世界で経済活動に投入される資源のうち、リサイクルまたは再利用された材料は7％にも届きません。自治体が扱う一般廃棄物は年間20億トンを超え、2050年までに現在のほぼ2倍へ増える可能性があります。各国の首脳や関係者がトルコに集うCOP31でも、廃棄物を出さない「ゼロウェイスト」が主要な論点となっています。



資源循環を妨げているのは、回収の仕組みだけではありません。使用済みの衣類、食品容器、さまざまな樹脂が混ざった廃プラスチックは、材質や品質、再利用価値が一つずつ異なります。高速で流れる大量の品物から、再び製品にできるものを人手だけで正確に選び出すのは困難です。回収できても細かく分類できなければ、元の製品より用途や品質が限定された材料へ加工する「ダウンサイクル」に回りやすくなります。

そこで使われ始めているのが、カメラ映像を解析するビジョンAIとロボットです。AIがベルトコンベヤー上の物体を認識し、材質や製品の種類を判定して、ロボットアームへ回収対象を指示します。生成AIそのものが廃棄物を直接選別するわけではありませんが、現場から得たデータを担当者が理解しやすい形へ整理し、次の行動を提案するエージェント型AIの活用も進みつつあります。

NVIDIAのサステナビリティ責任者であるジョシュ・パーカー氏は、循環型経済には既存資源の有効利用が欠かせず、AIが廃棄物の内容把握、回収可能品の特定、選別作業の自動化を支援できると説明しています。同社のスタートアップ支援プログラム「NVIDIA Inception」に参加する4社の取り組みを見ると、AIの役割が単なる省人化にとどまらず、これまで見えなかった資源価値の測定へ広がっていることが分かります。

再生プラスチックが市場で使われるには、新品の材料と競争できる価格と品質が求められます。しかし、回収される廃棄物は状態が一定せず、手作業の選別に必要な人材も確保しにくいのが実情です。複数の樹脂や異物が混ざったままでは、品質の高い再生材料を安定して作れず、再び同じ製品へ戻す閉ループ型のリサイクルも難しくなります。



台湾のスタートアップAIRECOは、ビジョンAIでプラスチックを細かく分類し、混合廃棄物の山から目的の材料を取り出す仕組みを開発しています。同社の創業者兼CEOであるChun-Feng Liu氏は、分類が細かいほどリサイクルできる範囲が広がり、使用済みボトルを別の低品質な製品ではなく、再びボトルへ戻せる可能性が高まると説明しています。

台南市のリサイクル工場に設けられた試験ラインでは、NVIDIA Jetson Orin NXモジュールがAIの推論処理を担います。カメラで対象を認識するだけでなく、ベルトコンベヤーから目的物を拾うロボットアームの制御にも使われており、試験ラインでの認識精度は95％を超えています。ネットワークの先にあるクラウドへ映像を送って待つのではなく、設備の近くで即座に判定するエッジAIだからこそ、流れ続ける廃棄物へ対応しやすい構成です。

同社は翌年に計画する本格生産ラインで、年間処理能力を1万8,000トンから4万8,000トンへ約3倍に引き上げ、運用コストを85％削減する目標を掲げています。いずれも計画値であり、量産環境での達成状況を見極める必要があります。それでも、回収量だけでなく選別品質と採算性を同時に改善しようとする点は、再生材料を安定した産業資源へ変えるうえで重要な視点です。

家庭から集めた資源物を分ける選別施設では、缶やボトル、紙容器などが高速のベルトコンベヤーを絶えず流れます。製造現場のロボットであれば、部品が所定の位置に来るまで待ったり、作業を一時停止したりできる場合があります。ところが廃棄物の選別では、対象がロボットの前を通り過ぎるわずかな時間に、認識、判断、回収までを終えなければなりません。



米国のEverestLabs AIは、このリアルタイム処理に特化したコンピュータービジョン搭載ロボットを展開しています。CEOのR. Paul Singh氏は、ベルトが一定の速度で動き続けるため、対象物が移動してしまう前に素早く動く必要があると表現しています。同社によると、北米とオーストラリアの施設では約150台のロボットが稼働中です。

