研華攜手宜科循環，用 AI 改寫資源回收的遊戲規則

兼具低成本、高擴充性，並且能在高溫、潮濕、髒亂等嚴苛環境下正常運作的研華 MIC-711 邊緣 AI 系統，基於 NVIDIA® Jetson Orin™ NX，MIC-711 早已成為許多企業部署第一個 AI 落地專案的最佳利器。先後入選 NVIDIA Inception 計畫與矽谷 Plug and Play 加速器的宜科循環（AIRECO），積極協助資源回收廠建置這樣的邊緣 AI 系統，實現全面自動化與智慧化的轉型，為共同打造 AI 驅動的資源回收生態系而努力。

根據世界銀行的統計，2016 年全球城市固體廢棄物總量達到 20.1 億公噸，預計 2050 年將上升至 34 億公噸，增幅約 69%。其中預估約只有 13.5% 的廢棄物被回收再利用，5.5% 用於制作堆肥，整體再利用率達 19%。該報告並預估，約有 1/3 至 40% 的廢棄物直接被傾倒或露天焚燒而未被妥善處理。

綠色和平指出，2019 年至 2023 年間，全台每年一般廢棄物總量均已超過 1,000 萬公噸。再就環境部（當時仍為環保署）統計數據指出，2021 年全台一般廢棄物總量約為 1,006 萬公噸，2022 年增加到約 1,123 萬公噸，年增約 11.7%。從 2021 年回收率高達 61.1% 的數據可以看出，台灣廢棄物回收率在全球名列前茅。在邊緣 AI 系統的加持下，資源回收率勢將再創高峰。

透過 AI 看懂所有廢棄物，串連生產、消費與回收三大節點

近年來，隨著人力短缺的問題逐年白熱化，這對於高度仰賴人力進行識別與分選的回收業者來說，無疑是一場營運危機。急尋最佳解決方案也成了產業的普遍共識，宜科循環便是在此背景下成立，專為產業自動化提供解方。

宜科循環技術長李杰翰表示，宜科循環原為資源回收公司協治企業的內部新創研發部門，成立目的就是為了開發自動化設備，以降低對人力的過度依賴。隨後，團隊發現若能透過 AI 看懂所有廢棄物，將會衍生更多的應用商機，於是便正式從母公司分拆而出。

李杰翰指出，宜科循環自成立初期便鎖定以電腦視覺與 AI 影像辨識技術，打造可識別各類廢棄物的解決方案，以提升人工辨識與分類難以兼顧的精準度與處理效率，並進一步改善速度、成本效益與整體作業品質，進而有效解決資源回收生態系中從製造者、家庭使用者到回收者等不同角色所面臨的痛點。

在回收者端的最大痛點，莫過於前文提到的人力缺工問題。透過 AI 與相關設備的結合，便能減輕人工分選的依賴度，大幅提升資源回收的精度、速度與效率。整個生態系中的消費者端，無異是決定資源是否能被回收的最關鍵節點。透過 AI，便能協助消費者辨識回收物的價值，進而提升資源被回收或再利用的機會。對此，該公司預計在不久未來將會推出輔助家庭使用者了解廢棄物是否具有回收價值的新服務。

再就生產端而言，目前問題的癥結點在於生產端和回收端之間存在隔閡。最佳解決之道就是透過 AI 辨識以及資料蒐集與分析，再回饋提供給生產者，以促使今後的產品開發與製造能朝向綠色設計與友善回收的方向發展。

李杰翰表示，宜科循環將 AI 導入到整個資源回收生態系的目的，就是要打破該生態系中生產、使用和回收等三個節點長久以來單打獨鬥的局面，進而將它們串連在一起，展現協同合作的最大效益。

