思的问题是：今天的 AI 已经能写文章、做视频，为什么让它学会分垃圾，反而这么难？
为了找到答案，我们咨询了弓叶科技的研发总监。
把时间拨回 2019 年。那一年，弓叶科技的一群工程师走进了垃圾处理厂。他们很快意识到，想教会 AI 分垃圾，首先得自己学会分垃圾。
这一待，就是三年。
为了教会 AI 分垃圾，
工程师先当起了分拣工！
2019 年至 2021 年，当人工智能和机器人技术快速发展时，弓叶科技的一群工程师，却把大量时间花在了垃圾处理厂里。
白天，他们跟着工人一起分拣垃圾；晚上，回到工人宿舍，为白天收集的数据进行标注，再上传到云端，用来训练 AI 模型。
三年间，他们深入混合生活垃圾、厨余垃圾、建筑装修垃圾以及再生资源等十余类固体废弃物处理现场。
这段经历，是弓叶科技创始人莫卓亚在 2022 年的一次公开访谈中讲述的。一群研究人工智能和机器人的工程师，为什么要花三年时间，亲自跟垃圾打交道？
因为他们发现，实验室里看起来已经很成熟的技术，到了垃圾处理厂，却常常不那么好使。2019 年，团队研发的早期垃圾分拣机器人，开始应用于北京的混合生活垃圾处理项目。
但最初的表现并不理想。据莫卓亚回忆，设备只能适应运行速度不超过每秒 0.5 米的输送线，识别准确率也只有约 70%。
问题究竟出在哪里？
首先，真实的垃圾远比想象中复杂。一个塑料瓶，可能完好无损，也可能被踩得变了形；一个纸盒，可能沾满油污，还可能被其他垃圾遮挡。
人凭借生活经验，往往一眼就能认出它们。但 AI 不同，它需要通过大量样本学习物品的特征。如果训练时没有充分见过这些情况，面对真实的废弃物，就可能认错。
更麻烦的是，认得出，还不等于分得出来。在不断运转的传送带上，机器不仅要判断物品是什么，还要准确定位，并指挥机械臂或其他装置及时完成分拣。哪怕识别正确，只要动作慢了一点，也可能让物品落入错误的分选通道。
这意味着，工程师不仅要教 AI 认识各种垃圾，还要让算法、传感器和机械设备配合起来，在复杂的环境中快速、准确地完成操作。
为了解决这些问题，团队不断深入生产现场，收集新的物料样本，改进识别算法，并反复调整设备。经过持续研发，2021 年，弓叶科技又推出了基于人工智能的高速喷气式光选机，将 AI 识别与高速气流分选相结合，尝试在更快的生产线上完成物料分离。
从最初识别不准、分拣速度受限，到逐步提高设备的识别和执行能力，这背后不仅是算法的改进，更是对真实产业场景的持续摸索。
然而，当机器逐渐学会从混杂的垃圾中识别、分离不同物品后，新的应用场景又遇到了一个新问题：如果两件衣服看起来几乎一模一样，但材料完全不同，机器还能分得清吗？
机器认出了垃圾，
新的难题又出现了！
2025 年，江苏张家港的一条废旧纺织品智能分选线投入运行。与早期处理混合生活垃圾的机器人不同，这一次，机器面对的是成堆的旧衣服。它不仅要识别物品，还得判断这些衣服究竟是什么材质。
这件事可没那么简单。
想象一下，如果把两件外观几乎一样的黑色 T 恤放在你面前，一件是纯棉的，一件是涤纶的，不看标签，你能分清吗？如果它们都是混纺面料，一件含有 80% 的涤纶，另一件含有 90%，仅凭肉眼就更难判断了。
但对于废旧纺织品回收来说，这些差别却十分重要。因为不同纤维适用的再生工艺可能不同，材料种类、混纺比例与杂质含量，都可能影响后续加工的选择。
那么，连人眼都难以分辨的材料，机器又是怎么认出来的？
答案藏在光里。
不同材料对不同波长光线的吸收和反射存在差异，这些差异能够形成具有识别价值的 " 光谱特征 "。普通相机主要记录物体的颜色和外形，而高光谱设备能够获取更多波段的光学信息，帮助机器发现人眼难以察觉的材料差别。
高光谱线扫相机正在扫描产线上的杂料。图片来源：弓叶科技提供
不过，获得这些信息，还不等于能够准确判断材料。同样是涤纶，经过不同的染色、洗涤和磨损，光谱特征可能发生变化；如果一件衣服由多种纤维混合制成，情况就更加复杂。
这时，AI 便派上了用场。
通过学习大量已知材质的样本，AI 能够从复杂的光谱信息中寻找规律，识别不同材料的特征，并根据预设标准判断衣物的材质类别。如果说高光谱技术给机器装上了一双能够识别更多材料信息的 " 眼睛 "，那么 AI 就是帮助它分析信息、作出判断的 " 大脑 "。
而当衣物经过识别区域，系统还需要指挥分选装置迅速行动，在恰当的位置将不同材质的衣物分离出来。
至此，从识别材料、作出判断，到完成分拣，机器终于能够把一系列原本依赖人工经验的工作自动完成。
当然，这并不意味着机器已经能够准确识别所有材料。对于严重污染、表面存在特殊涂层，或者纤维组成十分复杂的衣物，识别仍可能存在困难。但人工智能与高光谱等传感技术的结合，确实让机器拥有了过去普通视觉分选设备难以实现的部分材料识别能力。
AI 智能分拣系统选出废纺。图片来源：弓叶科技提供
现在究竟做到了什么程度？
看到这里，一个自然的问题是：垃圾分选这件事，目前究竟有哪些设备能够真正用在生产现场？
答案是，这已经不是停留在论文里的设想，而是一批较为成熟的设备与技术方案。基于可见光识别的 AI 分选机器人，负责在传送带上抓取体积较大的目标物料；高速喷气式光选机，用成排的压缩空气阀分选轻小的碎片物料；高光谱、近红外光选机，用于区分外观相近但材质不同的塑料与纤维；而把视觉模型与机械操作结合起来的具身分选机器人，则正在承担更复杂的抓取和判断任务。
这些设备并非只出现在展台上，在国内多地的垃圾处理厂和再生资源分拣中心，它们已经进入了日常运行。
弓叶科技的智能分选装备，包括 AI 分选机器人与光选机。图片来源：弓叶科技提供
那么，机器分选究竟为这个行业解决了什么？
最直接的好处是效率，废纺分选速度每小时 ２ 吨，相当于两名工人干上两天。
