太陽能在全球能源轉型中扮演關鍵角色，臺灣也將其視為邁向淨零的重要基石。然而，伴隨裝置容量的逐年增加，退役模組的問題逐漸浮上檯面。國際再生能源署（International Renewable Energy Agency, IRENA）推估，到2050年，全球廢棄光電模組的累積量可能超過七千八百萬公噸 [1]。這不僅帶來環境壓力，也意味著矽晶片、銀、鋁框與玻璃等寶貴資源可能隨之流失。

傳統的回收方式，不論是人工拆解、熱處理，或是化學處理，都各有其限制：人工拆解效率低，熱處理耗能高，化學處理則存在環境風險。在這樣的背景下，人工智慧（Artificial Intelligence, AI）的導入被寄予厚望。透過演算法、感測與機械手臂的結合，回收流程有機會走向自動化與高效率，並真正符合循環經濟的精神。

 

材料識別：從盲拆到數據化

　　在回收廠，技術人員常常遇到一個難題：看似相同的模組，其背板與封裝層的材質可能完全不同。常見的材料包括聚偏二氟乙烯（PVDF）、聚氟乙烯（PVF）、聚對苯二甲酸乙二酯（PET），以及最棘手的乙烯-醋酸乙烯酯共聚物（EVA）。若無法準確辨識，拆解步驟難以規劃，最後再生材料的品質也會受到影響。

　　近幾年，高光譜影像（HSI）與近紅外光譜（NIR）逐漸被引入模組鑑別。2025年  ，德國團隊開發了一款袖珍型NIR儀器，能在現場快速識別聚合物材料，搭配化學計量學演算法，準確率超過95% [2]。這代表分選工作已不再全憑經驗，而能以數據為依據。

　　Stroyuk等人（2021）的研究更進一步。他們利用近紅外吸收光譜（NIRA）結合主成分分析，建立涵蓋250種背板結構的資料庫，並能成功區分其中12種類型 [3]。這顯示光譜搭配統計模型，確實能有效區分不同背板的細微差異。

　　另一方面，美國國家再生能源實驗室（National Renewable Energy Laboratory, NREL）與國家標準技術研究院（National Institute of Standards and Technology, NIST）在2025年提出了一套現場調查流程，結合色度計與手持FT-IR等非破壞性工具，用於蒐集不同氣候條件下模組背板的退化資料 [4]。雖然不是即時分類工具，但在確保檢測一致性與資料格式化方面具有價值，也為未來數位產品護照（Digital Product Passport, DPP）的落實奠定基礎。

　　隨著這些方法逐漸成熟，模組分選正從「盲拆」走向科學化。同時，品質管控也開始導入影像技術。2024年有研究顯示，HSI結合NIR技術，能即時檢測回收玻璃表面的聚合物殘留，提供非破壞式的潔淨度評估，確保再生玻璃在後續應用中維持應有的品質 [5]。

 

拆解與機械臂：人工之外的新選項

材料辨識之後，下一步就是拆解。傳統上，模組拆解高度依賴人工，雖然靈活，但在退役潮來臨時，效率明顯不足，同時也存在割傷或吸入粉塵的風險。

　　近年的研究開始嘗試把「任務與運動規劃」（Task and Motion Planning, TAMP）引入拆解流程。這種方法讓演算法不只規劃機械臂的動作路徑，還能同時決定「先拆哪裡、後拆哪裡」。在電動車電池回收的實驗中，TAMP 已經證明能縮短時間並降低風險，因此許多學者認為這套思路同樣適用於結構相近的光電模組 [6]。

　　臺灣在這方面也有值得注意的案例：系上陳偉聖老師與陳品涵博士的研究成果，即是嘗試將AI視覺與工業機械手臂整合。他們開發出以AI視覺辨識為核心的分選系統，能即時辨識模組中的不同區塊，並將座標傳送給KUKA機械臂，配合震動盤與真空吸具完成分揀。這項成果說明，本土團隊並非只在觀望國際趨勢，而是已經開始實際測試自動化拆解的可能性。

 

EVA去除：工序裡的硬骨頭

在所有工序中，去除EVA封裝層一直是最大的挑戰，傳統方法通常需要高溫熱解或強力溶劑，不僅耗能，也帶來環境負擔。2025年，Chemical Engineering Journal的研究提出，透過機器學習可以分類不同的解封裝機制，並快速篩選合適的試劑組合，讓過去漫長的試錯過程大幅縮短 [7]。雖然目前尚未有研究直接把模型預測控制（Model Predictive Control, MPC）應用於EVA去除，但MPC在能源與熱流程管理中的穩定性已獲證實。若能導入回收工序，未來或許能兼顧玻璃完整性與矽晶片純度，讓解封裝工序朝向更精準、更自動化發展。

