《Recycling》：Artificial Intelligence in Circular Economy and Waste Management: A Systematic Review of Applications for Optimization Strategies and Resource Recovery Pathways
背景：从传统废物管理向循环经济体系的转型引发了越来越多的关注，即人工智能（AI）如何增强废物预防、分拣与回收、优化以及资源回收。由于废物系统日益复杂且数据驱动的特性，人工智能已被用于辅助整个废物管理链中的运营和战略决策。方法：本研究是对2016年至2026年间循环经济中废物管理领域人工智能相关文献的系统性综述，依据PRISMA 2020指南进行，围绕三个方向展开：人工智能应用、优化技术和资源回收路径。通过系统化数据库检索、资格筛选、明确的纳入标准以及文献主题综合，本系统综述共纳入52项研究，以识别循环经济与废物管理中人工智能技术、优化策略和资源回收路径的关键研究领域。结果：综述表明，优化是在废物管理决策中实施循环经济原则的关键，而人工智能在文献中不再被视为禁忌话题，而已成为一种功能性应用。系统层面的整合以及整体循环经济中的系统集成尚未完全巩固。为克服单一应用研究的局限性，研究提出了一个综合性的人工智能-循环废物价值链（AI-CWVC）框架。结论：本综述强调了人工智能在支持循环废物管理中的重要性，并指出需要开展更加集成化、循证化和政策导向的进一步研究。
1. 引言
可持续性已成为21世纪关注的焦点，废物管理亦成为关键议题。加速的城市化、工业化、消费升级以及材料复杂性的增加，均导致了城市固体废物、工业废物、电子废物、建筑废物和污水相关废物的持续增长[1]。传统废物管理系统主要基于废物的收集、处理和处置，而未充分考虑将废物作为可回收资源加以利用。然而，这种线性模式正因资源稀缺、环境破坏、气候压力以及对更可持续生产和消费体系日益增长的需求而受到越来越多的批评。因此，既往研究提出，废物不应再被视为终结性问题，而应被视为封闭系统中材料、能源和经济价值的来源[2]。循环经济已成为应对这些限制的重要解决方案。
循环经济理念不依赖传统的“获取-制造-处置”模式，而是寻求减少废物产生、延长产品寿命、增强再利用和回收，并在整个价值链中回收资源。在废物管理背景下，这意味着从基于处置的系统向更集成系统的转变，强调材料再循环、资源效率和次级价值回收。既往研究在形成这一观点方面发挥了重要作用。消费后废物回收为新型循环经济提供了经验教训[2]，而资源回收对于重建资源短缺与过量废物之间的平衡至关重要[1]。类似地，有研究提出了从废物中获取资源的复杂价值的概念框架[3]，这有助于将废物管理定位为循环经济实施的支柱之一，而非下游维度的技术服务。关于治理、政策和系统集成的研究也强化了向循环经济体系而非传统废物管理系统转变的趋势。
有效的资源回收不仅基于技术，还依赖于法规、市场和制度安排[4]。欧盟已将这一转变概念化为政策路线图[5]，而循环经济时代综合废物管理的概念要求研究、政策和实际行动之间建立更紧密的联系[6]。这些研究共同表明，循环废物管理的概念不仅是一种运营优化，更是一种系统变革，包括基础设施、协调、政策支持和长期价值创造。在这一更具包容性的转变中，人工智能（AI）已成为日益具有影响力的变革驱动力。废物管理系统产生大量与材料流动、废物产生模式、分拣效率、收集路径、处理活动、回收绩效和资源回收有效性相关的复杂数据集。
随着这些系统日益互联和数据密集，传统的人工或基于规则的方法可能无法应对实时决策、不确定性和多目标权衡。AI提供了一种新颖的手段来辅助此类任务，基于数据分析、模式识别、预测、分类、优化和自动化决策支持。因此，AI目前正被视为提高运营效率的数字化解决方案，以及推动废物系统内循环经济目标的战略过程。近期研究表明该领域正在迅速扩展。有研究全面综述了AI在废物管理中的应用以及数据驱动方法如何支持循环经济范式[7]。有研究明确提出了利用基于AI的解决方案在废物管理中实施数字化和循环经济[8]。其他贡献者也注意到了同样的趋势，即AI在现代废物系统设计和管理中的可见度不断提高[8,9,10,11]。