設備側のAI推論にはNVIDIA RTX GPUを使い、学習にはNVIDIAのデータセンター向けGPUを採用しています。ソフトウェアは並列計算基盤のNVIDIA CUDAで最適化されています。同社の推計では、導入済みシステムがこれまでに約400億個の物体を識別し、およそ2万5,000トンの材料をリサイクルへ回しました。回避した二酸化炭素排出量は約3万トンとされています。これらは同社が算出した実績値として捉え、導入判断では計算条件も確認する必要があるでしょう。

EverestLabs AIは、材質だけでなくブランドや包装の情報も記録し、あらゆる形状の物体を正しく分類、回収できるようモデルの改善を続けています。現場管理者から複数施設を統括する経営層まで、それぞれが取るべき行動をデータから示すエージェント型AIツールも提供し始めました。選別ロボットを単独の機械として売るのではなく、設備運用と経営判断をつなぐ情報基盤へ発展させようとしている点が特徴です。

大規模なリサイクル施設は、1日に数万トンの廃棄物を処理する場合があります。それにもかかわらず、従来はベルト上を流れる物体の1％未満を人が抜き取り、全体の構成を推測する方法が一般的でした。廃棄物の種類は時間帯、季節、搬入元によって変動するため、ごく一部のサンプルだけでは設備の状態や回収機会を正確に把握できません。



英国のスタートアップGreyparrotが開発した「Analyzer」は、コンベヤーの上に設置したカメラとコンピュータービジョンを使い、通過する物体を材質やブランド別に識別します。ほこりが多い環境や照明条件が良くない場所でも、秒速最大4メートルで動くベルトを解析できるとしています。共同創業者のAmbarish Mitra氏は、刻々と変わる廃棄物の内容を推測ではなく実際のデータとして把握できる点を強調しています。

AIモデルの学習にはNVIDIA GPUが使われ、現場での高速検出はJetsonモジュールが担います。20カ国を超える地域で300台以上のAnalyzerが稼働し、これまでに物体を囲んで位置を示す「バウンディングボックス」を1兆回以上検出しました。15トン分の廃棄物を確認する作業は、従来の375時間から6時間へ短縮されたと報告されています。

Greyparrotによれば、リアルタイムデータを利用する施設では10～30％の効率改善が確認されています。包装材大手Amcorでは、食品用途に戻せる高品質プラスチックの回収率が12％向上しました。Coca-Cola、Colgate-Palmolive、Kenvueといった消費財企業も、実際の選別施設で自社包装がどのように処理されるかを測るために同社技術を利用しています。廃棄物データが施設の生産管理だけでなく、包装設計や調達方針を見直す材料にもなり得ることを示す事例です。

欧州では年間約700万トンの使用済み繊維製品が発生しています。その約4分の1は分別回収された後、古着としての再販売、家具の詰め物、清掃用の布といった数百種類の用途へ人手で分類されます。衣類は樹脂容器より判断項目が多く、同じシャツでもブランド、季節、サイズ、色、傷み具合によって再利用価値が変わるためです。



ベルリンを拠点とするreverse.fashionは、高解像度のコンピュータービジョンを使って、この複雑な作業の自動化を進めています。システムが識別するのは製品の種類だけではありません。欠陥、色、サイズ、ブランド、生地の構造、季節性、スタイルまで解析し、それぞれの衣類を最も価値の高い用途へ振り分けます。

共同創業者兼CTOのKarsten Pufahl氏は、衣類の品質に対する消費者の目が厳しいため、一般的な廃棄物選別より高い解像度が必要だと説明しています。小さな汚れやほつれを見落とせば、再販できない衣類を販売向けに回したり、逆に価値のある衣類を低品質な用途へ送ったりする恐れがあります。選別精度は、作業速度だけでなく、その後の商品価値にも直結するわけです。

