回收行业长期运行在一个令人难以置信的悖论之中：分拣设施里的传送带以每秒数米的速度奔涌着塑料、金属、纸张，但操作员对这条洪流中究竟裹挟着什么的认知，往往依赖每月仅有一次的手工抽样。当佩尤慈善信托基金和Systemiq的研究指出每年有800亿至1200亿美元的塑料价值在全球线性经济中被白白耗散时，这个行业最深层的结构性障碍浮出水面：你无法管理你无法测量的东西。

一家伦敦初创企业正在试图填平这道测量鸿沟。在回收设施的传送带上方，名为Analyzer的AI摄像系统正以实时计算机视觉扫描每一个闪过的物体，将废弃塑料瓶、易拉罐、品牌包装转化为可审计的数据流。这套系统背后，是AI废物智能公司Greyparrot——它刚刚宣布完成了一笔2700万美元的B轮融资，由科技投资人Omar Mir领投，使公司累计融资额达到6000万美元。在创始人Mikela Druckman和Ambarish Mitra的叙事中，垃圾处理这个古老的行当，第一次有望被一比特一比特地变成可测量、可交易的基础设施。

字段 内容
公司 Greyparrot
轮次 B轮
金额 2700万美元（另有报道为2030万英镑或2300万欧元）
投资方 Omar Mir（领投）
总部 英国伦敦
创始人 Mikela Druckman（CEO）、Ambarish Mitra
官网 https://greyparrot.ai

一、1万亿次检测：一个数据集如何成为废物行业的“卫星影像”

Greyparrot并非第一个尝试用传感器和AI改进分拣效率的公司。光学分选机在回收设施中已有数十年历史，这些机器通过近红外或多光谱传感器识别聚合物类型，并以高压气流将特定物料吹离主传送带。但这些系统是执行者，而非记录者——它们会把一个PET瓶弹向正确的流道，但不会告诉你这是可口可乐还是农夫山泉的瓶子，更不会将这些信息跨设施、跨时间地汇聚成可供审计和追溯的数据集。

Greyparrot不替代光学分选机。它的Analyzer摄像系统独立悬挂在传送带上方，以俯视视角拍摄通过的每一个物体。联合创始人Mitra将这套系统的意义类比为“卫星数据之于导航”——这一比喻的核心洞见在于：当废物行业此前只有零星的地面侦察（手工抽样）和少数几个执行大类的粗略归类（分选机的物理动作）时，Greyparrot试图提供的是持续覆盖的“卫星视图”，它能识别材料类型、产品形态乃至具体品牌。公司披露，Analyzer已在超过20个国家的回收设施中部署，其AI平台累计检测的废物对象已突破1万亿个。需要注意的是，公司同时提及在2025年一年内分析了超过520亿个废物对象，这与1万亿次检测为不同统计口径：前者为单一年度的检测量，后者为公司自成立以来的累计检测总量。

这个数据集的构成开始揭示此前被系统性忽略的图景：公司宣称已识别的PET瓶达174亿个，铝制品达42亿件——铝能以比原铝生产降低95%能耗的方式进行回收，但在没有精确识别和追踪的情况下，大量铝罐随着混合废物流向填埋或焚烧。Greyparrot声称，其平台迄今已识别出估计25亿美元的可回收价值。

对行业而言，从每月一次的人工抽样到实时逐件的视觉识别，不是效率的量变，而是信息颗粒度的质变。但需要明确的是，这25亿美元是已识别的材料在理论上的上限价值，并非Greyparrot或其客户已经实际变现的收入。从识别到变现所依赖的，不仅仅是更清晰的测量，还包括标准化的数据格式、为次级材料定价的交易机制，以及一个目前仍在萌芽中的次级材料流动性市场。

二、当监管将“测量”从可选项变成必选项：EPR推开了一扇门

如果仅仅作为提升分拣效率的辅助工具，Greyparrot的市场天花板会受限于回收设施微薄的运营利润和行业整体的技术采购保守性。真正可能改写竞争规则的事件来自监管端：Extended Producer Responsibility（EPR，生产者延伸责任）制度正在欧美快速铺开。

在美国，已有七个州通过了包装领域的EPR法案。这些法案要求品牌商——而非仅由市政或废物处理商——为产品包装的报废处理付费，而费率预计将与包装的可回收性和实际回收率挂钩。在大西洋对岸，欧盟的《包装与包装废弃物法规》（PPWR）同样在收紧对包装材料回收成分和实际回收绩效的披露要求。监管框架正在从“鼓励报告”转向“强制审计”。