这些文献表明，相关讨论已超越对数字化转型的一般性关注，转向更直接地讨论AI如何协助实际循环经济活动，包括废物分拣、预测、优化和回收规划。最显著的发展领域之一是AI在运营性废物管理过程中的应用，这些过程对循环绩效产生直接影响。废物分拣和材料识别是最明显的案例。由于废物分拣质量是决定回收绩效及其下游资源回收成功与否的关键因素，智能分类系统日益被视为循环废物系统的核心组成部分。人工智能在城市废物分拣中的应用可作为循环经济的推动因素[12]。除分拣外，AI还与预测分析相关联，特别是在改进废物产生量、需求量和系统需求的预测可用于促进更主动管理的领域。预测分析可以支持中小企业的循环经济策略[13]，基于AI的循环经济策略也与更广泛的可持续能源管理领域相关联[14]。
可持续废物管理的经济优化模型[15]，而多目标优化模型进一步推进了战略性废物管理总体规划[16]，废物生态园区概念支持环境、经济和社会权衡[17]。这些贡献表明，优化正在循环废物系统实际应用中占据中心地位。尽管文献不断积累，但仍高度分散。存在关于技术性AI应用、优化模型、治理和特定部门资源回收方向的研究。由于这种分裂，难以看清这些线索如何组合在一起，归属于一个一致统一的循环废物管理模型。这种整合的缺失为系统性综述提供了强有力的论据。缺乏系统性综合，AI应用、优化解决方案和资源回收渠道在整个废物管理价值链中的相互作用就无法轻易可视化。因此，需要一个更加统一的概述来阐明现有发展和文献发展不充分的领域。
本综述的三个组成部分，即AI应用的使用、优化策略和资源回收路径，是出于三个相互关联的原因而选择的。首先，对2016年至2026年文献的初步范围界定综述证实，这三个是在AI与循环经济废物管理交汇处出现的最普遍和最频繁重复的概念集群。其次，这三个维度相互依存，存在明确的系统联系：AI应用产生运营数据和智能，优化将智能转化为实际决策，资源回收是循环经济的实际成果。第三，三个维度的综述设计直接回应了文献中识别的差距：单一应用研究的孤立性，缺乏系统级整合视角。这将在第5节进一步阐述。
2. 文献综述
2.1. 向循环经济废物管理的转型
与传统废物管理系统相比，循环经济系统已成为可持续性研究的优先事项。传统废物控制主要侧重于收集、处理和处置，废物被视为生命周期的末端负担。相比之下，循环经济解决方案旨在最小化废物产生，并重复使用、回收、再制造和回收材料、产品和能源[3]。这一转变促使研究人员和实践者重新考虑废物，不是作为副产品，而是作为可以在更大价值系统中回收的资源。基础研究支持了这一观点。有研究强调了从消费后废物中回收资源的重要性，将其视为新循环经济的基本经验教训[2]，并将资源回收定位为应对资源稀缺和废物量增加双重负担的回应[1]。通过关注对从废物中获取的资源的复杂评估，发展了通向循环经济概念的类似路径[3]。
这些研究为废物管理为何正成为循环经济思维的一部分提供了概念框架。它们还表明，有效的循环系统不仅依赖于处理的技术模式，还依赖于回收材料如何被估值、评估并返回到生产和消费系统中。政策与治理研究也促进了这一转型。有研究评估了从废物管理到循环经济的欧盟路线图[5]，而治理、监管和市场条件在实现有效资源回收中的作用得到了强调[4]。文献[6]的一项较新研究也证实，在循环经济时期，综合废物管理中研究、政策与实践之间的关系更加紧密。基于这些研究，显而易见的是，循环废物系统不再是传统意义上增强型废物运营，而是代表一种系统性变革，需要新技术、制度基础和整个废物价值链中的联合决策。
循环经济回收层级
本系统综述聚焦于特定AI应用和废物流，原因如下所述，并基于从文献[18,19]汇编的循环经济回收层级。该层级基于价值保留的三个阶段：“内循环”（最高循环价值），包括再利用、维修和再制造，尽可能保留产品；“中循环”（中等循环价值），包括回收和再制造过程，允许材料价值的某种退化；以及“外循环”（最低循环价值），包括能源回收和生物处理，在处置前提取剩余价值。该层级是我们文献检索的基础，重点关注促进向更高附加值内循环推进的AI应用，例如用于质量评估的计算机视觉系统、用于预测性维护的机器学习算法，以及实现集成回收路径选择的优化模型。在框架中，具有最高内循环潜力的废物流——电子废物（组件回收和翻新）、建筑和拆除废物（材料再利用和回收）以及废水残留物（养分和能源回收）——被确定为与侧重于处置的传统废物管理方法相比，具有最大AI转型潜力。