降低影像收集與人工標註成本，打造三大核心技術提升回收效率

宜科循環一開始積極投入電腦視覺系統的開發，透過卷積神經網路（CNN）的深度學習模型訓練系統辨識各種廢棄物的影像。在三年前公司成立之初，需要透過工業相機來廣泛拍攝／收集各式各樣的廢棄物影像，接著再對這些影像進行人工標註作業，以便用來訓練 AI 模型。但這些大量的人工標註作業非常耗時費工，且會有人為錯誤的可能性。

面對輸送帶旁的即時 AI 模型推論作業，宜科團隊一開始是用搭載昂貴高端玩家顯示卡的 PC 來應對。但這樣的 DIY 主機不僅體積龐大極占空間，而且建置及維護成本都不低。宜科團隊在一番業界方案的調查評估之後，發現了使用 NVIDIA Jetson Orin NX 的邊緣運算裝置能完美改善上述的問題，並最終選擇了研華 MIC-711 邊緣 AI 系統，以作為適用於各回收廠輸送帶上完美進行即時 AI 推論的最佳解決方案。

2025 年，宜科循環分別入選 NVIDIA Inception 計畫與矽谷 Plug and Play 加速器，該公司隨即導入 NVIDIA OmniverseTM、Isaac SimTM 及 Omniverse Replicator 等先進模擬與訓練工具。透過前兩者打造出可 3D 模擬出各種形狀、材質及髒污程度之廢棄物的「虛擬回收場」，並藉由 Replicator 自動生成大量供後續 AI 模型訓練之用的標註資料，比起傳統人工標註，能有效提升時間與成本效益與精準度。

為了提升回收效率，宜科循環為客戶提供三大技術：RECO Vista（AI 影像辨識與品檢）、RECO Delta（全自動高速分選機械手臂）、RECO Cognita（視覺化智慧管理平台），在上述 NVIDIA 三項模擬／訓練工具的完美搭配下，進而實現從傳統人力密集型回收過渡至自動化智慧回收的無縫轉型。

低延遲、耐受惡劣環境的最經濟方案，邊緣 AI 系統成為不二選擇

儘管當前不乏許多大型算力平台與 GPUaaS 等雲端運算服務，但李杰翰表示，這些選項對於資源回收業者來說，價格上實在高不可攀。更重要的是，雲端 AI 運算因為會有延遲問題，並不適合回收廠產線上的 AI 推論，像研華 MIC-711 系列這類的邊緣運算裝置才是最佳選擇。

不僅如此，採鐵皮屋設計的回收廠不僅高溫，而且充斥著各種材質、形狀與髒污的廢棄物，面對這樣惡劣的環境，配備低功耗研華 MIC-711 系列的宜科循環 RECO Vista，能夠輕鬆簡單地安裝於既有產線，並且正常順暢地運作。

由於每家回收廠中會安裝多台邊緣 AI 裝置，所以傳統昂貴的 PC 搭配高階顯卡方案根本不可行。以一條輸送帶產線來說，前後端都需要安裝邊緣 AI 裝置，分別進行進料的類別監控（前端）與目標物的品檢工作（後端）。產線中每裝設一支機械手臂就需再安裝一台邊緣 AI 裝置。在屏東某家月處理量達 2,000 噸回收量的回收廠，共安裝了約 20 台邊緣 AI 裝置。

有效降低 8 成回收人力，標準化讓回收品發揮最大價值

面對光選機需要定期校正的問題，研華邊緣 AI 裝置能提供相關監控數據，以作為該設備何時需進行校正的依據。該邊緣 AI 裝置還能每分鐘對分選作業進行記錄，以作為主管機器進行品檢抽驗時的依據，抑或未來修正時的參考。此外，產線上的機器手臂能精準執行分選任務，完全仰賴該邊緣 AI 裝置所提供的即時座標資訊。

李杰翰表示，雖然宜科循環成立至今不到三年，但研華 MIC-711 系列導入至今已為該公司及回收廠帶來十分明顯的效益。其中最大效益莫過於人力需求的大幅降低，以一支機器手臂可取代 0.8 個人來推估。其次是回收物品檢的全面數據化，回收業者可以有憑有據地確保回收物的品質與價值。