效率之外，更实在的是减量化与资源化。以每天处理 1000 吨混合生活垃圾的垃圾中转站为例，智能分选线可实现垃圾减量化 35%、资源化 25%，相当于每天精细化分选出 250 吨低值可回收物，三年累计约 27.4 万 吨。
但对再生资源行业更关键的是 " 分得纯 "。不少再生工艺只能处理成分单一的原料：不同纤维混纺、不同塑料混造粒，再生材料性能就会打折扣，往往只能降级利用。把物料按材质分清楚，是在为下游提供合适的 " 粮食 "，既提高回收率，也提升再生产品的品质和售价。
企业公开数据已印证这一点：张家港废纺分选线可按纤维材质分拣旧衣物；日杂破碎料——即废旧塑料制品打碎后的混合碎片——分选准确率达 98% 以上。这种精细到材质级别的识别与高速分选，正是工业 AI 的真正价值：把原本 " 分不纯、卖不上价 " 的混杂废弃物，变成可直接进入再生工艺的纯净原料。
AI 会分垃圾了，
为什么还不够？
一次识别成功，离一条生产线稳定运转还有多远？
真实的工业现场，远没有实验室那么理想。以废旧纺织品为例，每天送进工厂的衣服，不仅材质、颜色不同，磨损程度、污染情况也千差万别。有些衣服相互缠绕，有些折叠在一起，还有些沾着难以清除的污渍。这些情况都可能影响机器的识别和分选。
而且，工厂需要的不是机器偶尔分对一次，而是它能在成千上万次重复操作中，始终保持相对稳定的表现。
这就给工程师提出了更高的要求。比如传送带应该运行多快？速度太慢，处理效率就会下降；速度太快，系统可能来不及完成识别和分离。再比如，不同物料的重量和形态也会影响分选效果。对于塑料薄膜等轻质物料，即使 AI 已经识别出目标，物料仍可能在输送或气流作用下飘动、翻滚，影响最终的分选位置。
为了解决这些问题，工程师不仅要改进算法，还需要调整传送系统、执行机构和设备结构，让各个环节准确配合。
此外，工业现场还存在粉尘、振动、温度变化等干扰。如何让设备长时间稳定运行，同样考验着研发团队。换句话说，AI 知道该怎么做，不等于机器一定能把事情做好。
更现实的问题是成本。一台设备即使技术先进，如果价格太高、维护困难，或者需要频繁停机调整，也很难被更多企业采用。
这也是工业 AI 与我们日常使用的 AI 应用之间，一个值得不容忽略的区别。在手机和电脑上，AI 生成一段文字、一张图片，通常就完成了任务。但在工厂里，它的判断必须转化成实实在在的生产操作，还要接受效率、成本和可靠性的共同检验。
事实上，高光谱识别、自动化分选都不是刚刚出现的新技术。国际上已有企业利用近红外光谱等技术，对不同材质的纺织品进行自动分选。例如，挪威企业陶朗（TOMRA）的相关设备，就可以结合近红外和可见光光谱信息，对纺织品进行材料分类。
因此，一项工业 AI 技术是否具有创新价值，并不能仅凭它使用了人工智能，或者实现了某项识别功能来判断。更值得关注的是，它能否针对真实产业需求，把算法、传感器和机械设备更好地结合起来，解决过去难以解决的问题。
从这个角度看，当年工程师在垃圾处理厂里经历的反复试验，恰恰是产业创新中不可缺少的一部分。
工程师当年在垃圾厂里反复试验的意义，也正在这里：真正的技术创新，不只发生在模型训练完成的那一刻，还发生在机器一次次被带回现场、重新解决问题的过程中。只有在真实生产中经受住考验，一项技术才能从实验室里的成果，变成工厂里真正有用的工具。
当 AI 走出屏幕，
什么才算真正的进步？
这两年，AI 不断刷新人们的想象。从写文章、生成视频，到解答复杂问题，我们越来越习惯于惊叹：AI 又学会了什么新本领？
但在这些引人注目的进步之外，人工智能还有一片值得关注的应用空间——那些长期依赖人工经验、重复繁重，甚至存在一定风险的工作现场。
比如在农产品加工中，AI 可以辅助识别品质差异；在工业生产线上，它能够帮助检测产品缺陷；在一些危险作业环境中，智能机器人也有机会承担部分高风险任务。
这些应用或许没有生成式 AI 那么引人注目，却让我们看到了人工智能的另一种价值：让那些人类早已能够完成、却始终做得费时费力的工作，有了更好的解决办法。
弓叶具身机器人。图片来源：弓叶科技提供
而这也为科技创新提供了另一种观察视角。衡量 AI 的进步，不能只看模型能力有多强、技术指标有多亮眼，还要看它能否真正解决产业中的实际问题，能否以合理的成本持续创造价值。
当然，从一项技术的成功应用到整个行业的改变，还有很长的路要走。但这些发生在真实产业现场的探索，已经为人工智能的发展提供了更多可能。更值得思考的是：当我们不断拓展 AI 的能力边界时，是否也应该关注，我们究竟希望把什么样的工作交给机器？
今天，人们热衷于讨论 AI 会不会取代作家、设计师等创造性职业。而在许多不起眼的工业现场，还有大量高重复、高强度，甚至伴随着危险的工作，等待着更好
1小时顶2天，替人扛下苦脏累！AI是怎么在垃圾堆里“挑出宝贝”的？
在江苏张家港的一家工厂里，一条废旧纺织品智能分选线正在替人完成一项繁重的工作。
2 吨堆积如山的废旧纺织品，只需 1 个小时，就能按照不同材质完成自动分选。而按照工厂提供的数据，同样的工作量，过去需要两名工人忙上大约两天。
旧纺织 AI 智能分选线。图片来源：弓叶科技提供
一小时与两天，惊人的效率差距背后，是一项过去高度依赖人工的苦活。
在传统的垃圾处理和再生资源回收行业，分拣工人需要长时间重复辨认、挑拣和搬运。如果面对的是混合生活垃圾，他们还可能接触腐烂厨余、碎玻璃和污染物料，承受异味、粉尘及尖锐杂物带来的健康与安全风险。即使处理的只是废旧衣物，成吨物料的分类、搬运也并不轻松。
能不能让机器替人干这些又脏、又累、又有风险的活？
其实，工业机器人早已能够焊接汽车、组装零件，但要让它们学会分垃圾，却远没有想象中简单。因为生产线上的零件通常有固定的规格，而垃圾却千奇百怪：形状、材质各不相同，还可能破损、变形，甚至相互遮挡。机器不仅要认得准，还得在传送带不停运转的情况下，迅速把它们分出来。
