她花了六年，教机器人捡垃圾

垃圾分拣，大概是机器人行业里最不受待见、却最接近刚需的场景之一。Danu Robotics创始人Amy Ma在这件事上熬了六年。六年里，人形机器人融资轮番上头条，而她还在 conveyor belt（传送带）边上调试吸盘和视觉算法。这不是故事的反差萌，而是一个被严重低估的判断：在具身智能寻找落地的当下，垃圾分拣可能是少数'现在就能算得过账'的场景之一。本文拆解三件事——为什么捡垃圾比抓零件难、分拣厂的账本怎么算、以及这门生意真正的门槛在哪。

🔍 捡垃圾，机器人行业的'脏活'

每一条垃圾分拣线上，都站着一群不想在那里的人。

场景不难想象：混合生活垃圾倾泻到高速传送带上，分拣工人戴着厚手套，在飞驰的废纸、塑料瓶、缠结的包装膜里，徒手把可回收物挑出来。车间里气味刺鼻、粉尘飞扬，还有碎玻璃和不明尖锐物。这份工作满足机器人替代的经典三要素——脏（Dirty）、枯燥（Dull）、危险（Dangerous），业内俗称 3D 岗位。

Amy Ma和Danu Robotics选择的正是这样一块硬骨头。素材披露的信息很克制：六年时间，专注一个目标——做出更好的可回收垃圾分拣机器人。没有融资叙事，没有换赛道，就一件事。

而分拣端的用人荒是真实存在的。分拣岗位普遍面临招工难、留人更难的困境，从业者年龄结构偏大，年轻人宁愿送外卖也不愿站在传送带前八小时。据多位接近海外固废行业的从业者私下透露，不少分拣厂宁可降低产能爬坡目标，也不愿再把人力堆到质检工位上。

产业逻辑很清晰：3D 岗位是机器人天然的登陆滩头。它不性感，但付费意愿明确——只要机器人能顶住一个工位，分拣厂就有明确的替代账可算。这比许多'未来某天可能有需求'的人形机器人场景，商业闭环近得多。

⚙️ 为什么捡垃圾比抓零件还难

工厂里的机器人是精算师，垃圾线上的机器人得是杂技演员。

工业机械臂面对的是高度结构化的世界：工件位置固定、形状已知、材质单一。而垃圾分拣是完全相反的极端——

• 物体形态不可预测：一个塑料瓶可能是完整的，也可能被踩扁、拧瘪、揉成一团；
• 材质极度混杂：纸板、PET、HDPE、铝罐、软包装膜混在一条带上，视觉上还常常互相遮挡；
• 污染干扰：沾了油的披萨盒、残留液体的容器，直接挑战识别模型的鲁棒性；
• 传送带不等人：物料高速移动，识别、决策、抓取必须在一两秒内完成，速度和准确率是一对天然的死敌。

典型技术路线是 AI 视觉识别加上高频作业的执行末端（吸盘或夹爪），在高速运动的物料流上做实时分类抓取。难点不在单点技术，而在把实验室演示变成每周七天、每天多班倒都不掉链子的工程系统——灰尘会糊住镜头，缠绕的塑料膜会卡住机构，任何一个环节的可靠性短板都会被 24 小时运行无限放大。

这就是为什么这条赛道玩家不多、迭代周期特别长的原因：垃圾流本身的多样性，决定了它比大多数工业场景都更接近'真·非结构化环境'。某种程度上，这是具身智能最诚实的考试场——没有标准化题库，只有 endless 的边缘案例。

📊 分拣厂的账本，才是这门生意的底牌

机器人能不能上垃圾线，最终不取决于 demo，取决于账本。

分拣厂（MRF，Material Recovery Facility）的商业模式并不复杂：接收混合垃圾，把可回收物分出来，压实打包后卖给下游再生料厂商。收入端看两个东西——回收物的量和纯度。纯度不够，要么被下游压价，要么直接被拒收。

这解释了机器人分拣的切入点：不是替代整条产线，而是先顶替质检与精拣工位——正是人工最集中、环境最恶劣、流动率最高的环节。一个典型判断框架如下：

商业化上，这条赛道已经出现了值得参照的样本：美国的 AMP Robotics 靠 AI 分拣机器人拿下了多轮大额融资；芬兰的 ZenRobotics 在重型垃圾分拣领域深耕多年后，被 Terex 收编；英国的 Greyparrot 则从 AI 视觉分析切入，给全球的分拣厂做'垃圾流数字孪生'。资本愿意反复下注，说明这门生意的底层账是成立的。

政策侧同样在推：欧盟持续收紧包装物回收与再生含量要求，国内从上海 2019 年强制垃圾分类开始，前端分类意识被系统性激活——前端越认真分，后端分拣厂对精度和产能的要求就越高，自动化的采购理由就越硬。政策标准与人力成本，正在从两端挤压出这个市场的空间。

⚠️ 六年死磕，真正的门槛不在算法

这个行业的订单不是在谈判桌上赢的，是在分拣车间里赢的。

Amy Ma 的六年，本质上是一场对抗'试点炼狱'的持久战。固废行业的客户极度保守：设备一买就是重资产决策，分拣厂停一天都是真金白银的损失，没有人愿意为了炫技的新算法赌上产线。从 POC 到小规模试点，从试点到全产线部署，每一级台阶都可能耗时一年以上。

更残酷的是运维：垃圾线上的机器人不是恒温机房里的服务器，灰尘、湿度、缠绕物、粗暴的物料冲击，都在考验硬件的皮实程度和远程服务能力。据业内人士私下交流，不少分拣机器人项目死在部署之后——不是算法不行，而是坏了没人管、配件等三周，客户第二台机器自然就不买了。

这构成了这条赛道真实的护城河排序：现场可靠性 > 服务响应 > 持续降本 > 算法精度。六年时间，Danu Robotics 沉淀的与其说是一个模型，不如说是一整套关于'机器人在脏乱差环境里怎么活下去'的工程 know-how。这种 know-how 没有捷径，只能用时间去换——这也是为什么后来者即便融资更多，也很难在两三年内追平。

还有一个区域性的变量常被忽视：各地的垃圾构成差异巨大——包装标准、消费习惯、垃圾分类政策都不同，训练出来的识别系统和抓取策略很难直接跨国复用。这意味着垃圾分拣市场大概率会长出区域性强龙，而非一家全球通吃——对 Danu Robotics 这样的专注型公司来说，这既是天花板，也是保护垫。

🧭 结语：最脏的场景，最结实的落地

回看 Amy Ma 这六年：当聚光灯追着人形机器人的发布会跑时，她守在分拣线上解决油污纸盒和缠结塑料膜的问题。但产业规律从来如此——具身智能最结实的落地，往往发生在没有掌声的脏活里。垃圾分拣有刚性的人力替代需求、可算清的账本、政策端的顺风，缺的只是时间和可靠性沉淀。随着再生资源政策持续收紧、分拣厂自动化改造进入深水区，这条'垃圾里的生意'大概率会在未来几年交出超出预期的成绩单。下一个具身智能的隐形冠军，未必长着人形——它可能正蹲在传送带边上，把一个踩扁的瓶子稳稳吸起来。