How AI Helps Recyclers Turn Mixed Waste Into Reusable Material

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

NVIDIA Inception 참여 기업 AIRECO, EverestLabs AI, Greyparrot, reverse.fashion은 비전 AI와 로봇으로 혼합 폐기물의 식별·선별을 개선해 재활용과 재사용의 경제성을 높이고 있다.

📌 핵심 요약

• 튀르키예 COP31의 제로 웨이스트 의제와 관련해, 기사는 세계 경제에 투입되는 재료 중 재활용·재사용 원료가 7% 미만이고 연간 도시 고형폐기물이 20억 톤을 넘으며 2050년에는 거의 두 배로 늘어날 수 있다고 설명한다.
• 대만 AIRECO는 NVIDIA Jetson Orin NX 기반 비전 AI와 로봇으로 플라스틱을 정밀 선별하며 시험 라인에서 95%를 넘는 인식 정확도를 기록했다. 2027년 계획된 본격 생산 라인에서는 연간 폐기물 처리량을 18,000톤에서 48,000톤으로 늘리고 운영비를 85% 줄이는 것이 목표다.
• EverestLabs AI는 북미와 호주에 약 150대의 선별 로봇을 배치했으며, NVIDIA RTX GPU로 현장 추론을 수행한다. 회사 추산으로 누적 약 400억 개 물체를 식별하고 약 25,000톤을 재활용했으며 약 30,000톤의 이산화탄소 배출을 회피했다.
• Greyparrot은 20개국 이상에서 300대가 넘는 Analyzer를 운영하며 누적 1조 회 이상의 경계 상자 탐지를 수행했다. 폐기물 15톤 검사 시간을 375시간에서 6시간으로 줄였고, 사용 시설들은 효율이 10~30% 개선됐다고 보고했으며 Amcor에서는 식품용 등급 플라스틱 수율이 12% 증가했다.
• 유럽에서 연간 발생하는 약 700만 톤의 사용된 섬유 중 약 4분의 1만 별도 수거돼 수작업으로 분류된다. 베를린의 reverse.fashion은 고해상도 비전 AI로 의류의 결함과 특성 등을 판별하며, 초속 3미터로 이동하는 섬유에 NVIDIA TensorRT로 최적화한 12개가 넘는 모델을 적용한다. 공동창업자 추산으로 기존 일주일 분량의 선별을 한 시간에 처리하며 유럽 시설에 도입 중이다.

🧩 주요 포인트

1. AIRECO의 정밀 선별은 병을 다시 병으로 만드는 폐쇄형 재활용을 지원한다 → 재생 플라스틱이 신재와 경쟁하려면 선별 정확도뿐 아니라 비용과 품질을 함께 개선해야 한다.
2. EverestLabs AI의 로봇과 Greyparrot의 Analyzer는 이동 중인 폐기물을 실시간으로 식별한다 → 빠른 선별과 폐기물 구성 데이터가 회수 작업 및 시설 운영 개선으로 연결된다.
3. reverse.fashion은 작은 결함까지 판별해 의류를 가장 가치 있는 범주에 배정한다 → 처리 속도와 함께 재사용 가능한 의류의 품질·가치를 구분하는 능력이 중요하다.

🧠 상세 정리

1. 순환경제의 과제와 AI 선별의 역할

2026년 11월 10일 게재된 기사는 튀르키예 COP31의 제로 웨이스트 강조를 계기로, 제품과 재료를 더 오래 사용하는 방법을 조명한다. 세계 경제에 투입되는 재료 가운데 재활용되거나 재사용된 원료는 7% 미만이며, 연간 도시 고형폐기물 발생량은 20억 톤을 넘고 2050년에는 거의 두 배로 늘어날 수 있다고 설명한다. NVIDIA의 지속가능성 책임자 Josh Parker는 AI가 폐기물의 구성을 파악하고 회수 가능한 재료를 식별하며 선별 작업을 자동화하는 데 도움을 줄 수 있다고 말한다. 기사는 이러한 접근을 구현하는 NVIDIA Inception 참여 스타트업 네 곳을 소개하며, 플라스틱과 가정용 재활용품, 사용된 의류에서 가치 있는 자원을 회수하는 사례로 논의를 이어간다.

