讓你「無腦」丟垃圾!TrashBot垃圾桶結合演算法及AI,分類準確率高達90%
讓你「無腦」丟垃圾!TrashBot垃圾桶結合演算法及AI,分類準確率高達90%

丟回收時,我們已經習慣依據寶特瓶、紙類、鐵鋁罐這樣的分類方式,但當中的細節其實非常多,比如說同樣都是餐盒,某些蛋糕紙餐盒可以回收,木片餐盒卻不可回收;廢棄輪胎可以回收,但是輪胎內胎就不可回收⋯⋯消費者以為自己確實做到回收了,其實後續還要靠專業人士進行二次分類。

美國新創Clean Robotics看到這個狀況,打造了AI垃圾分類機器人TrashBot,讓你直接「無腦」丟垃圾:只要將垃圾丟進TrashBot,TrashBot就能自動判別該垃圾是否屬於可回收類別。根據CleanRobotics官網的數據,手動分類垃圾的正確率只有30%,也就是說10個落入回收桶內的垃圾,只有3個是可以確實被回收的,而TrashBot可以將這個正確率提升到90%以上。

近期Clean Robotics也獲得由新濠國際發展有限公司領投,SOSV/HAX、Undivided VC和Longmont Evergreen Opportunity Fund的450萬美元A輪募資。

美國新創Clean Robotics打造垃圾分類機器人TrashBot,讓你不用思考如何回收,垃圾桶就自動幫你回收。
圖/ Clean Robotics

TrashBot讓丟回收要做的真的只有「丟」

回收率低落的原因之一,是可回收垃圾受到食物殘渣的污染所致。

一口喝完咖啡後,充滿咖啡漬的杯子如果丟入回收桶,回收場人員可能因為咖啡杯受到咖啡殘渣汙染,而手動將其歸納為一般垃圾處理,導致許多我們以為可回收的物品,還由回收場人員進行二次分類。

「如果站在一個垃圾桶前,還要思考兩分鐘,再扔下手中的垃圾,無疑是愚蠢並且浪費時間的。」Clean Roboticsde共同創辦人Tanner Cook和Charles Yhap認為回收效率低落的問題,來自於大眾並不清楚回收規則。

為了省去二次分類的功夫,讓那些丟入回收箱的物品可以直接進入回收場,機械工程背景的Tanner Cook認為應該讓機器人去處理枯燥、骯髒的回收工作,而且因為機器人是自動化的,所以能夠比人們更快、更準確地回收。

TrashBot於是結合影像辨識器、機器人技術以及演算法和AI系統,當使用者丟入物品後,垃圾桶蓋會自動關閉,攝影機和秤重機器就會偵測物品的外觀及測量重量,判定物品是否有液體,以及決定是否需要倒掉液體,接著按照物品外型進行分類,並將其轉移到回收、廚餘或是垃圾的內部分類桶裡。

TrashBot結合影像辨識器、機器人技術以及演算法和AI系統,當使用者丟入物品後,TrashBot就會偵測物品的外觀,並按物品類型進行分類。
圖/ Clean Robotics

最後垃圾的數據會傳輸到TrashBot的雲端系統,以利在垃圾快滿時,通知TrashBot的車隊來運垃圾,或是檢測內部的骯髒程度,以簡訊或電子郵件向Clean Robotics發出待清洗的通知。

使用TrashBot和一般垃圾桶差不多,唯一不同的是:一次只能丟一個垃圾進去,機器人才能辨識垃圾材質,這也是TrashBot目前基於成本考量的限制。Charles Yhap表示,如果丟入的物品是同類別的,比如說皆可回收,那麼即使一次丟入兩樣物品,TrashBot也可以識別,如果需要同時識別兩種不同類型的物品,技術上其實已經可行,然而產品的成本就會增加,因為機械臂費用過於昂貴。