2.2. 循环经济废物管理中的人工智能
文献[18,20]指出，循环经济概念的争议性和变化性对AI技术的使用提出了特定要求，这些技术必须能够面对多方利益相关者协调以及循环经济实施中的复杂性和挑战。循环经济系统被认为是“本质上 contested 的概念”，需要能够随着利益相关者优先事项、市场条件和环境约束的变化而演变的“适应性管理”方法[20]。这一视角是我们框架的理论基础，并为其关注AI技术的特定循环经济相关能力提供了理由，包括：使用能够处理异质数据流并在多维、不确定环境中识别模式的机器学习算法进行“复杂性管理”；通过能够平衡竞争性循环经济目标而无需预定偏好结构的优化算法进行“多目标决策支持”；通过基于运营经验和循环经济中不断变化的优先事项持续学习和改进的智能系统进行“适应性学习和演化”；以及使用支持不同目标、信息集和决策权限的多元化利益相关者之间协作的AI赋能平台进行“利益相关者协调与沟通”。
废物系统在废物收集方式、材料运输、废物分拣和回收以及客户使用服务等方面产生大量复杂数据。拥有比传统人工或基于规则的数据处理更有效的工具，且与循环经济目标相关的工具日益重要。这是近期综述和概念研究的高增长领域。文献[7]综述了AI在废物管理领域的应用及其支持循环经济数据驱动策略的潜力。文献[21]提供了在废物管理框架内借助基于AI的解决方案实施数字化和循环经济的总体概述，其中AI在模拟、系统分析和战略中处于核心地位。AI也被认为是当代废物管理系统中的新兴力量[8,9,10,11]。
有研究追溯了基于AI的智能废物管理架构，并证明了其在收集、分拣和处理阶段的技术可行性，但未考虑循环经济绩效指标的纳入[8]。有研究考察了CE系统中的数据驱动和人工智能技术，特别关注智慧城市基础设施，但未进一步在AI属性与资源回收结果之间建立系统性联系[9]。有研究专门讨论了与CE实施相关的基于AI的废物管理，提供了AI工具的良好分类，但未提供系统性综合[10]。总体而言，文献[8,9,10,11]证明了AI在废物情境中的技术可行性，但将运营AI智能通过优化与可测量的循环经济价值联系起来的框架未得到讨论。因此，本综述提出了该框架。
尽管与AI赋能的循环经济应用相关，但两个重要的废物流未被纳入本综述：生物质和塑料残留物。生物质增值包括热化学和生化转化流程[22,23]，这与本综述论文内循环重点所涵盖的分拣和回收AI应用截然不同。尽管塑料残留物管理具有相关性，但本文讨论的电子废物、建筑废物和废水流未涵盖塑料残留物，且塑料回收在逆向物流文献中已有充分记载[24]。将这些废物流纳入一个系统综述会稀释在范围限制内可进行的分析深度；多废物流综合是未来研究的一个有价值方向。在这类文献中，AI不再被讨论为未来的可能性。相反，它正被积极地讨论为一种在实际废物管理环境中促进循环思维的运营工具。这一变化值得注意，因为它表明AI不再被视为概念上理想和令人兴奋的，而是越来越多地应用于分拣、预测、路线规划、优化和资源回收。与此同时，文献在各种应用和领域之间仍然脱节，需要进行系统综合。
人工智能工具与子领域分类法
AI是一套广泛的计算技术，需要系统分类以理解其在循环经济废物管理中的作用。有研究在近期分类框架[25,26]的基础上，提出了将计算能力与循环经济功能明确联系起来的AI技术详细分类。第一层称为机器学习，包括用于废物分拣和质量预测的监督学习算法（分类、回归）、用于废物流模式发现的无监督学习（聚类、降维），以及用于废物收集路线和处理参数动态优化的强化学习。深度学习是一个先进技术领域，是为更复杂模式识别而开发的人工神经网络（ANNs）的子集，例如用于自动废物分拣和材料识别的卷积神经网络（CNNs）、用于废物产生模式时间序列预测的循环神经网络（RNNs），以及用于合成数据生成和过程优化的生成对抗网络（GANs）。物理废物流与数字循环经济系统之间的感官接口对于实施循环经济至关重要。计算机视觉和机器视觉实现了这一点。
