塑料与建筑与拆除(C&D)废物的不当分类导致碳密集型处置并降低资源流价值，阻碍高质量回收。尽管人工智能(AI)与机器学习技术日益应用于优化废物管理，多数研究聚焦于运营效率或经济效益，生命周期评价(LCA)的整合仍有限。本研究通过开展AI驱动机器人分拣系统的LCA填补这一知识空白。结果表明，虽然机器人基础设施对塑料废物影响的贡献率为18.1%，对C&D废物影响的贡献率为19.2%，但其效率带来了显著的净效益。与基于未分类废物管理的基准情景相比，该系统通过将塑料回收率提升至60%、C&D回收率提升至85%，有效抵消了其制造足迹，从而将废物从高热值焚烧、填埋和生活垃圾管理中转移。此外，评价证实末端处理(EoL)仍是主要环境驱动因素。在塑料情景中，气候变化(CC)是最受影响的类别(11.7 µPt)，仅焚烧就贡献了10.1 µPt。对于C&D废物，环境特征由城市废物处理主导，尤其是非致癌性人类毒性(HTnc)(2.79 µPt)，其中城市废物处理贡献了2.71 µPt。此外，CC影响(2.25 µPt)显著受焚烧和输入废物运输的共同影响。敏感性分析显示，更长的设备寿命、更高的吞吐量和更高的回收率可显著降低环境负担，而可再生能源的使用和更短的运输距离则进一步提升性能。总体而言，整合AI与机器人技术展现出提升材料回收率、减少排放并支持循环经济战略以实现更可持续废物管理系统的强大潜力。
该研究针对塑料与建筑与拆除(C&D)废物管理面临的分类效率低下、资源流失及高碳排放困境，指出传统分拣技术受限于成本、劳动强度及对复杂废物流的处理瓶颈，而现有AI在废物管理中的应用多聚焦于物流优化，缺乏对其环境可持续性的全生命周期量化评估。为此，研究人员依据国际标准ISO 14040与ISO 14044，构建了针对AI驱动机器人分拣系统的生命周期评价(LCA)框架，选取功能单位为“处理1 kg废物”，采用gate-to-grave系统边界并遵循零负担原则，旨在量化该技术在提升回收率、降低环境负荷方面的净效益，验证其对循环经济转型的支持作用，相关成果发表于《Environmental Technology》。
研究采用的关键技术方法包括：依托欧洲MAELSTROM与RECONMATIC项目，分别针对海洋塑料垃圾与C&D废物开发AI分拣模型；硬件集成近红外(NIR)传感器、3D视觉相机与Omron Quattro机械臂，塑料识别采用线性判别分析(LDA)算法，C&D识别采用像素级一维深度学习模型；基于SimaPro 10.2软件与Ecoinvent 3.11数据库，采用环境足迹(EF) 3.1方法与累积能量需求(CED)方法进行影响评价；设置基准情景与AI分拣情景进行对比，并通过设备寿命、吞吐量、能源结构、运输距离及回收率的敏感性分析验证结果稳健性。
研究结果如下：
2.1 总体环境影响
AI分拣系统自身制造与运营阶段的环境占比分别为塑料情景18.1%、C&D情景22.6%，末端处理是绝对主导因素。塑料情景中焚烧贡献了90%以上的气候变化(CC)影响；C&D情景中城市固体废物处理的非致癌性人类毒性(HTnc)影响最为突出。
2.2 塑料废物
焚烧在15个影响类别中的11个占比超过65%，是主要热点，其高影响源于塑料聚合物燃烧释放化石CO2及重金属污染物。机器人制造阶段主要驱动矿产资源消耗(RUM)与化石资源消耗(RUF)，源于电子元件所需的高纯度金属提取。运输阶段主要影响颗粒物形成(PM)与土地利用(LU)，与柴油消耗及道路基础设施相关。
2.3 建筑与拆除(C&D)废物
城市固体废物处理虽仅占处理量的3%，却贡献了近30%的环境负荷，尤其在HTnc类别中占主导地位。机器人制造同样是第二大影响源，其环境特征与塑料情景一致，受钢铁生产与电子元件供应链驱动。
2.4 机器人系统制造
输送带系统是制造阶段最大的环境贡献者，占总制造影响的77.9%，源于大规模钢材生产与电子元件集成。机器人分拣单元则在RUM类别中贡献显著，反映其高技术密度的资源依赖特征。
2.5 敏感性分析
单件重量增加、分拣速率提升及设备寿命延长均能通过“稀释效应”显著降低单位废物处理的环境强度。能源结构变化对总影响贡献微小（约1%），但在RUF与CEDnr类别中可再生电力可降低化石燃料依赖，同时带来水资源消耗与矿物消耗的“负担转移”。运输距离增加对C&D废物影响更为显著。提高回收率是降低全周期影响的最有效途径，塑料回收率从38%提升至70%、C&D回收率从70%提升至90%均带来线性环境收益。
2.6 情景比较
相较于基准情景，AI分拣使塑料情景在多数类别实现最高32.5%的减排，C&D情景在12个类别实现最高39.7%的减排。混合处理厂情景表现出介于两者之间的环境特征，验证了设施多功能化的可行性。
讨论与结论部分指出，AI机器人分拣系统的环境效益远超其基础设施带来的额外负担，其核心贡献在于通过提升分拣精度将废物从高影响的焚烧与填埋转向回收利用，促进闭环物质循环。研究确认末端处理优化是实现减碳的关键，而延长设备寿命与提升运营效率是降低技术本身环境足迹的主要杠杆。尽管当前评估未包含AI训练能耗与安装阶段，且部分数据采用代理值，但这不影响核心结论的稳健性。未来的研究应结合技术经济分析(TEA)与社会生命周期评价(SLCA)，并拓展至电子废物与纺织物等更复杂的废物流，以全面验证该技术在工业层面的适应性与可持续性。