目前,TrashBot的AI可以將垃圾分類為110個不同的類別,分類準確度達98%,高於一般人的分類準確度。

Tanner Cook(右二)、Charles Yhap(左三)推出的TrashBot,可以將垃圾分類為110個不同的類別,分類準確度達98%。
圖/ Clean Robotics

1,500美元起跳的垃圾桶,仍受美國、澳大利亞、中國客戶信賴

Clean Robotics針對的主要是2B(面向企業)的客戶,目前TrashBot已經在美國、澳大利亞的機場、企業、大型購物中心、體育場使用。針對現有客戶,Clean Robotics表示TrashBot能為企業減少達50%的垃圾處理費用,今年也已經協助處理約417噸的回收,減少1,111公噸的二氧化碳排放量。

然而要入手一台TrashBot錢包得夠厚,一台TrashBot要價1,500美元至6,000美元(約新台幣4.5萬~18萬元)不等,面對高昂的回收價格,美國非營利組織「Recycle Across America」認為,只要在垃圾分類桶上張貼清楚的標示就可以解決問題,無須倚賴機器人。

面對質疑的聲音,卻還是有企業願意買單的原因可根據國家分為三點:

1. 美國:回收法規日趨嚴苛

將回收物送往中國是美國運行20幾年,一種便宜又方便的回收處理方法,但為防止污染持續發生,中國於2018年頒布禁止進口他國回收物的「國劍政策」,導致回收工作必須在美國國內完成。為防止缺乏回收意識的民眾隨意回收,美國的回收法規嚴苛,一旦發現可回收的物品被當成一般垃圾處理,將會受到相應的懲罰。

2. 澳洲:抵免稅收

在澳洲回收物品就可抵免稅收,看準機場、百貨公司等大型營業場所,「既然無法制止民眾亂回收,不如好好利用回收物」的心態,Clean Robotics才會選擇發展澳洲市場。

3. 中國:因地制宜的垃圾桶

因為看到「上海垃圾分類條例」出來後,在中國掀起的「家庭回收桶」龐大商機,所以Clean Robotics也預計與投資人SOSV/HAX一同針對中國客戶,尋找合適的生產商,以大規模量產試圖壓低成本,並在今年底在中國推出成本更低的家庭垃圾桶。此外,為因應中國各城市各異的回收規則,Clean Robotics也將根據不同的回收規則,設計出可以回收更多品項的TrashBot。

台灣iTrash供24小時垃圾收集與資源回收服務

台灣新創晧揚環境科技公司打造的iTrash智慧垃圾回收整合服務站,也是在解決「丟垃圾」的問題。iTrash結合一般垃圾、資源回收、廚餘收集三種功能,提供民眾24小時垃圾收集與資源回收服務,一個iTrash可容納200~250戶家庭一天的垃圾量。

與TrashBot不同的是,TrashBot存放的為百貨公司、機場等大型公共場所中,民眾隨手丟棄的垃圾,iTrash則是一般民眾的家庭垃圾,也因此TrashBot是向百貨公司、機場收取機器費用,iTrash則以合作方式將機器放置於北市的連鎖賣場,並結合悠遊卡支付功能,以秤重的方式向丟垃圾的民眾收取費用。

目前台灣因為回收法規並不嚴苛,回收規則雖然繁複但全國統一,所以如果要複製TrashBot的模式,以「避免法規」、「落實回收」等理由說服百貨商場、機場等大型公共場所,花費10幾萬購買回收機器,製造話題的目的應大於回收效益。

即便如此能期待的是,未來iTrash等類似的回收服務,能擴散至全台,並且研發出更細緻的回收方式,例如將寶特瓶細分為可回收的寶特瓶與屬於一般垃圾的塑膠薄膜,讓貫徹回收的美意能徹底落實。