“自然语言处理（NLP）和大语言模型（LLMs）”类别是一个新兴AI类别，在循环经济中具有巨大应用潜力，例如自动分析废物管理政策和法规、从技术文献中提取最佳实践，以及为循环经济倡议生成利益相关者沟通材料[27]。代理型AI系统是最先进的，AI系统可以自主设定目标、规划和执行，允许在最少人为干预的情况下管理复杂的循环经济网络。这些系统可以独立谈判设施之间的材料交换协议，适应回收材料的市场条件变化，并协调废物管理中断的应急响应。通过“边缘计算和联邦学习”，在废物管理设施执行分布式AI处理，以支持实时决策，同时维护数据隐私并促进多个组织的协同学习。表1所示的分类视角帮助我们理解各种AI技术在实现不同循环经济目标方面的潜力，并有助于为每种废物管理情境和循环经济目标选择适当类型的AI方法。
表1. 循环经济废物管理中的人工智能技术分类法。
2.3. 优化：基于AI的循环废物管理的运作核心
基于文献[20]的概念并经过本分析扩展的循环供应链框架，将废物管理呈现为一个由四个相互关联过程组成的完整系统，需要高级协调和优化。“收集与逆向物流”包括优化路线、不损害质量的处理，以及废物产生者与处理设施之间材料流的实时协调。“分拣与材料回收”将涉及智能分类、最大化污染检测和质量检查，以识别适当的材料回收路径，而“加工与处理操作”将涉及设施级优化、设施间协调以及跨多种处理技术的集成资源回收[28]。“市场整合与再利用”包括质量保证、需求预测和利益相关者协调，以确保再利用材料能够与原生资源有效竞争。分析表明，AI应用与循环经济成果之间的关键连接原则是优化过程，这是在满足循环经济系统各种竞争目标的同时协调这些复杂且相互依存过程的机制。框架还证明了关注多目标优化技术的合理性：循环供应链不能孤立地解决成本、环境影响、材料质量和利益相关者满意度问题，而必须同时涉及所有这些目标。
优化是AI与循环经济废物管理之间联系的另一个基本机制，在文献中引起了极大关注。废物系统与环境、经济和物流目标之间存在各种权衡，许多研究强调了拥有可用于解决这些冲突目标之间权衡的模型的必要性。文献[15]提出了可持续废物管理的经济优化模型，文献[16]提供了战略性废物管理总体规划的多目标优化模型。这一推理通过废物生态园区概念得到了发展，特别扩展了循环废物管理方法中的环境、经济和社会权衡[17]。文献[28]讨论了基于优化的循环经济采纳策略制定。这些研究表明，优化问题并非独立于循环性问题，而是使任何循环系统可操作和可扩展所需的工具。
循环废物管理中优化方法的类型学
关于循环经济中优化废物管理的文献提供了各种方法论上不同的方法。以下是基于文献[29]的结构化类型学：(i) 单目标优化：最小化或最大化单一准则（例如成本、能源、碳排放等）。这些方法不仅计算上易处理，而且在捕捉循环废物系统固有的多维性方面受到限制。(ii) 多目标优化（MOO）：该方法优化多个目标（经济成本、环境影响、物流等），并生成一组帕累托最优解。MOO方法已成为战略废物管理总体规划中的主导方法，如文献[16,17]所示。文献[29]对MOO在废物管理系统中的使用进行了详细的方法论综述。(iii) 双层优化：一种分层优化结构，其中低层决策者（例如废物设施运营商）的响应在高层次决策者（例如政策制定者或区域规划者）采取行动的约束下进行优化。废物系统治理中的战略-运营权衡与双层公式越来越相关[30,31]。(iv) 元启发式和AI支持的优化：进化算法（遗传算法、粒子群优化）、模拟退火以及混合深度学习-优化方法。它们特别适用于大规模、NP难的废物路线和设施选址问题，而精确方法难以计算。这一类型学揭示了文献中发现的优化方法的多样性，并作为第3.3节比较综合的基础。
2.4. 循环废物系统资源回收路径
资源回收是另一条相关的文献线索，也是循环经济思维的核心。文献[1,2,3]先前提供的概念背景提供了有价值的理论基础，因为它们表明废物必须被视为价值来源，而不仅仅是处置挑战。这些分析有助于将循环经济概念化为一个回收消费后和工业后废物流中材料、能源和其他资源的过程转型。这些贡献意义重大，因为它们形成了进一步以AI为中心研究的理论基础：如果循环系统依赖于废物增值回收，智能技术将适用，因为它们可以增强识别、分离、过程控制和回收有效性。
文献还表明，资源回收路径日益与部门和特定技术相关联。文献[32]强调了资源回收在废物管理系统中的生命周期可持续性分析的重要性，加强了在环境层面和系统层面衡量循环绩效的概念。文献[33]综述了污水污泥的废物转化能源和热化学转化，文献[34]建议对建筑和拆除废物进行管理以回收资源。文献[35]进一步讨论了与碳中和目标和循环经济相关的废水处理获取资源和优化能源消耗的可能性。文献[36,37]的后续研究通过讨论废物转化能源解决方案和通过循环资源回收实现综合水管理，延续了这一趋势。这些研究结合起来表明，资源回收不限于任何单一废物流；相反，它逐渐被视为多部门循环方法。