如今，人工智能与光学传感、自动控制等技术的结合，正在让这一设想逐渐成为现实。
2025 年，中国企业弓叶科技研发的混纺 AI 高光谱光选机，入选美国《时代》周刊 "2025 年度最佳发明 " 特别提名名单。这款设备能够借助 AI 和高光谱技术，识别并分选不同材质的废旧纺织品。
但一个有意思的问题是：今天的 AI 已经能写文章、做视频，为什么让它学会分垃圾，反而这么难？
为了找到答案，我们咨询了弓叶科技的研发总监。
把时间拨回 2019 年。那一年，弓叶科技的一群工程师走进了垃圾处理厂。他们很快意识到，想教会 AI 分垃圾，首先得自己学会分垃圾。
这一待，就是三年。
为了教会 AI 分垃圾，
工程师先当起了分拣工！
2019 年至 2021 年，当人工智能和机器人技术快速发展时，弓叶科技的一群工程师，却把大量时间花在了垃圾处理厂里。
白天，他们跟着工人一起分拣垃圾；晚上，回到工人宿舍，为白天收集的数据进行标注，再上传到云端，用来训练 AI 模型。
三年间，他们深入混合生活垃圾、厨余垃圾、建筑装修垃圾以及再生资源等十余类固体废弃物处理现场。
这段经历，是弓叶科技创始人莫卓亚在 2022 年的一次公开访谈中讲述的。一群研究人工智能和机器人的工程师，为什么要花三年时间，亲自跟垃圾打交道？
因为他们发现，实验室里看起来已经很成熟的技术，到了垃圾处理厂，却常常不那么好使。2019 年，团队研发的早期垃圾分拣机器人，开始应用于北京的混合生活垃圾处理项目。
但最初的表现并不理想。据莫卓亚回忆，设备只能适应运行速度不超过每秒 0.5 米的输送线，识别准确率也只有约 70%。
问题究竟出在哪里？
首先，真实的垃圾远比想象中复杂。一个塑料瓶，可能完好无损，也可能被踩得变了形；一个纸盒，可能沾满油污，还可能被其他垃圾遮挡。
人凭借生活经验，往往一眼就能认出它们。但 AI 不同，它需要通过大量样本学习物品的特征。如果训练时没有充分见过这些情况，面对真实的废弃物，就可能认错。
更麻烦的是，认得出，还不等于分得出来。在不断运转的传送带上，机器不仅要判断物品是什么，还要准确定位，并指挥机械臂或其他装置及时完成分拣。哪怕识别正确，只要动作慢了一点，也可能让物品落入错误的分选通道。
这意味着，工程师不仅要教 AI 认识各种垃圾，还要让算法、传感器和机械设备配合起来，在复杂的环境中快速、准确地完成操作。
为了解决这些问题，团队不断深入生产现场，收集新的物料样本，改进识别算法，并反复调整设备。经过持续研发，2021 年，弓叶科技又推出了基于人工智能的高速喷气式光选机，将 AI 识别与高速气流分选相结合，尝试在更快的生产线上完成物料分离。
从最初识别不准、分拣速度受限，到逐步提高设备的识别和执行能力，这背后不仅是算法的改进，更是对真实产业场景的持续摸索。
然而，当机器逐渐学会从混杂的垃圾中识别、分离不同物品后，新的应用场景又遇到了一个新问题：如果两件衣服看起来几乎一模一样，但材料完全不同，机器还能分得清吗？
机器认出了垃圾，
新的难题又出现了！
2025 年，江苏张家港的一条废旧纺织品智能分选线投入运行。与早期处理混合生活垃圾的机器人不同，这一次，机器面对的是成堆的旧衣服。它不仅要识别物品，还得判断这些衣服究竟是什么材质。
这件事可没那么简单。
想象一下，如果把两件外观几乎一样的黑色 T 恤放在你面前，一件是纯棉的，一件是涤纶的，不看标签，你能分清吗？如果它们都是混纺面料，一件含有 80% 的涤纶，另一件含有 90%，仅凭肉眼就更难判断了。
但对于废旧纺织品回收来说，这些差别却十分重要。因为不同纤维适用的再生工艺可能不同，材料种类、混纺比例与杂质含量，都可能影响后续加工的选择。
那么，连人眼都难以分辨的材料，机器又是怎么认出来的？
答案藏在光里。
不同材料对不同波长光线的吸收和反射存在差异，这些差异能够形成具有识别价值的 " 光谱特征 "。普通相机主要记录物体的颜色和外形，而高光谱设备能够获取更多波段的光学信息，帮助机器发现人眼难以察觉的材料差别。
高光谱线扫相机正在扫描产线上的杂料。图片来源：弓叶科技提供
不过，获得这些信息，还不等于能够准确判断材料。同样是涤纶，经过不同的染色、洗涤和磨损，光谱特征可能发生变化；如果一件衣服由多种纤维混合制成，情况就更加复杂。
这时，AI 便派上了用场。
通过学习大量已知材质的样本，AI 能够从复杂的光谱信息中寻找规律，识别不同材料的特征，并根据预设标准判断衣物的材质类别。如果说高光谱技术给机器装上了一双能够识别更多材料信息的 " 眼睛 "，那么 AI 就是帮助它分析信息、作出判断的 " 大脑 "。
而当衣物经过识别区域，系统还需要指挥分选装置迅速行动，在恰当的位置将不同材质的衣物分离出来。
至此，从识别材料、作出判断，到完成分拣，机器终于能够把一系列原本依赖人工经验的工作自动完成。
当然，这并不意味着机器已经能够准确识别所有材料。对于严重污染、表面存在特殊涂层，或者纤维组成十分复杂的衣物，识别仍可能存在困难。但人工智能与高光谱等传感技术的结合，确实让机器拥有了过去普通视觉分选设备难以实现的部分材料识别能力。
AI 智能分拣系统选出废纺。图片来源：弓叶科技提供
现在究竟做到了什么程度？
看到这里，一个自然的问题是：垃圾分选这件事，目前究竟有哪些设备能够真正用在生产现场？
答案是，这已经不是停留在论文里的设想，而是一批较为成熟的设备与技术方案。基于可见光识别的 AI 分选机器人，负责在传送带上抓取体积较大的目标物料；高速喷气式光选机，用成排的压缩空气阀分选轻小的碎片物料；高光谱、近红外光选机，用于区分外观相近但材质不同的塑料与纤维；而把视觉模型与机械操作结合起来的具身分选机器人，则正在承担更复杂的抓取和判断任务。