智慧垃圾回收站iTrash
晧揚環境科技公司打造iTrash智慧垃圾回收整合服務站,提供民眾24小時垃圾收集與資源回收服務。
圖/ 陳映璇攝影

資料來源:Techcrunch,GeekWire,21財經

延伸閱讀:
不用開會、沒有正職,Gumroad怎麼成為年收入3億元的一人公司?
成為「郭董」前的郭台銘靠什麼苦過創業?除了傳統3F金主,更該緊握這個信念

本文授權轉載自:創業小聚

責任編輯:傅珮晴、侯品如

往下滑看下一篇文章
AI NAS 何時才值得部署?QNAP 拆解地端 AI 的成本、算力與資料門檻
AI NAS 何時才值得部署?QNAP 拆解地端 AI 的成本、算力與資料門檻

當資料不能離開企業,運算就得靠近:AI 先改寫儲存架構

AI 帶來的第一個變化,不只是運算能力提高,而是企業必須重新決定資料放在哪裡。

儲存架構大致分為雲端與地端兩塊,QNAP 身為資料安全的守護者,長期發展的是地端網路儲存設備(NAS),並擴展至 25GbE、100GbE 高速網路交換器產品線,提供完整的儲存與高速網路基礎架構。威聯通科技(QNAP)總經理劉文義解釋,當資料因合規要求或敏感度不能上雲,就必須留在靠近使用者與應用的地方;運算需求一旦增加,承接資料的裝置也自然被推向地端 AI。

不能上雲的名單比想像中長。醫療業持有大量醫療個資,金融與保險業受到合規與法規限制,部分大學院校與設計公司也不希望資料被雲端存取。對這些組織而言,問題並不是雲端好不好用,而是一開始就沒有把核心資料全面上雲的選項。

qnap2.jpg
威聯通科技(QNAP)總經理暨威強電集團(IEI)董事長 劉文義
圖/ 數位時代

真正讓更多企業回頭計算的,則是長期成本。劉文義指出,資料上傳雲端可能免費,下載卻會按流量收費;當企業把一年、兩年、三年的費用加總回推,可能會發現,購買一台同等容量的 NAS,還能使用 7-10 年。資料規模愈大、存取愈頻繁,總持有成本的差距就愈值得評估。

這並不代表雲端與地端只能二選一。雲端仍適合模型訓練、程式開發與波動大的工作負載;地端則較適合高頻存取、對延遲敏感,或不能離開企業邊界的資料。企業真正要回答的,是每一類資料與任務應該放在哪裡。

依 QNAP 觀察,客戶過去關心的是需要幾 TB、幾 PB,或備份速度有多快;現在更常問的是,機器裡的資料要如何被 AI 活用。QNAP 也從 2021 年起,把公司發展定調在 AI 與高速網路的融合,試圖讓 NAS 從資料保存的位置,進一步成為資料被調用的位置。

當資料量持續擴大,搜尋與管理方式也會跟著改變。「在 NAS 裡放入 AI Agent 會越來越不可或缺。」劉文義舉例,當照片累積到 10 萬、20 萬張,要找出其中幾張特定畫面,已不可能只靠人工翻找。此時,能理解內容、接受自然語言指令的 AI 工具,會從加分功能逐漸變成必要條件。

從資料治理到地端推論:AI NAS 如何進入企業工作流?

AI NAS 不是「多了 AI 功能的 NAS」,而是 NAS 在企業工作流裡換了位置。
依 QNAP 觀察,目前客戶大致分布在一條導入光譜上。人數最多的一群,仍在把資料集中、分類、清理與建立權限。這一步看似與 AI 無關,卻決定後續系統能不能找到正確資料、辨識版本,並把答案交給有權限的人。

中間一群開始建置私有的檢索增強生成(RAG)知識庫。RAG 並不是重新訓練一個模型,而是在模型回答前,先從企業的 SOP、合約、法規或技術文件中取回相關內容,再產生附有來源依據的答案。QNAP 以 Qsirch 的語意搜尋能力協助建構這類應用,協助企業建立私有知識庫;而走在最前面的少數企業,則已經嘗試地端推論與 AI Agent。

