AI có phải là lời giải tốt nhất cho bài toán rác thải?

Theo Tiến sĩ Đào Vũ Trường Sơn, giảng viên cấp cao ngành Kĩ thuật điện tử và Hệ thống máy tính tại RMIT Việt Nam chia sẻ ngày 26/10, giá trị của AI không chỉ nằm ở năng lực công nghệ mà còn ở khả năng giải quyết những vấn đề thực tế với chi phí hợp lí.

AI tinh gọn: Hiệu quả không nhất thiết đến từ quy mô

Mỗi ngày, chai nhựa, hộp đựng thức ăn hay giấy báo cũ được vứt bỏ mà ít khi khiến chúng ta nghĩ đến hành trình tiếp theo của chúng. Nhưng sau khi rời khỏi tay người sử dụng, rác thải bước vào một chuỗi xử lí phức tạp, từ phân loại, thu gom, vận chuyển đến tái chế hoặc chôn lấp. Trong lúc đô thị mở rộng và lượng tiêu dùng gia tăng, quản lí hành trình này ngày càng trở thành thách thức đối với các cơ quan chức năng.

“Hãy nghĩ về thứ cuối cùng bạn vứt đi hôm nay. Một khi món đồ này rời tay bạn, nó có vẻ biến mất, nhưng thật sự không phải vậy. Nó bước vào hành trình phân loại, thu gom, vận chuyển, tái chế hay chôn lấp đầy phức tạp”, Tiến sĩ Đào Vũ Trường Sơn phân tích.

Một trong những khâu quyết định hiệu quả của toàn bộ quy trình là phân loại rác đúng ngay từ đầu. Chai nhựa, hộp giấy hay bao bì thực phẩm được nhận diện chính xác càng sớm thì khả năng tái chế, thu hồi tài nguyên càng cao. Ngược lại, sai sót trong phân loại có thể ảnh hưởng đến những công đoạn xử lí phía sau, làm giảm cơ hội tái sử dụng vật liệu và gia tăng lượng rác phải chôn lấp.

Đây cũng là bài toán mà AI có thể tham gia giải quyết thông qua khả năng nhận diện hình ảnh và phân loại tự động. Tuy nhiên, thay vì chạy theo những mô hình ngày càng lớn, đòi hỏi năng lực tính toán mạnh mẽ và nguồn lực đầu tư đáng kể, nhóm nghiên cứu của Tiến sĩ Sơn lựa chọn cách tiếp cận khác: tìm cách thu nhỏ mô hình nhưng vẫn duy trì chất lượng nhận diện.

“Cả ngành như đang trong cuộc chạy đua vũ trang nhằm tạo ra các mô hình lớn hơn với năng lực tính toán mạnh hơn. Chúng tôi chọn đi theo hướng khác và tự hỏi liệu có thể thu nhỏ quy mô mà không ảnh hưởng tới chất lượng của mô hình không”, ông chia sẻ.

Để kiểm chứng hướng tiếp cận này, nhóm sử dụng gần 20.000 hình ảnh rác thải đã được gắn nhãn nhằm huấn luyện hệ thống nhận diện các loại rác khác nhau. Nghiên cứu ứng dụng công nghệ học sâu, một phương pháp AI có khả năng học hỏi các đặc điểm và khuôn mẫu từ dữ liệu để đưa ra dự đoán.

Điểm đáng chú ý nằm ở việc nhóm lựa chọn MobileNetV3, một mô hình học sâu được thiết kế theo hướng tinh gọn, có khả năng nhận dạng hình ảnh với yêu cầu tính toán thấp hơn đáng kể so với nhiều mô hình lớn. Thay vì xây dựng một hệ thống hoàn toàn mới, các nhà nghiên cứu điều chỉnh và tối ưu mô hình này cho nhiệm vụ phân loại rác thải, tập trung vào những đặc điểm thực sự hữu ích và hạn chế các thành phần phức tạp không cần thiết.