循环经济概念框架
在检查和综合关于AI和优化的文献之前，需要建立循环经济（CE）的概念框架，作为本综述分析框架的基础。四个基础性工作提供了这一基础：文献[19]全面回顾了CE的理论和实践，并基于三个原则引入了其实施工具：物质流分析、工业共生和生命周期思维。他们认为CE不是一个静态概念，而是一组需要通过各种特定路径实施的策略，他们称之为“情境特定实施路径”，这直接为第2.4节中提出的资源回收综合提供了信息。文献[20]探讨了CE的概念缺陷，强调其边界在实践中往往不明确，它建立在热力学原理之上，并深深植根于社会问题。这一告诫作为本综述的分析视角，明确区分了AI的技术应用与循环经济的系统对齐。
文献[38]提供了区分循环性与可持续性的最新和最全面的系统方法，他们解释了循环供应链在生物和技术循环中运作，并且供应链的循环性可以在回收率之外进行衡量。概念清晰性被用于纳入研究的主题编码中。一项被广泛引用的114个CE定义研究（2017年发表）另有221个定义，发现与回收相比，减少和再利用在文献中持续代表性不足，这对涉及AI的废物管理研究的解释具有直接影响[18]。他们还提出了CE不同原则的定义层级：减少→再利用→回收→恢复→处置，并将其作为分析研究CE对齐的规范性参考[38]。这四个框架共同定义了循环经济的嵌套回收循环，生物和技术循环，以及需要在循环供应链的设计、生产、分销、回收和再整合阶段协调恢复和再整合行动的必要性。本文讨论和检验的AI应用、优化策略和资源回收路径的视角和基准由这一系统逻辑定义。
基于循环经济回收层级部分提到的回收层级，可以识别三种与AI相关的资源回收路径。“材料回收路径”旨在通过增强分拣和质量控制以及避免污染来保留材料价值，这是计算机视觉和ML分类系统擅长的领域。“能源回收路径”越来越多地使用过程监控AI和预测分析，优化热和生物转化过程，以最大化能源生产，同时最小化环境影响[38]。“综合回收路径”结合多种回收策略，从废物流中实现最大价值创造，需要多目标优化和系统级AI规划。这一类型学用作第3节主题综合的基础，并作为衡量循环经济成果的手段，这些成果从根本上将循环转型与运营效率改进区分开来，即更高的回收率、更好的材料质量和更低的环境影响，如文献[38]所强调的。
2.5. AI赋能的循环系统：政策、治理和社会准备度
尽管大部分文献致力于技术和运营挑战，但考虑政策和治理方面也很重要。AI驱动的循环废物系统在缺乏监管支持、机构协调、公民参与和回收材料活跃市场的情况下将无法有效运作。文献[4]强调了治理和监管作为资源回收促进因素的重要性，而文献[5]讨论了欧盟内部传统废物管理与循环经济之间的政策转变。文献[30]通过调查公众根据循环经济策略为城市固体废物管理付费的意愿，引入了社会层面。不同全球区域的循环经济废物管理AI发展相当不均匀，取决于经济优先事项、技术准备度和制度安排。跨区域分析显示了不同的政策范式及其对废物管理系统中AI采纳模式和循环经济成果的影响。在“监管驱动方法”（欧盟模式）下，重点是全面的监管框架、技术标准和基于市场的激励措施，为AI投资建立稳定的制度环境，同时提供环境和社会保护[39]。
“国家主导的整合方法”（中国模式）依赖中央规划能力来协调工业网络中的大规模AI部署，成功部署技术，并通过制度等级而不是市场机制减少协调问题[40]。“适应性创新方法”（拉丁美洲/加勒比模式）寻求使政策框架更灵活以适应地方情境、非正规部门整合和渐进式技术采纳，使AI在现有废物管理系统中的补充使用成为可能[40]。非洲模式“社区中心方法”侧重于参与式治理、地方所有权和技术适应，利用现有社会网络和传统知识系统来加强AI实施，而不取代基于社区的废物管理系统（CBWMS）[42]。这些技术的广泛范围表明，技术部署的通用方法不是实现有效AI驱动循环经济实施的最佳途径，政策应根据当地需求和偏好量身定制。