模型的選擇權,QNAP 刻意留給客戶。知識庫背後採用哪一個模型,可由企業依需求決定,不綁定單一 AI 供應商。QNAP 也以 QuAgent AI 助理與模型情境協定(MCP)相關能力,讓管理者透過自然語言查詢狀態、調整設定,並讓 NAS 成為 AI Agent 可調用的資料節點。

不過,劉文義沒有把這條路說得太容易。他坦言,目前 NAS 硬體的 AI 運算能力仍有限。一般企業期待的應用,可能需要約 300 到 800 TOPS,甚至 1,000 TOPS,因此多數方案會以 NVIDIA 顯示卡補足算力;一張卡約需新台幣 10 萬至 12 萬元,一張算不完,就得配置 2 張或 4 張。

「整體成本可能是過去單獨一台 NAS 的 5 倍到 10 倍,並不是大部分中小企業都能接受。」除了硬體,使用者還需要 AI 應用的 Know-how、程式背景與開發資源,這些都是落地成本。

QNAP 則是透過算力分級讓各規模與需求的企業都可以有適合的解決方案。在 Computex 2026 搶先亮相的 QNAP AI NAS 中,一類是採用含有 iGPU 與專屬 NPU 的處理器平台,以一百多 TOPS 的範圍,可順暢使用 AI 應用程式;另一類機種則可安裝 1 張或 2 張 NVIDIA 顯示卡,處理更大的運算量。

同時 QNAP 也在軟體端也持續開發,目標是讓 NAS 裡的資料更有效率地被 AI 工具調用,讓資料成為有價值的知識。

從規格走到現場:能源公司如何導入私有 LLM?

本地 AI 實際落地部署會是什麼模樣?劉文義舉了一家約 50 多人的能源公司為例。這家公司原本想用 NAS 搭配雲端 AI 建置內部資料庫,但很快遇到兩個瓶頸:一是員工查詢時明顯出現卡頓;二是專利、技術與合約都高度敏感,高層不願上傳至公有雲,擔心機密資料會有外洩的疑慮。

後來,該公司導入 QNAP AI NAS 的旗艦機種 QAI-h1290FX,搭配顯示卡與全快閃 SSD,在地端部署私有大型語言模型,把數十年來封存的靜態檔案交給 AI 調用,進行跨檔案摘要與精準搜尋。員工因此省下翻找合約與報告的時間,核心機密也能留在企業內部。

這個案例說明,若任務範圍明確,有些應用不必動用雲端大型模型,地端運算量就可能足以支應。

但不同企業的資料量、查詢方式與模型大小不同,導入前仍需要概念驗證(POC)與技術人員評估。

而且,資料留在地端並不等於自動安全。企業仍要處理帳號權限、網路隔離、備份復原、漏洞修補與日常維運。地端的價值,是讓資料邊界與控制權回到企業手上;相對地,安全責任也會更直接地回到企業。

哪些企業現在該做,哪些再等?先看重複性與三個條件

能不能導入地端 AI,不只由產業標籤決定,也要看工作是否重複,以及場景能不能被清楚定義。劉文義觀察,第一批走進來的,除了受法規限制的醫療、金融與保險業,也包括利用地端 AI 加速資料處理的科技業,以及會計、律師等有大量重複文書工作的專業服務業,因為效益較容易被看見。

工廠也是可預期的場景。一條生產線可能有 10 台、20 台機器,每台處理與儲存資料的 Protocol 都不同,需要相對應的儲存裝置;生產過程累積的影像與紀錄可能要保存 3 年到 5 年。當企業要跨設備調用這些資料,AI Agent 與地端資料節點就有發揮空間。

「重複性資料處理越多,或重複性動作越多的產業,越容易透過導入 AI 提高工作效率。」反過來說,較傳統、人力密集,或仍高度依賴人工判斷的製造業,短期內未必能快速導入地端 AI。

依 QNAP 提供的資料,企業也可用「高頻、大量、敏感」三個條件做第一輪判斷:資料是否被頻繁調用?規模是否大到雲端傳輸與長期費用開始變得明顯?內容是否涉及個資、法規、智慧財產或商業機密?三個條件愈集中,地端部署愈值得評估;三者都不成立時,使用雲端 API 往往更簡單,也可能更划算。