这些设备并非只出现在展台上，在国内多地的垃圾处理厂和再生资源分拣中心，它们已经进入了日常运行。
弓叶科技的智能分选装备，包括 AI 分选机器人与光选机。图片来源：弓叶科技提供
那么，机器分选究竟为这个行业解决了什么？
最直接的好处是效率，废纺分选速度每小时 ２ 吨，相当于两名工人干上两天。
效率之外，更实在的是减量化与资源化。以每天处理 1000 吨混合生活垃圾的垃圾中转站为例，智能分选线可实现垃圾减量化 35%、资源化 25%，相当于每天精细化分选出 250 吨低值可回收物，三年累计约 27.4 万 吨。
但对再生资源行业更关键的是 " 分得纯 "。不少再生工艺只能处理成分单一的原料：不同纤维混纺、不同塑料混造粒，再生材料性能就会打折扣，往往只能降级利用。把物料按材质分清楚，是在为下游提供合适的 " 粮食 "，既提高回收率，也提升再生产品的品质和售价。
企业公开数据已印证这一点：张家港废纺分选线可按纤维材质分拣旧衣物；日杂破碎料——即废旧塑料制品打碎后的混合碎片——分选准确率达 98% 以上。这种精细到材质级别的识别与高速分选，正是工业 AI 的真正价值：把原本 " 分不纯、卖不上价 " 的混杂废弃物，变成可直接进入再生工艺的纯净原料。
AI 会分垃圾了，
为什么还不够？
一次识别成功，离一条生产线稳定运转还有多远？
真实的工业现场，远没有实验室那么理想。以废旧纺织品为例，每天送进工厂的衣服，不仅材质、颜色不同，磨损程度、污染情况也千差万别。有些衣服相互缠绕，有些折叠在一起，还有些沾着难以清除的污渍。这些情况都可能影响机器的识别和分选。
而且，工厂需要的不是机器偶尔分对一次，而是它能在成千上万次重复操作中，始终保持相对稳定的表现。
这就给工程师提出了更高的要求。比如传送带应该运行多快？速度太慢，处理效率就会下降；速度太快，系统可能来不及完成识别和分离。再比如，不同物料的重量和形态也会影响分选效果。对于塑料薄膜等轻质物料，即使 AI 已经识别出目标，物料仍可能在输送或气流作用下飘动、翻滚，影响最终的分选位置。
为了解决这些问题，工程师不仅要改进算法，还需要调整传送系统、执行机构和设备结构，让各个环节准确配合。
此外，工业现场还存在粉尘、振动、温度变化等干扰。如何让设备长时间稳定运行，同样考验着研发团队。换句话说，AI 知道该怎么做，不等于机器一定能把事情做好。
更现实的问题是成本。一台设备即使技术先进，如果价格太高、维护困难，或者需要频繁停机调整，也很难被更多企业采用。
这也是工业 AI 与我们日常使用的 AI 应用之间，一个值得不容忽略的区别。在手机和电脑上，AI 生成一段文字、一张图片，通常就完成了任务。但在工厂里，它的判断必须转化成实实在在的生产操作，还要接受效率、成本和可靠性的共同检验。
事实上，高光谱识别、自动化分选都不是刚刚出现的新技术。国际上已有企业利用近红外光谱等技术，对不同材质的纺织品进行自动分选。例如，挪威企业陶朗（TOMRA）的相关设备，就可以结合近红外和可见光光谱信息，对纺织品进行材料分类。
因此，一项工业 AI 技术是否具有创新价值，并不能仅凭它使用了人工智能，或者实现了某项识别功能来判断。更值得关注的是，它能否针对真实产业需求，把算法、传感器和机械设备更好地结合起来，解决过去难以解决的问题。
从这个角度看，当年工程师在垃圾处理厂里经历的反复试验，恰恰是产业创新中不可缺少的一部分。
工程师当年在垃圾厂里反复试验的意义，也正在这里：真正的技术创新，不只发生在模型训练完成的那一刻，还发生在机器一次次被带回现场、重新解决问题的过程中。只有在真实生产中经受住考验，一项技术才能从实验室里的成果，变成工厂里真正有用的工具。
当 AI 走出屏幕，
什么才算真正的进步？
这两年，AI 不断刷新人们的想象。从写文章、生成视频，到解答复杂问题，我们越来越习惯于惊叹：AI 又学会了什么新本领？
但在这些引人注目的进步之外，人工智能还有一片值得关注的应用空间——那些长期依赖人工经验、重复繁重，甚至存在一定风险的工作现场。
比如在农产品加工中，AI 可以辅助识别品质差异；在工业生产线上，它能够帮助检测产品缺陷；在一些危险作业环境中，智能机器人也有机会承担部分高风险任务。
这些应用或许没有生成式 AI 那么引人注目，却让我们看到了人工智能的另一种价值：让那些人类早已能够完成、却始终做得费时费力的工作，有了更好的解决办法。
弓叶具身机器人。图片来源：弓叶科技提供
而这也为科技创新提供了另一种观察视角。衡量 AI 的进步，不能只看模型能力有多强、技术指标有多亮眼，还要看它能否真正解决产业中的实际问题，能否以合理的成本持续创造价值。
当然，从一项技术的成功应用到整个行业的改变，还有很长的路要走。但这些发生在真实产业现场的探索，已经为人工智能的发展提供了更多可能。更值得思考的是：当我们不断拓展 AI 的能力边界时，是否也应该关注，我们究竟希望把什么样的工作交给机器？
今天，人们热衷于讨论 AI 会不会取代作家、设计师等创造性职业。而在许多不起眼的工业现场，还有大量高重复、高强度，甚至伴随着危险的工作，等待着更好
1小时顶2天，替人扛下苦脏累！AI是怎么在垃圾堆里“挑出宝贝”的？
在江苏张家港的一家工厂里，一条废旧纺织品智能分选线正在替人完成一项繁重的工作。
2 吨堆积如山的废旧纺织品，只需 1 个小时，就能按照不同材质完成自动分选。而按照工厂提供的数据，同样的工作量，过去需要两名工人忙上大约两天。
旧纺织 AI 智能分选线。图片来源：弓叶科技提供
一小时与两天，惊人的效率差距背后，是一项过去高度依赖人工的苦活。
在传统的垃圾处理和再生资源回收行业，分拣工人需要长时间重复辨认、挑拣和搬运。如果面对的是混合生活垃圾，他们还可能接触腐烂厨余、碎玻璃和污染物料，承受异味、粉尘及尖锐杂物带来的健康与安全风险。即使处理的只是废旧衣物，成吨物料的分类、搬运也并不轻松。