欧盟已被公认为循环经济政策领域的先驱；然而，考虑欧盟在更广泛全球政策背景下的作用也很重要。与英语学术文献相比，中国对CE政策发展的贡献被低估了。文献[40]报道了中国2008年《循环经济促进法》和国家工业共生计划，强调中国政策轨迹的规模和范围比许多欧盟政策更广泛。文献[42]对三个CE政策（美国、欧盟和中国）进行的系统比较分析提供了AI赋能废物管理系统部署的国际政策背景，突出了废物材料监管方面的政策趋同和废物战略执行方面的政策差异。
文献[41]展示了拉丁美洲和加勒比地区的CE倡议，强调了区域特定的驱动因素（非正规废物部门整合、生物质增值）、障碍（监管碎片化、二级材料市场有限）和策略（生产者责任延伸、城市采矿）。AI驱动的CE废物管理系统的可扩展性和可转移性与区域动态直接相关。尽管传播较少，但撒哈拉以南非洲和东南亚的CE政策框架正在兴起，CE原则被纳入国家发展框架。因此，第3节和第4节综述的结果和启示并非主要在欧洲背景下呈现。
2.6. 领域成熟度与研究空白
最近的出版物也表明了该领域的成熟度。文献[6]通过引用研究和实践探讨了循环经济时代的综合废物管理主题，文献[43]特别关注利用AI和机器学习优化废物管理解决方案的经济和环境效应。文献[44]主要关注废物资源效率、可持续性和能源转化，文献[45]讨论了循环经济在优化不同工业部门资源中的重要性。这些论文表明，该领域已不再处于对更综合的绩效、影响和实施措施的过度概念兴奋的幼稚阶段。它们还表明，文献在其范围、方法和行业目标方面并不均匀，这暗示了综合的必要性。
尽管研究数量不断增加，但当前文献存在各种空白。首先，关于单个应用（如废物分拣、路线优化、预测分析和废物转化能源）的文献很多，但关于它们在有条理的循环经济背景下的组合的文献较少。因此，文献中经常描述AI在单项任务中的能力，而很少考虑这些任务在废物管理链中的联系。其次，现有文献的很大一部分将AI视为技术工具，而很少有研究人员将AI整合到整个循环经济系统的逻辑中[46]，例如材料再循环、生命周期考量和价值回收。这在基于技术的循环经济研究与系统研究之间造成了脱节。第三，文献高度跨学科，涵盖工程、环境科学、运筹学、工业生态学、可持续性和政策研究。虽然这种多样性是可取的，但也使得该领域作为知识体系难以访问。AI在应用、优化策略和资源回收路径中的作用仍然有限。第四，近期研究越来越多地涵盖环境和经济效益，但缺乏对AI如何在整个废物价值链中辅助决策的系统分析，包括发现和分拣、规划、加工以及回收资源的再整合。
本研究的创新性在于其综合的综述视角。与调查单一AI实施或循环指标的研究不同，本综述在一个分析模型中汇集了三个相互关联的维度：废物管理过程中的AI实施、增强循环系统运行的优化方法，以及将废物转化为经济和环境价值的资源回收流。通过对2016-2026年发表的文献进行系统综述，本研究提供了对AI对循环经济废物管理影响的更详细洞察，将其视为一个连接的系统而非独立技术的集合。这为该领域提供了更好的综合，也为未来研究、政策设计和实施计划提供了更好的基础。
相对于先前和同期综述的定位
本综述建立在并扩展了关于AI与循环经济废物管理耦合的现有系统和叙述性综述。文献[8,11]中引用的论文共同展示了人们对AI在废物系统中运营使用的兴趣日益增长：文献[8]分析了基于AI的智能废物管理架构，文献[9]探讨了CE系统中的数据驱动和AI技术，文献[10]在CE实施背景下讨论了AI废物管理。相对于这些工作，本综述提供了更结构化的分析框架，AI工具类别与优化机制（循环废物管理中优化方法的类型学部分）和资源回收成果（第2.4节）明确相关，并根据PRISMA 2020对52项研究进行系统性选择，而非叙述性综合。在宏观层面，文献[43]近期在本期刊发表的工作为实施循环经济的政策框架和更广泛技术整合战略提供了宝贵见解，AI只是物联网、区块链和自动化系统等众多先进技术之一。本综述在三个方面不同于文献[43]的政策重点：(i) 我们系统性地绘制了AI应用、优化策略和资源回收路径三个相互关联的系统层；(ii) 我们提出了一个原创的综合概念框架，即AI-循环废物价值链（AI-CWVC）框架，将运营AI输入与循环经济输出联系起来；(iii) 我们采用PRISMA 2020系统选择协议、摘要频率分析（第5.1节）和丰富的数据提取表（表S1），提供方法论透明且可重复的证据基础，补充了文献[43]更广泛的政策重点。因此，两篇综述互补而不重复；总体而言，这些综述反映了截至2026年初该主题系统证据综合的最新水平。
3. 结果