Greyparrot迎来了一个事实上的里程碑：英国环境署在其2026年第一季度的合规报告中，首次接受了由AI生成（而非人工取样）的废物组成数据，提交方正是Greyparrot的客户Biffa和FCC。这对整个行业意味着一个信号——监管机构不再将机器视觉视为实验性的补充工具，而是可以将之认定为法定合规的审计证据来源。

这一变化将Greyparrot从“操作优化辅助工具”重新定位为“合规基础设施”。联合利华、欧莱雅、Kenvue等品牌商已经使用Greyparrot的Deepnest数据分析平台，来理解其包装在丢弃后的真实流向，并为其在EPR制度和PPWR下可能面临的费用风险建模。在这一监管驱动的需求叠加下，品牌客户愿意为废物数据付费的意愿可能远超回收设施运营商的单站预算上限。

三、从一个站点省200万美元到1万亿次检测：效率账本的另一面

Greyparrot将其价值主张锚定在两个层面：为回收设施运营商提升分拣效率和纯度，为品牌商和监管机构提供审计级数据。前者是当前现金流的来源，后者是未来估值的想象空间。

在运营层面，公司提供了令人印象深刻的效率数据。据Recycling Today报道，使用其验证数据的设施实现了10%到30%的效率提升，其中一个站点在一年内通过综合产量和效率改善节省了超过200万美元。联合创始人Mitra解释，他们的系统采用整体设备效率（OEE）框架来衡量回收设施的表现，同时追踪“应得产量”——即理论上应该被回收的目标材料中有多少实际被捕获，多少流失到了残渣线或拒绝线。系统能识别“黑带”时期——传送带空转或物料流失的故障区间——并诊断损失源于设备可用性、分拣性能还是上游来料问题。

然而，回收设施的财务结构决定了它们为数据系统付费的意愿和天花板。全球废物管理是一个低利润、高体量的行业，分拣设施通常以每吨处理费作为收入来源，成本的微小波动直接影响利润。这意味着在商业推广中，Greyparrot必须在每个站点证明其硬件和软件订阅成本能在短期（通常不超过12-18个月）内通过材料回收率的提升或污染扣减的降低来收回。10%至30%的效率提升令人印象深刻，但这一区间本身反映了不同设施来料复杂性、管理水平和设备状态的巨大差异——而对某些老旧的、来料极度混杂的设施而言，数据本身的价值可能被既有机械分拣能力的瓶颈所限制。

事实上，Greyparrot作为第三方监控层，不直接控制分拣动作，其数据改善效率的路径依赖于设施管理者能否、愿意以及多快地根据数据调整分选机参数、维护计划乃至来料管理策略。这构成了该公司商业模型中的一个关键杠杆落差：数据质量归属于Greyparrot，但决策质量属于客户一端。

四、从数据层到交易所：衡量价值与实现价值之间还缺什么

Mitra在融资公告中的核心陈述足够清晰：“一旦你能够测量一种材料，你就可以交易它，投资它。那时循环经济就不再是一个雄心壮志，而是基础设施。”这句话隐含的商业逻辑是，Greyparrot希望成为次级材料市场的“彭博终端”——即提供定价所依赖的底层数据流。

但这里存在一个根本性的鸿沟。金融资产市场之所以能围绕数据形成流动性，是因为股票、债券、外汇的标的物早已被标准化，数据的作用是发现价格。而在废物领域，问题恰恰相反：次级材料的标准化程度极低。一捆来自伦敦的PET瓶片和一捆来自曼谷的，可能在纯度、颜色分选精度、残留标签率上截然不同，而目前还没有一个跨设施、跨国家被普遍接受的次级材料评级标准。Greyparrot提供的是大量此前缺失的输入数据，但数据的出现不等同于标准的形成，更不等同于交易的发生。

其次，目前全球范围内并未出现一个流动性充裕的次级材料商品交易所。绝大多数回收材料通过双边长期合同出售，定价基于有限采样和买卖双方信任而非实时数据。要建立一个基于数据的、可投资的二级材料资产类别，除了检测端，还需要独立验证机构、远期合约市场、交割标准，乃至金融机构愿意为其提供商品融资。这些条件的任一个，都远非一家2700万美元B轮初创公司在短期内能够推动的。

在这个意义上，Greyparrot的战略赌注并非“从数据到交易”是一条直线，而是一条需要整个制度环境协同演化的长链。它目前处在链条的第一节点——测量。若下游标准化和交易机制未能及时建立，其数据的价值将长期停留在合规报告和排序优化层面，而无法解缚Mitra所描述的那种作为金融基础设施的潜能。