能不能让机器替人干这些又脏、又累、又有风险的活？
其实，工业机器人早已能够焊接汽车、组装零件，但要让它们学会分垃圾，却远没有想象中简单。因为生产线上的零件通常有固定的规格，而垃圾却千奇百怪：形状、材质各不相同，还可能破损、变形，甚至相互遮挡。机器不仅要认得准，还得在传送带不停运转的情况下，迅速把它们分出来。
如今，人工智能与光学传感、自动控制等技术的结合，正在让这一设想逐渐成为现实。
2025 年，中国企业弓叶科技研发的混纺 AI 高光谱光选机，入选美国《时代》周刊 "2025 年度最佳发明 " 特别提名名单。这款设备能够借助 AI 和高光谱技术，识别并分选不同材质的废旧纺织品。
但一个有意思的问题是：今天的 AI 已经能写文章、做视频，为什么让它学会分垃圾，反而这么难？
为了找到答案，我们咨询了弓叶科技的研发总监。
把时间拨回 2019 年。那一年，弓叶科技的一群工程师走进了垃圾处理厂。他们很快意识到，想教会 AI 分垃圾，首先得自己学会分垃圾。
这一待，就是三年。
为了教会 AI 分垃圾，
工程师先当起了分拣工！
2019 年至 2021 年，当人工智能和机器人技术快速发展时，弓叶科技的一群工程师，却把大量时间花在了垃圾处理厂里。
白天，他们跟着工人一起分拣垃圾；晚上，回到工人宿舍，为白天收集的数据进行标注，再上传到云端，用来训练 AI 模型。
三年间，他们深入混合生活垃圾、厨余垃圾、建筑装修垃圾以及再生资源等十余类固体废弃物处理现场。
这段经历，是弓叶科技创始人莫卓亚在 2022 年的一次公开访谈中讲述的。一群研究人工智能和机器人的工程师，为什么要花三年时间，亲自跟垃圾打交道？
因为他们发现，实验室里看起来已经很成熟的技术，到了垃圾处理厂，却常常不那么好使。2019 年，团队研发的早期垃圾分拣机器人，开始应用于北京的混合生活垃圾处理项目。
但最初的表现并不理想。据莫卓亚回忆，设备只能适应运行速度不超过每秒 0.5 米的输送线，识别准确率也只有约 70%。
问题究竟出在哪里？
首先，真实的垃圾远比想象中复杂。一个塑料瓶，可能完好无损，也可能被踩得变了形；一个纸盒，可能沾满油污，还可能被其他垃圾遮挡。
人凭借生活经验，往往一眼就能认出它们。但 AI 不同，它需要通过大量样本学习物品的特征。如果训练时没有充分见过这些情况，面对真实的废弃物，就可能认错。
更麻烦的是，认得出，还不等于分得出来。在不断运转的传送带上，机器不仅要判断物品是什么，还要准确定位，并指挥机械臂或其他装置及时完成分拣。哪怕识别正确，只要动作慢了一点，也可能让物品落入错误的分选通道。
这意味着，工程师不仅要教 AI 认识各种垃圾，还要让算法、传感器和机械设备配合起来，在复杂的环境中快速、准确地完成操作。
为了解决这些问题，团队不断深入生产现场，收集新的物料样本，改进识别算法，并反复调整设备。经过持续研发，2021 年，弓叶科技又推出了基于人工智能的高速喷气式光选机，将 AI 识别与高速气流分选相结合，尝试在更快的生产线上完成物料分离。
从最初识别不准、分拣速度受限，到逐步提高设备的识别和执行能力，这背后不仅是算法的改进，更是对真实产业场景的持续摸索。
然而，当机器逐渐学会从混杂的垃圾中识别、分离不同物品后，新的应用场景又遇到了一个新问题：如果两件衣服看起来几乎一模一样，但材料完全不同，机器还能分得清吗？
机器认出了垃圾，
新的难题又出现了！
2025 年，江苏张家港的一条废旧纺织品智能分选线投入运行。与早期处理混合生活垃圾的机器人不同，这一次，机器面对的是成堆的旧衣服。它不仅要识别物品，还得判断这些衣服究竟是什么材质。
这件事可没那么简单。
想象一下，如果把两件外观几乎一样的黑色 T 恤放在你面前，一件是纯棉的，一件是涤纶的，不看标签，你能分清吗？如果它们都是混纺面料，一件含有 80% 的涤纶，另一件含有 90%，仅凭肉眼就更难判断了。
但对于废旧纺织品回收来说，这些差别却十分重要。因为不同纤维适用的再生工艺可能不同，材料种类、混纺比例与杂质含量，都可能影响后续加工的选择。
那么，连人眼都难以分辨的材料，机器又是怎么认出来的？
答案藏在光里。
不同材料对不同波长光线的吸收和反射存在差异，这些差异能够形成具有识别价值的 " 光谱特征 "。普通相机主要记录物体的颜色和外形，而高光谱设备能够获取更多波段的光学信息，帮助机器发现人眼难以察觉的材料差别。
高光谱线扫相机正在扫描产线上的杂料。图片来源：弓叶科技提供
不过，获得这些信息，还不等于能够准确判断材料。同样是涤纶，经过不同的染色、洗涤和磨损，光谱特征可能发生变化；如果一件衣服由多种纤维混合制成，情况就更加复杂。
这时，AI 便派上了用场。
通过学习大量已知材质的样本，AI 能够从复杂的光谱信息中寻找规律，识别不同材料的特征，并根据预设标准判断衣物的材质类别。如果说高光谱技术给机器装上了一双能够识别更多材料信息的 " 眼睛 "，那么 AI 就是帮助它分析信息、作出判断的 " 大脑 "。
而当衣物经过识别区域，系统还需要指挥分选装置迅速行动，在恰当的位置将不同材质的衣物分离出来。
至此，从识别材料、作出判断，到完成分拣，机器终于能够把一系列原本依赖人工经验的工作自动完成。
当然，这并不意味着机器已经能够准确识别所有材料。对于严重污染、表面存在特殊涂层，或者纤维组成十分复杂的衣物，识别仍可能存在困难。但人工智能与高光谱等传感技术的结合，确实让机器拥有了过去普通视觉分选设备难以实现的部分材料识别能力。
AI 智能分拣系统选出废纺。图片来源：弓叶科技提供
现在究竟做到了什么程度？
看到这里，一个自然的问题是：垃圾分选这件事，目前究竟有哪些设备能够真正用在生产现场？