 

制度推動與國際趨勢

除了技術突破，制度設計也正在塑造太陽能模組回收的未來。歐盟現正推動的「數位產品護照」（Digital Product Passport, DPP）已將光電模組納入原型試行。根據2024年PV Passport報告，模組的材料清單、碳足跡、可回收性評估等，都將以機讀格式保存 [8]。未來模組退役時，AI系統便能直接讀取這些資訊，用來規劃更精準的拆解與回收流程。

　　另一方面，IEA-PVPS Task 12在2024年的報告中指出，未來光電回收不能僅依賴末端處理，而必須同時推進「可回收設計」（Design for Recycling, DfR）與「回收流程的標準化與最佳化」 [9][10]。雖然文件並未直接提及AI，但近年來AI在光譜檢測、拆解規劃上的應用，正好呼應了報告所強調的「提高效率，讓流程更完整」方向。

 

結語

AI在太陽能板回收中的應用範圍正逐漸擴大。從前端的材料辨識，到中段的拆解流程規劃，再到後端的解封裝與品質檢驗，AI都展現出提升效率與降低風險的潛力。這些技術不僅有助於提高再生材料的價值，也能減少碳排放，回應全球淨零的需求。

　　對臺灣來說，這波退役潮既是壓力，也是契機。若能善用AI技術與循環經濟政策，並於在地研發與國際規範之間找到平衡，臺灣就有機會從追隨者，轉為提出解方的參與者。

 

[1] International Renewable Energy Agency (IRENA), & IEA Photovoltaic Power Systems (IEA-PVPS). (2016). End-of-life management: Solar photovoltaic panels. International Renewable Energy Agency and IEA Photovoltaic Power Systems.

[2] Mashkov, O., Leihkamm, L., Stroyuk, O., Buerhop, C., Winkler, T., Ghaffari, O., … & Peters, I. M. (2025). High‐Throughput PV Module Diagnostics using a Compact NIR Spectrometer. Solar RRL, 202500323.

[3] Stroyuk, O., Buerhop‐Lutz, C., Vetter, A., Hepp, J., Hauch, J., Peters, I. M., & Brabec, C. J. (2022). Distinguishing between different types of multi‐layered PET‐based backsheets of PV modules with near‐infrared spectroscopy. Progress in Photovoltaics: Research and Applications, 30(8), 859-868.

[4] Wieser, R. J., Li, Z., Yu, X., Moffitt, S. L., Zabalza, R., Kempe, M. D., … & Bruckman, L. S. (2025). PV backsheets survey protocol: A framework for geo-spatial field surveys for bulk material characterization and reliability analysis applied across 41 PV systems. Solar Energy, 291, 113346.

[5] De Biasio, M., Arnold, T., Eder, G. C., & Neumaier, L. (2024, June). Detection of polymer residues on the glass surface of recycled EoL photovoltaic modules using near-infrared hyper-spectral imaging. In Next-Generation Spectroscopic Technologies XVI (Vol. 13026, pp. 84-90). SPIE.

[6] Erdogan, C., Contreras, C. A., Stolkin, R., & Rastegarpanah, A. (2024). Multi-robot task planning for efficient battery disassembly in electric vehicles. Robotics, 13(5), 75.

[7] Lu, J., Wang, C., Zhu, J., Wu, Y., & Ruan, J. (2025). Recycling of end-of-life photovoltaic modules: high throughput screening reagents by machine learning and classification of decapsulation mechanisms. Chemical Engineering Journal, 166477.

[8] PV Magazine. (2025, June 3). European initiative introduces digital product passport prototype for PV industry. PV Magazine. Retrieved from https://www.pv-magazine.com/2025/06/03/european-initiative-introduces-digital-product-passport-prototype-for-pv-industry/

[9] IEA Photovoltaic Power Systems (IEA-PVPS). (n.d.). PV module design for recycling guidelines. Retrieved August 23, 2025, from https://iea-pvps.org/key-topics/pv-module-design-for-recycling-guidelines/

[10] Wambach, K., Libby, S., & Shaw, S. (2024). Advances in photovoltaic module recycling literature review and update to empirical life cycle inventory data and patent review. Report IEA-PVPS T12-28.