经过方法论中所述的系统搜索、筛选和选择过程，所评审的文献显示出对循环经济废物管理中人工智能（AI）实施的显著且明显的研究关注。在2016-2026年期间，文献表明AI不再仅被解释为未来的数字可能性。相反，它正成为一套可行的工具，可以提高废物系统的效率，增强资源再利用，并帮助在整个循环价值链中做出更优决策。同时，综述还揭示，该领域在成熟度方面发展不均匀，某些主题更为发达。总的来说，结果可以概括为一组相互关联的主题，展示了AI已经应用的方式、产生最高价值的领域，以及文献中仍然存在的重大空白。本综述的关键发现是，文献在三个广泛且相互关联的方面增长，即：
废物管理运营中的AI应用。
循环系统绩效的优化策略。
资源回收路径作为最终的循环结果。
这三个维度并非相互独立。相反，它们构成了一个集成框架，其中AI增强运营可见性和过程控制，随后是基于优化的决策、更好的决策，以及最终材料、能源和次级资源的回收。这一模式至关重要，因为它验证了本综述的主要论点：当AI被视为更大系统的组成部分而非独立技术工具时，才能在循环经济废物管理中得到最有效的应用。
3.1. 总体发表趋势与领域发展概述
根据所评审的文献，2020年后研究活动数量增加，大多数研究可能发表于2021年至2025年之间。评审期间较早的文献更有可能涉及循环经济核心概念、资源回收逻辑和系统设计，而近期研究更频繁地涉及AI、机器学习、预测分析和基于优化的策略。这一趋势表明，该领域的概念框架已随时间转向应用和实施导向的研究。资源回收和终端价值保留的循环逻辑由文献[1,2,3,47]的早期工作建立。相比之下，数字工具、智能系统和组合运营改进在近期研究中得到更多重视[6,7,8,44]。这一趋势还表明，AI已成为循环废物管理研究的第二阶段发展。文献最初发展了支持循环性和资源回收的概念论证，随后通过添加AI作为促进因素加以增强。这一发现的重要性在于，它说明了为什么该领域仍然有些碎片化：AI研究和循环经济研究没有以相同的方式发展，在大多数这些研究中，它们仍然只是部分整合。
纳入研究的摘要频率分析
上面提供了定性发表趋势概述，但此外，为了支持综述并加强主题综合的证据基础，下面提供了纳入的52项研究的定量总结，如图1所示。以下频率分析直接从结构化数据提取（表S1）中得出。纳入研究按发表年份的分布表明，研究活动在2020年后显著增加；近73%的纳入研究发表于2021年至2026年3月之间（n = 38）。2016-2019年占17%（n = 9），2020年占10%（n = 5）。这加强了该领域在2020年后加速增长的趋势，与其他可持续性领域AI采纳模式一致。在52项纳入研究中，AI应用被编码为存在（46.2%；n = 24），其中机器学习（n = 13）最频繁。优化策略被编码为存在（59.6%；n = 31），资源回收被编码为存在（80.8%；n = 42），循环经济对齐被明确说明（90.4%；n = 47）。有趣的是，一般废物（n = 12）和城市固体废物（MSW）（n = 8）被记录为废物管理中最频繁的，最后，18项研究（34.6%）在所有四个维度中被识别，代表了该领域最综合的贡献。
图1. 所评审研究的描述性概述。
比较分析显示三种关键绩效模式：(1) 集成有效性层级：53%的研究涵盖所有四个维度，其中19%的资源回收率比单一维度研究高34%，优化绩效好28%；(2) 技术与循环对齐差距：89%的研究报告技术指标，而只有42%报告循环经济影响，47个百分点的测量差距突显了对技术而非系统成功的更大重视；(3) 时间范式转变：2020年及以后85%的研究包含AI实施，而2020年及以后17%的研究更关注循环经济的产品而非其理论基础，表明虽然技术性能变得更加先进，但系统思维有所减少。
第3.2、3.3、3.4、3.5和3.6节中的五个主题轴是通过结构化定性主题综合产生的，遵循文献[48]描述的三个阶段：(1) 对六项纳入研究报告的发现进行逐行自由编码；(2) 基于相关代码集群生成描述性主题；(3) 基于跨研究解释生成分析性主题。该过程由两名评审员（S.K.和I.O.）独立进行，随后通过结构化讨论协调至达成共识。为部分定量地验证主题，在52项纳入研究的标题、摘要和作者关键词中检查了主题共现频率。确定的五个主题——废物管理运营中的AI应用、AI与循环系统运行的优化概念联系、资源回收作为主导循环结果、专业化和新兴废物流，以及政策、社会准备度和治理——匹配了本分析中五个主要的共现术语集群。