Cách làm này đặt ra một góc nhìn khác về tiến bộ công nghệ: hiệu quả không nhất thiết đồng nghĩa với quy mô lớn hơn. Đối với các đơn vị quản lí rác thải và chính quyền địa phương có ngân sách hoặc hạ tầng hạn chế, một hệ thống dễ triển khai, vận hành và duy trì có thể mang lại giá trị thực tiễn lớn hơn một mô hình chỉ cải thiện đôi chút về hiệu suất trong điều kiện lí tưởng.

TP.HCM đặt mục tiêu Net Zero vào năm 2045, 100% rác thải được thu gom và xử lí

Trung Quốc dùng AI xử lí rác thải thành năng lượng sạch như thế nào?

AI không phải chiếc hộp thần kì để giải quyết rác thải

Dù mở ra triển vọng ứng dụng trong phân loại rác, Tiến sĩ Sơn cho rằng không nên đặt lên AI kì vọng vượt quá khả năng thực tế của công nghệ. Một hệ thống nhận diện tốt không thể tự giải quyết những bất cập trong thu gom, vận chuyển hay xử lí rác nếu thiếu các điều kiện hỗ trợ cần thiết.

“Thông điệp quan trọng là không nên xem AI như chiếc hộp thần kì. Một hệ thống thực sự hữu ích cần dữ liệu chất lượng, trách nhiệm được phân định rõ ràng, hạ tầng phù hợp và con người hiểu rõ bối cảnh địa phương”, ông nhấn mạnh.

Điều này có nghĩa hiệu quả của AI phụ thuộc vào cả hệ sinh thái triển khai, từ dữ liệu đáng tin cậy, quy trình thu gom đến chính sách hỗ trợ và sự phối hợp giữa các bên. Một thuật toán dù tiên tiến đến đâu cũng khó tạo ra thay đổi đáng kể nếu rác không được thu gom đúng cách hoặc hệ thống xử lí phía sau không đủ năng lực tiếp nhận.

Ở góc độ kinh tế tuần hoàn, Jean-Loup Masson, Cố vấn trưởng Trung tâm Giải pháp tuần hoàn (Circular Solutions Center), thuộc Liên minh Chấm dứt Rác thải Nhựa (Alliance to End Plastic Waste), cũng từng lưu ý trên WEF hồi tháng trước rằng hiệu quả của AI trong phân loại rác phụ thuộc đáng kể vào mức độ phát triển của hệ thống quản lí chất thải tại mỗi quốc gia.

Theo ông, các công nghệ phân loại ứng dụng AI có thể tự động nhận diện vật liệu, nâng cao độ chính xác, giảm chi phí nhân công và tối đa hóa khả năng thu hồi tài nguyên trong lúc lượng rác thải ngày càng tăng và thành phần ngày càng đa dạng. Tuy nhiên, những lợi ích này chỉ có thể phát huy đầy đủ khi hệ thống quản lí rác thải đã đạt đến một mức độ trưởng thành nhất định.

“Các công nghệ này phát huy hiệu quả cao nhất khi những hạ tầng cốt lõi, bao gồm thu gom, tập kết và phân loại cơ bản, đã được thiết lập. Ở những nơi các nền tảng này vẫn đang trong quá trình phát triển, việc củng cố hệ thống cần được ưu tiên trước”, ông Masson nhận định.

Góc nhìn này cho thấy bài toán không đơn thuần là đưa AI vào dây chuyền xử lí rác, mà còn là xác định đúng thời điểm và điều kiện để triển khai công nghệ. Nếu thiếu mạng lưới thu gom đồng bộ, điểm tập kết phù hợp và quy trình phân loại ban đầu, ngay cả hệ thống AI có khả năng nhận diện tiên tiến cũng khó chuyển hóa tiềm năng kĩ thuật thành hiệu quả môi trường và kinh tế.

Bùi Tú