衣類は秒速3メートルでコンベヤー上を移動し、その間に12を超えるビジョンAIモデルの解析を受けます。モデルはNVIDIA TensorRTで高速化され、現場のJetsonモジュール上で動作します。学習にはワークステーションとクラウド上のNVIDIA GPUが使われています。Pufahl氏の推計では、従来1週間かかっていた量を1時間で選別でき、欧州の施設への展開が進行中です。衣類を単なる繊維素材として処理するのではなく、一着ごとの再販可能性まで評価する仕組みは、リユースと素材リサイクルを適切に分ける助けになると考えられます。

4社の用途は、プラスチック、家庭系資源物、混合廃棄物、衣類と異なります。それでも技術構成には共通点があります。大量の画像を使うモデル学習はデータセンター、クラウド、ワークステーションのGPUで行い、完成したモデルを選別施設のGPUやJetsonモジュールへ配置します。現場ではカメラ映像を即座に解析し、対象物が通過する前に記録やロボット制御へつなげます。



この役割分担が必要なのは、選別ラインが通信状況を待ってくれないからです。すべての映像を遠隔のクラウドへ送り、結果が返るまで待つ構成では、通信遅延や回線障害が設備の動作に影響しかねません。現場側で推論するエッジAIなら、処理に必要な時間を抑えやすく、映像データを施設内にとどめる設計も可能です。一方、モデルの再学習や複数拠点のデータ分析には、より大きな計算資源を利用できる中央側の環境が適しています。

AIの価値は、ロボットが物を拾う回数だけでは測れません。Greyparrotはベルト上の全体像を可視化し、EverestLabs AIは材質、ブランド、包装のメタデータを蓄積しています。こうした情報が十分に整えば、混入が増える時間帯の特定、設備設定の変更、搬入元ごとの品質比較、包装設計の見直しなどへ応用できます。生成AIやエージェント型AIは、蓄積された情報を担当者の役割に合わせて説明し、確認すべき異常や改善候補を提示する層として活用されるでしょう。

ただし、認識精度が高くても、誤判定の影響は品目によって異なります。食品向け再生材への異物混入と、一般用途の材料を取り逃すケースでは、求める管理水準が同じではありません。導入企業には、平均精度だけを見るのではなく、品目別の誤検出、見逃し、ベルト速度、照明や汚れへの耐性まで含めて検証する姿勢が求められます。

日本の製造業、廃棄物処理事業者、小売・消費財企業が同様の技術を検討する場合、AIカメラやロボットの導入を出発点にすると目的が曖昧になりがちです。先に決めたいのは、回収した材料をどの製品や市場へ戻すのか、そのためにどの品質まで選別する必要があるのかという「出口」です。AIRECOの事例でいえば、単にプラスチックを回収するのではなく、ボトルを再びボトルへ戻せる細かな分類が事業上の狙いになっています。



実証実験では、認識率だけでなく事業全体の指標を置く必要があります。対象品目の回収量、再生材の品質、選別にかかる人時、設備停止時間、販売可能な材料の歩留まりを測れば、AIがどこへ利益をもたらすのかを判断しやすくなります。二酸化炭素排出量の削減効果を示す場合は、算定範囲や比較対象を明確にしなければ、企業間で妥当な比較ができません。

現場データの所有権と利用条件も確認が欠かせません。包装に記されたブランドや商品の種類まで識別できるなら、そのデータは処理施設の運用改善だけでなく、メーカーの商品設計や調達にも価値を持ちます。設備ベンダー、処理事業者、廃棄物を排出する企業のうち、誰がデータを利用できるのかを契約段階で整理しておく必要があるでしょう。モデル更新時の費用、通信停止時の運転方法、誤選別が起きた場合の責任分担も同様です。

着手するなら、混合状態が比較的安定し、回収後の販売先が定まっている一つの品目に範囲を絞る方法が現実的です。一定期間、人による確認結果とAIの判定を突き合わせ、季節や搬入元による変動も含めて評価します。その結果を基にロボット制御や経営向け分析へ段階的に広げれば、技術導入そのものを目的にせず、資源価値と採算性の改善につなげやすくなります。