答案是，这已经不是停留在论文里的设想，而是一批较为成熟的设备与技术方案。基于可见光识别的 AI 分选机器人，负责在传送带上抓取体积较大的目标物料；高速喷气式光选机，用成排的压缩空气阀分选轻小的碎片物料；高光谱、近红外光选机，用于区分外观相近但材质不同的塑料与纤维；而把视觉模型与机械操作结合起来的具身分选机器人，则正在承担更复杂的抓取和判断任务。
这些设备并非只出现在展台上，在国内多地的垃圾处理厂和再生资源分拣中心，它们已经进入了日常运行。
弓叶科技的智能分选装备，包括 AI 分选机器人与光选机。图片来源：弓叶科技提供
那么，机器分选究竟为这个行业解决了什么？
最直接的好处是效率，废纺分选速度每小时 ２ 吨，相当于两名工人干上两天。
效率之外，更实在的是减量化与资源化。以每天处理 1000 吨混合生活垃圾的垃圾中转站为例，智能分选线可实现垃圾减量化 35%、资源化 25%，相当于每天精细化分选出 250 吨低值可回收物，三年累计约 27.4 万 吨。
但对再生资源行业更关键的是 " 分得纯 "。不少再生工艺只能处理成分单一的原料：不同纤维混纺、不同塑料混造粒，再生材料性能就会打折扣，往往只能降级利用。把物料按材质分清楚，是在为下游提供合适的 " 粮食 "，既提高回收率，也提升再生产品的品质和售价。
企业公开数据已印证这一点：张家港废纺分选线可按纤维材质分拣旧衣物；日杂破碎料——即废旧塑料制品打碎后的混合碎片——分选准确率达 98% 以上。这种精细到材质级别的识别与高速分选，正是工业 AI 的真正价值：把原本 " 分不纯、卖不上价 " 的混杂废弃物，变成可直接进入再生工艺的纯净原料。
AI 会分垃圾了，
为什么还不够？
一次识别成功，离一条生产线稳定运转还有多远？
真实的工业现场，远没有实验室那么理想。以废旧纺织品为例，每天送进工厂的衣服，不仅材质、颜色不同，磨损程度、污染情况也千差万别。有些衣服相互缠绕，有些折叠在一起，还有些沾着难以清除的污渍。这些情况都可能影响机器的识别和分选。
而且，工厂需要的不是机器偶尔分对一次，而是它能在成千上万次重复操作中，始终保持相对稳定的表现。
这就给工程师提出了更高的要求。比如传送带应该运行多快？速度太慢，处理效率就会下降；速度太快，系统可能来不及完成识别和分离。再比如，不同物料的重量和形态也会影响分选效果。对于塑料薄膜等轻质物料，即使 AI 已经识别出目标，物料仍可能在输送或气流作用下飘动、翻滚，影响最终的分选位置。
为了解决这些问题，工程师不仅要改进算法，还需要调整传送系统、执行机构和设备结构，让各个环节准确配合。
此外，工业现场还存在粉尘、振动、温度变化等干扰。如何让设备长时间稳定运行，同样考验着研发团队。换句话说，AI 知道该怎么做，不等于机器一定能把事情做好。
更现实的问题是成本。一台设备即使技术先进，如果价格太高、维护困难，或者需要频繁停机调整，也很难被更多企业采用。
这也是工业 AI 与我们日常使用的 AI 应用之间，一个值得不容忽略的区别。在手机和电脑上，AI 生成一段文字、一张图片，通常就完成了任务。但在工厂里，它的判断必须转化成实实在在的生产操作，还要接受效率、成本和可靠性的共同检验。
事实上，高光谱识别、自动化分选都不是刚刚出现的新技术。国际上已有企业利用近红外光谱等技术，对不同材质的纺织品进行自动分选。例如，挪威企业陶朗（TOMRA）的相关设备，就可以结合近红外和可见光光谱信息，对纺织品进行材料分类。
因此，一项工业 AI 技术是否具有创新价值，并不能仅凭它使用了人工智能，或者实现了某项识别功能来判断。更值得关注的是，它能否针对真实产业需求，把算法、传感器和机械设备更好地结合起来，解决过去难以解决的问题。
从这个角度看，当年工程师在垃圾处理厂里经历的反复试验，恰恰是产业创新中不可缺少的一部分。
工程师当年在垃圾厂里反复试验的意义，也正在这里：真正的技术创新，不只发生在模型训练完成的那一刻，还发生在机器一次次被带回现场、重新解决问题的过程中。只有在真实生产中经受住考验，一项技术才能从实验室里的成果，变成工厂里真正有用的工具。
当 AI 走出屏幕，
什么才算真正的进步？
这两年，AI 不断刷新人们的想象。从写文章、生成视频，到解答复杂问题，我们越来越习惯于惊叹：AI 又学会了什么新本领？
但在这些引人注目的进步之外，人工智能还有一片值得关注的应用空间——那些长期依赖人工经验、重复繁重，甚至存在一定风险的工作现场。
比如在农产品加工中，AI 可以辅助识别品质差异；在工业生产线上，它能够帮助检测产品缺陷；在一些危险作业环境中，智能机器人也有机会承担部分高风险任务。
这些应用或许没有生成式 AI 那么引人注目，却让我们看到了人工智能的另一种价值：让那些人类早已能够完成、却始终做得费时费力的工作，有了更好的解决办法。
弓叶具身机器人。图片来源：弓叶科技提供
而这也为科技创新提供了另一种观察视角。衡量 AI 的进步，不能只看模型能力有多强、技术指标有多亮眼，还要看它能否真正解决产业中的实际问题，能否以合理的成本持续创造价值。
当然，从一项技术的成功应用到整个行业的改变，还有很长的路要走。但这些发生在真实产业现场的探索，已经为人工智能的发展提供了更多可能。更值得思考的是：当我们不断拓展 AI 的能力边界时，是否也应该关注，我们究竟希望把什么样的工作交给机器？
今天，人们热衷于讨论 AI 会不会取代作家、设计师等创造性职业。而在许多不起眼的工业现场，还有大量高重复、高强度，甚至伴随着危险的工作，等待着更好
1小时顶2天，替人扛下苦脏累！AI是怎么在垃圾堆里“挑出宝贝”的？
在江苏张家港的一家工厂里，一条废旧纺织品智能分选线正在替人完成一项繁重的工作。
2 吨堆积如山的废旧纺织品，只需 1 个小时，就能按照不同材质完成自动分选。而按照工厂提供的数据，同样的工作量，过去需要两名工人忙上大约两天。
