人工智能能为垃圾分类做点什么？

去年7月1日，上海市的《生活垃圾管理条例》正式施行之后，标志着垃圾分类进入了全民“强制时代”；而今年5月1日，北京市新修订的《北京市生活垃圾管理条例》实施，并在十天后就开始新政实施后对一家超市开出9000元的第一张罚单，带有惩戒性的处罚开始执行。

今年两会期间，已经有代表提案，建议为垃圾分类制定全国统一标准，并出台垃圾分类基本法，让垃圾分类的规则标准清楚、明白，让垃圾分类相关主体有法可依。甚至有更激进的代表提议，从全国层面立法，让垃圾分类成为居民法定义务，当然也同时要求全国各地都要形成“全行业、全领域、全过程”的垃圾分类管理体系。

垃圾分类是一项系统性的社会工程，涉及到城市管理、处理技术、制度立法乃至生活方式等方方面面，单一要素的变化都依赖其他要素的配合。因此，垃圾分类的问题似乎成为一道多项变量构成的方程组一样。

在近两年的垃圾分类的解决方案中，人工智能技术的智能分类识别、智能分拣技术的引入，成为很多人们试图破解垃圾分类难题的新方案。那么，这些垃圾分类的智能化方案在投入使用中存在哪些难题？又该如何发挥真正的智能分类、分拣的作用？智能垃圾分类是否就是解决这一复杂方程组的最优解？

其实阿里已经在手机淘宝里面推出垃圾分类的测试版。

根据垃圾分类的标准，这些标准是确定的，有迹可循的，也就是说有标准的。那么就可以利用图像分类的算法来实现垃圾分类。目前常见的图像分类算法有：KNN、SVM、BPNN、CNN和迁移学习。

图像分类顾名思义就是一个模式分类问题，它的目标是将不同的图像，划分到不同的类别，实现最小的分类误差。图像分类是计算机视觉中最基础的一个任务，也是几乎所有的基准模型进行比较的任务。从最开始比较简单的10分类的灰度图像手写数字识别任务mnist，到后来更大一点的10分类的 cifar10和100分类的cifar100 任务，到后来的imagenet 任务，图像分类模型伴随着数据集的增长，一步一步提升到了今天的水平。现在，在imagenet 这样的超过1000万图像，超过2万类的数据集中，计算机的图像分类水准已经超过了人类。

不论采用以上哪种机器学习算法，都是可以实现垃圾分类的，只是精度上的差异，哪种效果好。

那么后续也许会出现垃圾分类的家用机器人，将垃圾往设备里面一丢，自动的给你分类到不同的垃圾箱里面去，人彻底解放出来。

尽管AI的机器视觉和图像识别技术早已可以应用到垃圾分类这个场景中，但如果不是去年上海开始强制推行“史上最严格的垃圾分类政策”，这些智能应用却并不会“理所当然”的出现在我们的日常生活里。毕竟，这一问题在我们的各种民生问题里似乎还排不上什么位置。

而当严格的垃圾分类标准真的摆在我们每个人面前的时候，辨识生活中的各种物品成为人们首要面对的挑战。而人们自然而然想到的就是有哪些方法可以快速识别生活垃圾，帮助我们有效分类。

在垃圾识别环节，最先上线也最容易实现的就是垃圾分类识别APP。在上海新政出台前，BAT三家巨头就率先在各自的平台上线了各类分类小程序，包括像微信小程序“查垃圾大战”、百度的“百度AI垃圾分类”、支付宝的“垃圾分类指南”。

国内大量的垃圾回收装置都几乎采用同样类似的思路，但是这些装置都要面对很多现实难题，比如居民的垃圾一般都是混装，现场进行拆分投放的效率很低，前期尝鲜试用可能可以，但长期坚持时间成本过高。同样，经过混装处理的垃圾很容易出现交叉污染的现象，导致AI系统不能很好的正确识别，最终也可能会导致系统失效，而增加人工分拣的成本。

智能垃圾分拣设备可能是其中更为有效的一种AI解决方案。这种设备更多布置在垃圾处理的终端环节，通过机器人系统进行可回收物品和其他垃圾的高效分拣。

根据这一思路，国内外已经有不少可行的分拣设备投入使用。比如，美国一家光学分类设备商生产的Max-AI系统，采用多层神经网络和视觉系统，以与人的方式类似的方式查看和识别物体。但可以以超出人类的分拣速度完成对各类可回收材料的快速分选。

还有像芬兰ZenRobotics公司推出的建筑垃圾分类机器人ZRR，只需要2个机器人4只机械臂，每天连续24小时工作，可以处理2000吨建筑垃圾，相当于48个工人的工作量。现在国内的一些研究机构和企业也在积极开发此类智能分拣机器人。

目前，智能垃圾分类系统仍然处于整个垃圾处理系统的辅助环节，其应用和推广还有很多场景限制和成本困境。智能垃圾系统如果要发挥作用，根本上离不开整个系统的整体优化提升。相比较那些只是局部解决问题或者浅尝辄止的解决方案，我们其实更应该从系统性的角度尝试在垃圾分类系统上更好发挥智能垃圾分类的作用。