Glacier
回收廠裡的 AI 分揀機器人，順便把垃圾流變成可分析的資料
Glacier 做的是回收廠（MRF，物料回收設施）裡的 AI 分揀機器人。機械手臂搭配電腦視覺，在輸送帶上把塑膠、軟膜、紙類、紙板與金屬挑出來——但他們強調的另一半價值是資料：系統同時記錄「這條輸送帶上到底流過什麼東西」，這是回收產業長期缺乏的洞察。
功能特色與適用場景
回收廠的現實比多數人想像的糟糕：分揀大量依賴人工站在輸送帶旁邊撿，工作環境惡劣、流動率極高、招不到人；而且沒有人知道整廠的物料組成到底是什麼比例，因為從來沒有人有辦法逐件統計。Glacier 的機器人解決前者，item-level（逐件）的即時儀表板解決後者——當你知道進來的料裡有多少比例是某類包裝，你才有辦法跟品牌商談，或者調整整廠的配置。官網表示他們的 AI 模型是用數十億張真實回收影像訓練的。Glacier 與 AMP、Greyparrot 同列 Time 雜誌 2025 年百大創新名單，是這個賽道近年最受矚目的新創之一。
適合物料回收設施營運商、廢棄物處理業者，以及需要追蹤包裝回收流向的品牌商。台灣的回收體系跟美國結構差異不小——我們有相對完善的四合一回收制度與人工分類習慣，MRF 的自動化需求形態不同。但「分揀人力找不到」這件事在台灣同樣真實，而且延伸生產者責任（EPR）的趨勢會讓「包裝到底回收到哪去了」這種資料需求愈來愈強。
主要功能
- AI 視覺結合機器手臂，於輸送帶上自動分揀回收物
- 可分揀塑膠、軟膜、軟性包裝、紙類、紙板與金屬
- AI 模型以數十億張真實回收場景影像訓練
- 逐件（item-level）即時資料儀表板，掌握物料組成
- 回收廠營運分析與產出品質追蹤
- 以較低成本提升物料回收率為訴求
常見用途
- 物料回收設施的自動化分揀，補足人力缺口
- 軟膜與軟性包裝等難分揀材質的回收
- 回收物料組成的逐件統計與趨勢分析
- 品牌商的包裝回收流向追蹤與 EPR 責任佐證
- 回收廠產出品質的即時監控
TheAI學院 編輯建議
編輯實測後的真心話總編輯的話：回收廠是那種所有人都覺得很重要、但沒人想進去工作的地方。我看過 MRF 的作業影片，人站在高速輸送帶旁邊八小時徒手撿垃圾，那個流動率高得驚人一點都不意外。Glacier 這類公司真正的價值我覺得是第二層——它讓「我們到底回收了什麼」第一次變成可以量化的數字。台灣要推 EPR、要跟品牌商談包裝責任，缺的就是這種資料。
主要功能
- AI 視覺結合機器手臂，於輸送帶上自動分揀回收物
- 可分揀塑膠、軟膜、軟性包裝、紙類、紙板與金屬
- AI 模型以數十億張真實回收場景影像訓練
- 逐件（item-level）即時資料儀表板，掌握物料組成
- 回收廠營運分析與產出品質追蹤
- 以較低成本提升物料回收率為訴求
適用場景
- 物料回收設施的自動化分揀，補足人力缺口
- 軟膜與軟性包裝等難分揀材質的回收
- 回收物料組成的逐件統計與趨勢分析
- 品牌商的包裝回收流向追蹤與 EPR 責任佐證
- 回收廠產出品質的即時監控
Glacier 的優點與缺點
優點
- 同時解決人力短缺與資料黑洞兩個問題，價值不只在自動化
- 軟膜與軟性包裝的分揀是產業難題，能處理這類材質是實質優勢
- 逐件資料對品牌商的 EPR 責任與循環經濟報告有真實用途
- 入選 Time 百大創新，技術獲得產業外的認可
缺點
- 屬重資產設備投資，回收廠需要相當的資本支出與空間改造
- 美國 MRF 的產線結構與台灣回收體系差異大，直接移植不見得適用
- 未公開定價
- 官網未明確標示公司總部地址等基本資訊
Glacier 常見問題
跟 AMP、Greyparrot 差在哪？
三家都在做回收 AI，路線略有不同。Greyparrot 專注在「分析」——用視覺做廢棄物組成分析，不一定自己動手分揀；AMP 與 Glacier 則都做實體分揀機器人。Glacier 強調機器人與資料儀表板的結合，且在軟膜等難處理材質上有著墨。
台灣的回收廠用得上嗎？
需求形態不同。台灣的四合一回收制度讓源頭分類做得比美國好，MRF 的混合料問題沒那麼嚴重。但分揀人力短缺是共同的，而且 EPR 趨勢下的資料需求會成長。建議先看的是資料能力而非分揀能力。
機器人分得比人準嗎？
在特定材質與穩定的輸送帶條件下，機器人的一致性優於疲勞的人工——它不會在第八小時開始漏撿。但面對嚴重污染、纏繞或高度混雜的物料，人的判斷仍然較靈活。實務上多半是人機協作而非完全取代。
使用者評價
還沒有足夠評價，搶先分享你的使用心得！
寫下你的評價
Glacier 的替代方案
查看相似的 AI 工具 →相關 AI 工具
猜你也想看的AI 農業與氣候
更多美國的 AI 工具
同樣來自美國的 AI 工具，一起看看。