2. AIRECO: 정밀 선별로 플라스틱의 재활용 가치 개선

재생 플라스틱이 사용되려면 가격과 품질이 신재와 경쟁할 수 있어야 하지만, 유입 폐기물의 불균일한 품질과 구하기 어려운 수작업 인력, 혼합 폐기물의 저급 제품 전환이 장애물로 제시된다. 대만 스타트업 AIRECO는 비전 AI로 플라스틱을 더 세밀하게 구분해, 사용한 제품을 같은 종류의 새 제품으로 되돌리는 폐쇄형 재활용을 지원하려 한다. 창업자이자 CEO인 Chun-Feng Liu는 선별이 정밀할수록 병을 다시 병으로 만드는 순환을 유지할 가능성이 높아진다고 설명한다. 타이난 재활용 공장의 시험 라인에서는 NVIDIA Jetson Orin NX가 추론과 컨베이어 위 목표물을 집는 로봇 팔 구동 등에 사용되며, 인식 정확도는 95%를 넘는다. 기사 기준 내년인 2027년 계획된 본격 생산 라인에서는 연간 처리량을 18,000톤에서 48,000톤으로 늘리고 운영비를 85% 줄이는 것이 목표이며, 이는 아직 달성 실적이 아닌 계획이다.

3. EverestLabs AI: 빠른 컨베이어에 맞춘 로봇 선별

가정에서 배출된 재활용품을 분리하는 자원회수시설에서는 컨베이어가 빠르게 움직이므로 물체 식별과 선별을 실시간으로 수행해야 한다. 미국 스타트업 EverestLabs AI는 컴퓨터 비전으로 유도하는 로봇을 북미와 호주 시설에 약 150대 배치했으며, CEO R. Paul Singh는 재료가 지나가기 전에 동작을 끝내야 하는 시간 제약을 강조한다. 회사는 현장의 NVIDIA RTX GPU에서 추론을 수행하고 NVIDIA 데이터센터 GPU에서 모델을 학습하며 NVIDIA CUDA를 활용해 최적화한다. 회사 추산에 따르면 배치된 시스템은 지금까지 약 400억 개 물체를 식별하고 약 25,000톤의 재료를 재활용했으며 약 30,000톤의 이산화탄소 배출을 회피했다. 팀은 재료 종류·브랜드·포장 메타데이터를 수집하면서 분류와 집기 성능을 개선하고 있으며, 시설 관리자와 여러 시설을 담당하는 경영진에게 실행 가능한 정보를 제공하는 에이전트형 AI 도구를 공급하고 인접 산업으로의 확대도 모색하고 있다.

4. Greyparrot: 작은 표본을 넘어 폐기물 흐름 관찰

기사는 재활용 시설이 하루 수만 톤의 폐기물을 처리할 수 있음에도, 운영자가 컨베이어 위 내용물을 판단할 때는 오랫동안 전체의 1% 미만을 수작업으로 표본 검사했다고 설명한다. 영국 스타트업 Greyparrot의 Analyzer는 컨베이어 위에 설치돼 지나가는 물체의 재료와 브랜드를 식별하며, 먼지가 많거나 조명이 어두운 환경에서도 초속 최대 4미터로 움직이는 벨트를 분석한다. 공동창업자 Ambarish Mitra는 폐기물 구성이 시간대와 계절, 공급자에 따라 달라지므로 작은 표본에 의존한 추정에서 실제 흐름을 관찰하는 방식으로 전환하는 것이 중요하다고 설명한다. Greyparrot은 NVIDIA GPU로 수십억 개 물체를 학습하고 NVIDIA Jetson 모듈로 현장에서 신속하게 탐지한다. 20개국 이상에서 운영되는 300대가 넘는 Analyzer는 누적 1조 회 이상의 경계 상자 탐지를 수행했으며, 폐기물 15톤을 검사하는 데 필요한 시간을 375시간에서 6시간으로 줄였다.