可以先等的企業,大致也有三種。第一,資料仍分散、版本混亂、權限不清,急著上 AI 只會把混亂放大,先完成集中與治理,效率就可能先提升。第二,找不到一個具體且反覆發生的業務痛點,只因為「別人都在做」而採購,設備很可能變成昂貴的展示品。第三,使用量仍小、需求偶發,現階段雲端的彈性反而更有優勢。

因此,POC 不應只驗證「模型答不答得出來」,還要回答三個問題:資料由誰負責,誰可以存取?導入後能節省多少查找時間、傳輸成本或人工作業?正式上線後,誰負責資料、模型與資安維運?只有當效益與責任都能被量化,才適合從展示走向正式部署。

企業願意把部分資料留在自己的機房,動力最終仍回到資料主權。QNAP 的主要市場分布在歐洲、美洲與亞太,其中歐洲占比將近一半,而歐洲也正是全球推動資料主權的最大動力。

QNAP 的產品已取得 ISO 27001、ISO 27017 與 ISO 27018 等多項認證,並滿足 GDPR、HIPAA 等資料保護與法規遵循需求;累積至今,已售出約數百萬台裝置,協助企業打造智慧、安全的儲存方案。

至於普及時間點,劉文義提出一個明確的價格與效能交會點:地端應用若要順暢運作,運算量可能至少要達到 300 至 600 TOPS,甚至 800 TOPS,同時價格要落在新台幣 5 萬至 8 萬元。目前符合這些條件的硬體方案仍很有限。

qnap3.png
「AI NAS 不是多了 AI 功能,而是改寫了資料在工作流的位置。」威聯通科技總經理劉文義坦言,地端算力成本高昂,QNAP 透過「算力分級」與開放模型架構,助企業逐步建構私有 RAG 知識庫與 AI 團隊。
圖/ 數位時代

「預測約兩、三年後,應該很快會看到符合一般大眾期待、具備合理 CP 值的產品。那個時間點,就會是 AI 落地最蓬勃發展的時候。」在此之前,企業真正能先做的,不是搶著買最大的模型或最昂貴的顯示卡,而是把資料治理、使用權限與高價值場景準備好。

QNAP 以「資料煉油廠」比喻自己的角色:原油再多,沒有整理、提煉與配送的過程,也無法成為可用的能源。這個定位也點出地端 AI 的競賽條件——不是誰先買到算力,而是誰的資料先準備好被調用。模型會持續更換,但企業自己的資料層則會長期存在。

AI NAS 不是把模型塞進儲存設備,而是在資料必須留在企業內時,讓搜尋、推論與管理靠近資料的地端節點。

QNAP World Tour 2026 台北場將於 2026 年 9 月 18 日(五)舉行,現場將聚焦 AI 應用、儲存備份、網通產品、資安與監控,並安排 Live Demo,適合 IT 管理者、系統整合商與企業決策者參加。

活動地點:新板希爾頓酒店|如意 AB 廳

活動時間:09:20–16:00

地址:新北市板橋區民權路 88 號 2F

立即報名:https://bnex.tw/9f7my4

2026 QNAP 台灣企業資安韌性大調查,填問券抽好禮,倒數計時:https://www.surveycake.com/s/q4abw

登入數位時代會員

開啟專屬自己的主題內容,

每日推播重點文章

閱讀會員專屬文章

請先登入數位時代會員

看更多獨享內容

請先登入數位時代會員

開啟收藏文章功能,

請先登入數位時代會員

開啟訂閱文章分類功能,

請先登入數位時代會員

我還不是會員, 註冊去!
追蹤我們
台達電全解讀
© 2026 Business Next Media Corp. All Rights Reserved. 本網站內容未經允許,不得轉載。
106 台北市大安區光復南路102號9樓