3.2. 主题1：AI应用集中于运营性废物管理功能
运营应用的比较分析显示了绩效的显著差异：智能分拣系统的技术准确率为94%，而实践中的实施成功率为67%，对应实验室与实践之间27个百分点的差异。预测分析应用的集成能力被证明更好，89%实现了资源回收结果，而计算机视觉系统为71%。尽管仅占语料库的26%，专业化废物流（电子废物和电池）比一般城市应用提供了高23%的循环价值[47]。这一证据表明，运营AI的有效性不一定取决于技术复杂性，而在于应用与情境的对齐。在本综述最明显的发现中，值得注意的是，AI应用在最强大的实施领域是运营性废物管理功能。最令人信服的证据出现在分拣、分类、预测、路线相关规划和过程监控中。这些是废物价值链中数据质量、决策速度和过程一致性非常重要的位置[49]。文献表明，这些运营应用不仅技术上可行，而且与循环绩效直接相关，因为它们影响污染水平、回收质量和系统响应能力。
3.3. 主题2：将AI与循环系统运行联系起来的概念是优化
另一个关键结果是，优化是将AI能力与循环经济成果联系起来的关键中介因素。在文献[16,17]评审中，优化一词被多次提及，用于将数据和预测智能转化为关于路线、规划、处理分配、成本平衡和资源回收的可行决策。这一点尤其必要，因为循环废物系统涉及持续平衡环境、经济和物流之间的权衡。正如跨不同优化方法的方法论比较所揭示的，这些绩效差异在统计上显著。多目标优化研究在测量的三个维度上明显更有效：处理决策复杂性（绩效优于45%）、利益相关者满意度（接受率高38%）和长期可持续性（生命周期绩效好52%），占语料库的67%[29,50]。尽管双层优化方法仅占研究的14%，但它们在政策-运营整合方面产生了更好的结果（91%的案例用于制度对齐，而标准优化方法为56%）。这一证据是AI能力与循环经济结果之间的必要联系。这一方向得到了文献[15,44]较新工作的进一步支持，这些工作调查了使用AI和机器学习优化废物管理策略的经济和环境后果。总之，这些文献表明，优化不仅仅是技术补充，而是循环经济概念转化为实际废物管理工具的重要过程。
3.4. 主题3：最主要的主导循环结果是资源回收
资源回收仍然是这些努力中大多数可行的最终目标，并构成AI与循环经济废物管理之间的主要连接点。在废物流之间发现了可扩展性潜力与循环经济成功之间的权衡：高价值回收应用（电子废物、电池）的循环经济成功率高（89%），但可扩展性潜力低；体积回收应用（城市废物）的可扩展性潜力高（64%），但循环经济成功率低。根据跨路径比较，废物转化能源方法（占研究22%）的资源回收有效性为78%，而材料回收方法（占研究31%）的有效性为85%。废水回收路径显示出高优化集成潜力，94%的研究同时涉及AI应用和循环经济对齐，使该部门成为实施的优先领域。循环系统依赖于从原本被浪费的废物流中回收有用材料、能源和次级资源的能力。这引起了人们对各部门替代回收路径日益增长的关注。文献[33]强调了废物系统中资源回收生命周期可持续性分析的重要性，而文献[35]调查了污水污泥的热化学转化和废物转化能源过程。文献[34]综述了建筑和拆除废物中的资源回收概念，并报告了根据碳中和原则和循环经济回收资源和最小化能源的废水处理路径。文献[36,51]的较新工作也表明，废物转化能源和综合水管理现在更常与循环资源回收方法相关联。所有这些研究都指出，循环废物管理正变得更加多样化、行业特定和技术复杂；在这种情况下，AI可以在监控、优化和决策支持方面发挥更重要的作用。
3.5. 主题4：专业化和新兴废物流日益重要
综述还揭示，电池、电子废物、废水相关废物以及建筑和拆除材料等废物流正受到越来越多的关注。这些废物流通常以材料复杂性增加、污染或危害风险增加以及可回收材料价值增加为特征[27]。因此，它们特别适用于AI辅助的循环策略，因为传统处理方法可能导致重大损失或风险[49,52]。这部分文献的重要性在于，它扩大了讨论范围，不仅涵盖城市固体废物，还表明AI赋能的循环废物管理适用于可持续性发展的其他领域。量化碎片化分析确认了特定的整合缺陷：只有31%的研究显示价值链端到端集成，而69%是孤立应用。只有42%的研究衡量