5. Greyparrot 데이터의 시설 운영·포장재 활용

Greyparrot 사례는 폐기물 식별 결과를 실제 운영과 포장재 평가에 활용하는 단계로 이어진다. Analyzer의 실시간 데이터를 사용하는 시설들은 효율이 10~30% 개선됐다고 보고하며, 이는 해당 시설들이 보고한 성과로 제시된다. 글로벌 포장재 기업 Amcor에서는 이 솔루션이 식품용 등급 플라스틱 수율을 12% 높이는 데 기여했다고 기사는 설명한다. Coca-Cola, Colgate-Palmolive, Kenvue도 실제 선별 시설에서 자사 포장재가 어떻게 재활용되는지 측정하는 데 Greyparrot 기술을 사용한다. 이 사례에서 폐기물 구성과 브랜드를 식별하는 기능은 선별 현장의 상태 파악뿐 아니라, 포장재가 실제 재활용 과정에서 어떻게 처리되는지 확인하는 용도로도 쓰인다.

6. reverse.fashion: 의류의 작은 결함과 재사용 가치 판별

유럽에서는 해마다 약 700만 톤의 사용된 섬유가 발생하며, 약 4분의 1이 별도 수거돼 빈티지 재판매부터 가구 충전재나 청소용 천으로의 전환까지 수백 개 범주로 수작업 분류된다. 베를린 스타트업 reverse.fashion은 느리고 비용이 많이 들며 인력을 구하기 어려운 이 작업을 자동화하기 위해, 제품 종류·결함·색상·크기·브랜드·원단 구조·계절·스타일을 식별해 각 의류를 가장 가치 있는 범주에 배정한다. 공동창업자이자 CTO인 Karsten Pufahl은 의류의 품질과 잠재 가치를 판단하려면 작은 결함도 찾아야 하므로 일반적인 폐기물 선별보다 높은 해상도가 필요하다고 설명한다. 초속 3미터로 이동하는 각 섬유는 NVIDIA TensorRT로 최적화되고 현장의 NVIDIA Jetson 모듈에서 실행되는 12개가 넘는 비전 AI 모델을 거치며, 모델 학습에는 워크스테이션과 클라우드의 NVIDIA GPU가 사용된다. Pufahl의 추산에 따르면 기존에 일주일이 걸리던 분량을 한 시간에 선별하며, 시스템은 현재 유럽 시설에 도입되고 있다.

🧾 핵심 주장 / 시사점

• 재활용의 경제성은 회수량만으로 결정되지 않는다. AIRECO 사례는 정밀 선별을 통해 재료의 품질과 후속 재활용 가능성을 높이는 것이 중요하다는 관점을 보여준다.
• 비전 AI의 역할은 로봇의 물체 집기를 넘어선다. EverestLabs AI와 Greyparrot은 재료·브랜드·포장 정보를 운영과 재활용 현황 파악에 활용한다.
• 성과 수치는 근거와 진행 단계에 따라 구분할 필요가 있다. AIRECO의 처리량·운영비 개선은 목표이고, EverestLabs AI의 누적 성과와 reverse.fashion의 시간 단축은 추산이며, Greyparrot의 효율 개선은 사용 시설의 보고다.

✅ 액션 아이템

• AIRECO의 2027년 연간 처리량 48,000톤·운영비 85% 절감 목표의 달성 여부를 확인한다.
• Greyparrot 사용 시설의 효율 10~30% 개선과 Amcor의 식품용 등급 플라스틱 수율 12% 증가를 재활용 운영 개선 사례로 검토한다.
• reverse.fashion의 일주일 분량을 한 시간에 처리한다는 추산과 의류의 품질·가치 판별 성능을 함께 살핀다.

❓ 열린 질문

• AIRECO는 2027년 본격 생산 라인에서 연간 처리량 48,000톤과 운영비 85% 절감 목표를 달성할 수 있을까?
• Greyparrot 사용 시설에서 보고된 효율 10~30% 개선 폭은 어떤 조건에 따라 달라질까?
• reverse.fashion이 유럽 시설에 도입되면서도 일주일 분량을 한 시간에 처리하는 속도와 작은 결함을 판별하는 능력을 함께 유지할 수 있을까?