五、Omar Mir单枪领投B轮：投资人下注的是数据集护城河，而非硬件网络

本轮融资的结构有些特殊：领投方仅列出了一位科技投资人Omar Mir，而未出现传统风投机构的名字。对于一笔2700万美元的B轮扩张融资，这在结构上相对罕见。尽管公开材料未披露Mir的投资载体或其个人出资与LP出资的构成，单人领投通常意味着投资人对该赛道的独立判断权重极高，或是公司选择避免在当前轮次稀释过于分散的股权结构，但不排除有其他跟投方未被披露的可能。

从可用信息推断，这笔投资的核心逻辑并非押注一台更聪明的分拣相机，而是在押注一个事实：Greyparrot已经在全球20余国部署的设施中，持续积累了迄今最大规模的、经过标注的真实世界废物图像数据集。1万亿次检测，意味着超过1万亿次的标注训练数据增量。在AI领域，特别是在计算机视觉的垂直行业应用中，经过工业环境验证的、海量的专有训练数据是比算法本身更难复制的壁垒。任何后来者可以在几个月内制造出类似规格的摄像头，但难以复现一个在50个不同回收设施的恶劣光照、遮蔽、高速运动条件下积累数年、跨越上百种废物类别的训练集。

Greyparrot计划将本轮资金用于扩大Analyzer的地域覆盖、扩充数据集、并加大在北美与欧洲的AI、数据科学和产品团队招募——目标是在2030年前帮助减少超过100万吨废物。这暗示公司将2026至2028年视为市场窗口期：在EPR法规在欧洲全面执行、美国各州陆续立法带来的合规需求爆发前，尽可能扩大部署基数以进一步拉大数据集领先优势。

六、但废物数据的“最后一公里”不在视觉算法里

即便一切技术部署和监管趋势照预期演进，Greyparrot面前仍横亘着几个待验证的假设。

其一是跨市场复用的障碍。废物组成在不同国家、城市乃至季节之间差异极大。一个在德国包装废弃物分拣线上的AI模型，是否能在印度露天分拣站的混合来料上保持同等识别精度，一个在美国MRF（物料回收设施）上训练的模型能否理解巴西街边回收系统中完全不同的材料组合，这些问题在技术上并非不可解，但要求大规模、本地化的数据积累和模型重训练——这对成本结构和扩张速度构成张力。

其二是硬件部署成本与客户生命周期价值的匹配问题。公司尚未公开披露其盈利模式是买断式硬件加年度软件授权、纯SaaS订阅、还是按检测数量收费。在没有确切披露的情况下，外界只能观察到：对回收设施而言，如果Greyparrot的单站年成本与该站的效率提升收益之间能形成正向回报，扩张将是顺畅的；而对品牌商而言，Deepnest平台的付费意愿更多与法规压力而非运营损益相关，这使该部分收入的增长节奏高度依赖政策节奏而非公司自身的销售效率。

其三是“数据即基础设施”叙事的最大考验：如果废物数据是循环经济这座大厦的基石，那么到目前为止，能够并愿意为这些数据付费的主体仍然集中在两类——需要合规的品牌商和少数运营精良的大型废物管理公司。WM、Veolia、Biffa等名单上的客户是整个行业中最有技术和资本实力的头部玩家。如何将产品版“跨过鸿沟”扩展到更广袤的中小回收设施市场，Greyparrot还没有拿出明确的路线图。

其四是竞争态势的不确定性。计算机视觉废物分析是一个正在形成中的全球化市场，当竞争清晰化时，Greyparrot是否能够在纯粹的数据分析价值之外构建足够深的硬件-数据-客户工作流三重锁定，将决定其壁垒的厚度。

从整个融资格局看，Greyparrot的2700万美元B轮所代表的，不是一家回收行业供应商的常规扩张，而是一次对循环经济基础设施层的早期资本占位。它在市场教育、监管采纳和数据集构建三个维度上暂时领先，但这领先从检测数据走向可交易的资产量这一漫长链条上，仅仅行走完了第一段。

RecodeX 极客视：废物行业的深层困境从来不是分拣技术，而是产品包装从设计到废弃，全链条上没有人在意它“死后”的数据。Greyparrot做成了废物界的“卫星成像系统”，将每日数亿次丢弃行为从盲区中拎上了仪表盘。但测量不等于市场，1万亿次的检测数据也可能只是更精密地记录了损失的规模，除非品牌商、回收商、交易机构在数据之上共同建立一个新的定价与交付体系。而那个体系，不会由一家初创公司独自建成。