旧纺织 AI 智能分选线。图片来源：弓叶科技提供
一小时与两天，惊人的效率差距背后，是一项过去高度依赖人工的苦活。
在传统的垃圾处理和再生资源回收行业，分拣工人需要长时间重复辨认、挑拣和搬运。如果面对的是混合生活垃圾，他们还可能接触腐烂厨余、碎玻璃和污染物料，承受异味、粉尘及尖锐杂物带来的健康与安全风险。即使处理的只是废旧衣物，成吨物料的分类、搬运也并不轻松。
能不能让机器替人干这些又脏、又累、又有风险的活？
其实，工业机器人早已能够焊接汽车、组装零件，但要让它们学会分垃圾，却远没有想象中简单。因为生产线上的零件通常有固定的规格，而垃圾却千奇百怪：形状、材质各不相同，还可能破损、变形，甚至相互遮挡。机器不仅要认得准，还得在传送带不停运转的情况下，迅速把它们分出来。
如今，人工智能与光学传感、自动控制等技术的结合，正在让这一设想逐渐成为现实。
2025 年，中国企业弓叶科技研发的混纺 AI 高光谱光选机，入选美国《时代》周刊 "2025 年度最佳发明 " 特别提名名单。这款设备能够借助 AI 和高光谱技术，识别并分选不同材质的废旧纺织品。
但一个有意思的问题是：今天的 AI 已经能写文章、做视频，为什么让它学会分垃圾，反而这么难？
为了找到答案，我们咨询了弓叶科技的研发总监。
把时间拨回 2019 年。那一年，弓叶科技的一群工程师走进了垃圾处理厂。他们很快意识到，想教会 AI 分垃圾，首先得自己学会分垃圾。
这一待，就是三年。
为了教会 AI 分垃圾，
工程师先当起了分拣工！
2019 年至 2021 年，当人工智能和机器人技术快速发展时，弓叶科技的一群工程师，却把大量时间花在了垃圾处理厂里。
白天，他们跟着工人一起分拣垃圾；晚上，回到工人宿舍，为白天收集的数据进行标注，再上传到云端，用来训练 AI 模型。
三年间，他们深入混合生活垃圾、厨余垃圾、建筑装修垃圾以及再生资源等十余类固体废弃物处理现场。
这段经历，是弓叶科技创始人莫卓亚在 2022 年的一次公开访谈中讲述的。一群研究人工智能和机器人的工程师，为什么要花三年时间，亲自跟垃圾打交道？
因为他们发现，实验室里看起来已经很成熟的技术，到了垃圾处理厂，却常常不那么好使。2019 年，团队研发的早期垃圾分拣机器人，开始应用于北京的混合生活垃圾处理项目。
但最初的表现并不理想。据莫卓亚回忆，设备只能适应运行速度不超过每秒 0.5 米的输送线，识别准确率也只有约 70%。
问题究竟出在哪里？
首先，真实的垃圾远比想象中复杂。一个塑料瓶，可能完好无损，也可能被踩得变了形；一个纸盒，可能沾满油污，还可能被其他垃圾遮挡。
人凭借生活经验，往往一眼就能认出它们。但 AI 不同，它需要通过大量样本学习物品的特征。如果训练时没有充分见过这些情况，面对真实的废弃物，就可能认错。
更麻烦的是，认得出，还不等于分得出来。在不断运转的传送带上，机器不仅要判断物品是什么，还要准确定位，并指挥机械臂或其他装置及时完成分拣。哪怕识别正确，只要动作慢了一点，也可能让物品落入错误的分选通道。
这意味着，工程师不仅要教 AI 认识各种垃圾，还要让算法、传感器和机械设备配合起来，在复杂的环境中快速、准确地完成操作。
为了解决这些问题，团队不断深入生产现场，收集新的物料样本，改进识别算法，并反复调整设备。经过持续研发，2021 年，弓叶科技又推出了基于人工智能的高速喷气式光选机，将 AI 识别与高速气流分选相结合，尝试在更快的生产线上完成物料分离。
从最初识别不准、分拣速度受限，到逐步提高设备的识别和执行能力，这背后不仅是算法的改进，更是对真实产业场景的持续摸索。
然而，当机器逐渐学会从混杂的垃圾中识别、分离不同物品后，新的应用场景又遇到了一个新问题：如果两件衣服看起来几乎一模一样，但材料完全不同，机器还能分得清吗？
机器认出了垃圾，
新的难题又出现了！
2025 年，江苏张家港的一条废旧纺织品智能分选线投入运行。与早期处理混合生活垃圾的机器人不同，这一次，机器面对的是成堆的旧衣服。它不仅要识别物品，还得判断这些衣服究竟是什么材质。
这件事可没那么简单。
想象一下，如果把两件外观几乎一样的黑色 T 恤放在你面前，一件是纯棉的，一件是涤纶的，不看标签，你能分清吗？如果它们都是混纺面料，一件含有 80% 的涤纶，另一件含有 90%，仅凭肉眼就更难判断了。
但对于废旧纺织品回收来说，这些差别却十分重要。因为不同纤维适用的再生工艺可能不同，材料种类、混纺比例与杂质含量，都可能影响后续加工的选择。
那么，连人眼都难以分辨的材料，机器又是怎么认出来的？
答案藏在光里。
不同材料对不同波长光线的吸收和反射存在差异，这些差异能够形成具有识别价值的 " 光谱特征 "。普通相机主要记录物体的颜色和外形，而高光谱设备能够获取更多波段的光学信息，帮助机器发现人眼难以察觉的材料差别。
高光谱线扫相机正在扫描产线上的杂料。图片来源：弓叶科技提供
不过，获得这些信息，还不等于能够准确判断材料。同样是涤纶，经过不同的染色、洗涤和磨损，光谱特征可能发生变化；如果一件衣服由多种纤维混合制成，情况就更加复杂。
这时，AI 便派上了用场。
通过学习大量已知材质的样本，AI 能够从复杂的光谱信息中寻找规律，识别不同材料的特征，并根据预设标准判断衣物的材质类别。如果说高光谱技术给机器装上了一双能够识别更多材料信息的 " 眼睛 "，那么 AI 就是帮助它分析信息、作出判断的 " 大脑 "。
而当衣物经过识别区域，系统还需要指挥分选装置迅速行动，在恰当的位置将不同材质的衣物分离出来。
至此，从识别材料、作出判断，到完成分拣，机器终于能够把一系列原本依赖人工经验的工作自动完成。
当然，这并不意味着机器已经能够准确识别所有材料。对于严重污染、表面存在特殊涂层，或者纤维组成十分复杂的衣物，识别仍可能存在困难。但人工智能与高光谱等传感技术的结合，确实让机器拥有了过去普通视觉分选设备难以实现的部分材料识别能力。
AI 智能分拣系统选出废纺。图片来源：弓叶科技提供
现在究竟做到了什么程度？
看到这里，一个自然的问题是：垃圾分选这件事，目前究竟有哪些设备能够真正用在生产现场？
答案是，这已经不是停留在论文里的设想，而是一批较为成熟的设备与技术方案。基于可见光识别的 AI 分选机器人，负责在传送带上抓取体积较大的目标物料；高速喷气式光选机，用成排的压缩空气阀分选轻小的碎片物料；高光谱、近红外光选机，用于区分外观相近但材质不同的塑料与纤维；而把视觉模型与机械操作结合起来的具身分选机器人，则正在承担更复杂的抓取和判断任务。
这些设备并非只出现在展台上，在国内多地的垃圾处理厂和再生资源分拣中心，它们已经进入了日常运行。
弓叶科技的智能分选装备，包括 AI 分选机器人与光选机。图片来源：弓叶科技提供
那么，机器分选究竟为这个行业解决了什么？
最直接的好处是效率，废纺分选速度每小时 ２ 吨，相当于两名工人干上两天。
效率之外，更实在的是减量化与资源化。以每天处理 1000 吨混合生活垃圾的垃圾中转站为例，智能分选线可实现垃圾减量化 35%、资源化 25%，相当于每天精细化分选出 250 吨低值可回收物，三年累计约 27.4 万 吨。
但对再生资源行业更关键的是 " 分得纯 "。不少再生工艺只能处理成分单一的原料：不同纤维混纺、不同塑料混造粒，再生材料性能就会打折扣，往往只能降级利用。把物料按材质分清楚，是在为下游提供合适的 " 粮食 "，既提高回收率，也提升再生产品的品质和售价。
企业公开数据已印证这一点：张家港废纺分选线可按纤维材质分拣旧衣物；日杂破碎料——即废旧塑料制品打碎后的混合碎片——分选准确率达 98% 以上。这种精细到材质级别的识别与高速分选，正是工业 AI 的真正价值：把原本 " 分不纯、卖不上价 " 的混杂废弃物，变成可直接进入再生工艺的纯净原料。
AI 会分垃圾了，
为什么还不够？
一次识别成功，离一条生产线稳定运转还有多远？
真实的工业现场，远没有实验室那么理想。以废旧纺织品为例，每天送进工厂的衣服，不仅材质、颜色不同，磨损程度、污染情况也千差万别。有些衣服相互缠绕，有些折叠在一起，还有些沾着难以清除的污渍。这些情况都可能影响机器的识别和分选。
而且，工厂需要的不是机器偶尔分对一次，而是它能在成千上万次重复操作中，始终保持相对稳定的表现。
这就给工程师提出了更高的要求。比如传送带应该运行多快？速度太慢，处理效率就会下降；速度太快，系统可能来不及完成识别和分离。再比如，不同物料的重量和形态也会影响分选效果。对于塑料薄膜等轻质物料，即使 AI 已经识别出目标，物料仍可能在输送或气流作用下飘动、翻滚，影响最终的分选位置。
为了解决这些问题，工程师不仅要改进算法，还需要调整传送系统、执行机构和设备结构，让各个环节准确配合。
此外，工业现场还存在粉尘、振动、温度变化等干扰。如何让设备长时间稳定运行，同样考验着研发团队。换句话说，AI 知道该怎么做，不等于机器一定能把事情做好。
更现实的问题是成本。一台设备即使技术先进，如果价格太高、维护困难，或者需要频繁停机调整，也很难被更多企业采用。
这也是工业 AI 与我们日常使用的 AI 应用之间，一个值得不容忽略的区别。在手机和电脑上，AI 生成一段文字、一张图片，通常就完成了任务。但在工厂里，它的判断必须转化成实实在在的生产操作，还要接受效率、成本和可靠性的共同检验。
事实上，高光谱识别、自动化分选都不是刚刚出现的新技术。国际上已有企业利用近红外光谱等技术，对不同材质的纺织品进行自动分选。例如，挪威企业陶朗（TOMRA）的相关设备，就可以结合近红外和可见光光谱信息，对纺织品进行材料分类。
因此，一项工业 AI 技术是否具有创新价值，并不能仅凭它使用了人工智能，或者实现了某项识别功能来判断。更值得关注的是，它能否针对真实产业需求，把算法、传感器和机械设备更好地结合起来，解决过去难以解决的问题。
从这个角度看，当年工程师在垃圾处理厂里经历的反复试验，恰恰是产业创新中不可缺少的一部分。
工程师当年在垃圾厂里反复试验的意义，也正在这里：真正的技术创新，不只发生在模型训练完成的那一刻，还发生在机器一次次被带回现场、重新解决问题的过程中。只有在真实生产中经受住考验，一项技术才能从实验室里的成果，变成工厂里真正有用的工具。
当 AI 走出屏幕，
什么才算真正的进步？
这两年，AI 不断刷新人们的想象。从写文章、生成视频，到解答复杂问题，我们越来越习惯于惊叹：AI 又学会了什么新本领？
但在这些引人注目的进步之外，人工智能还有一片值得关注的应用空间——那些长期依赖人工经验、重复繁重，甚至存在一定风险的工作现场。
比如在农产品加工中，AI 可以辅助识别品质差异；在工业生产线上，它能够帮助检测产品缺陷；在一些危险作业环境中，智能机器人也有机会承担部分高风险任务。
这些应用或许没有生成式 AI 那么引人注目，却让我们看到了人工智能的另一种价值：让那些人类早已能够完成、却始终做得费时费力的工作，有了更好的解决办法。
弓叶具身机器人。图片来源：弓叶科技提供
而这也为科技创新提供了另一种观察视角。衡量 AI 的进步，不能只看模型能力有多强、技术指标有多亮眼，还要看它能否真正解决产业中的实际问题，能否以合理的成本持续创造价值。
当然，从一项技术的成功应用到整个行业的改变，还有很长的路要走。但这些发生在真实产业现场的探索，已经为人工智能的发展提供了更多可能。更值得思考的是：当我们不断拓展 AI 的能力边界时，是否也应该关注，我们究竟希望把什么样的工作交给机器？
今天，人们热衷于讨论 AI 会不会取代作家、设计师等创造性职业。而在许多不起眼的工业现场，还有大量高重复、高强度，甚至伴随着危险的工作，等待着更好