谢邀，我是从事AI算法和IoT产品方面的研发工作，前几天我们几个算法工程师讨论过这个问题，AI是完全可以实现的。其实阿里已经在电销机器人淘宝里面推出垃圾分类的测试版。打开电销机器人淘宝，在“扫一扫”功能中，增加了垃圾分类的功能。点击屏幕识别，便可以通过摄像头对准物体人工智能，得到结果的反馈。
1. 垃圾的分类
垃圾分类，指按一定规定或标准将垃圾分类储存、分类投放和分类搬运，从而转变成公共资源的一系列活动的总称。分类的目的是提高垃圾的资源价值和经济价值，力争物尽其用。
目前垃圾分为四类：可回收物、有害垃圾、湿垃圾、干垃圾。
其回收后的垃圾去处：
2. 用图像识别来实现垃圾分类
根据垃圾分类的标准，这些标准是确定的，有迹可循的，也就是说有标准的。那么就可以利用图像分类的算法来实现来及分类。目前常见的图像分类算法有：KNN、SVM、BPNN、CNN和迁移学习。
图像分类顾名思义就是一个模式分类问题，它的目标是将不同的图像，划分到不同的类别，实现最小的分类误差。图像分类是计算机视觉中最基础的一个任务，也是几乎所有的基准模型进行比较的任务。从最开始比较简单的10分类的灰度图像手写数字识别任务mnist，到后来更大一点的10分类的 cifar10和100分类的cifar100 任务，到后来的imagenet 任务，图像分类模型伴随着数据集的增长，一步一步提升到了今天的水平。现在，在imagenet 这样的超过1000万图像，超过2万类的数据集中，计算机的图像分类水准已经超过了人类。
K最近邻(kNN，k-NearestNeighbor)是一种基本分类与回归方法，其基本做法是：给定测试实例，基于某种距离度量找出训练集中与其最靠近的k个实例点，然后基于这k个最近邻的信息来进行预测。通常，在分类任务中可使用“投票法”，即选择这k个实例中出现最多的标记类别作为预测结果；在回归任务中可使用“平均法”，即将这k个实例的实值输出标记的平均值作为预测结果；还可基于距离远近进行加权平均或加权投票，距离越近的实例权重越大。
k近邻法不具有显式的学习过程，事实上，它是懒惰学习（lazy learning）的著名代表，此类学习技术在训练阶段仅仅是把样本保存起来，训练时间开销为零，待收到测试样本后再进行处理。
支持向量机（Support Vector 电销机器人hine, SVM）是一类按监督学习（supervised learning）方式对数据进行二元分类（binary classification）的广义线性分类器（generalized linear classifier），其决策边界是对学习样本求解的最大边距超平面（maximum-margin hyperplane）。
SVM使用铰链损失函数（hinge loss）计算经验风险（empirical risk）并在求解系统中加入了正则化项以优化结构风险（structural risk），是一个具有稀疏性和稳健性的分类器 。SVM可以通过核方法（kernel method）进行非线性分类，是常见的核学习（kernel learning）方法之一 。
BP神经网络是最基础的神经网络，其输出结果采用前向传播，误差采用反向（Back Propagation）传播方式进行，BP神经网络是有监督学习。
BP神经网络具有任意复杂的模式分类能力和优良的多维函数映射能力，解决了简单感知器不能解决的异或(Exclusive OR，XOR)和一些其他问题。从结构上讲，BP网络具有输入层、隐藏层和输出层；从本质上讲，BP算法就是以网络误差平方为目标函数、采用梯度下降法来计算目标函数的最小值。
卷积神经网络（Convolutional Neural Networks, CNN）是一类包含卷积计算且具有深度结构的前馈神经网络（Feedforward Neural Networks），是深度学习（deep learning）的代表算法之一 。卷积神经网络具有表征学习（representation learning）能力，能够按其阶层结构对输入信息进行平移不变分类（shift-invariant classification），因此也被称为“平移不变人工神经网络（Shift-Invariant Artificial Neural Networks, SIANN）”。
Ability of a system to recognize and apply knowledge and skills learned in previous domains/tasks to novel domains/tasks.
目标是将某个领域或任务上学习到的知识或模式应用到不同但相关的领域或问题中。
主要思想是从相关领域中迁移标注数据或者知识结构、完成或改进目标领域或任务的学习效果。
迁移学习是运用已存有的知识对不同但相关领域问题进行求解的新的一种机器学习方法。它放宽了传统机器学习中的两个基本假设，目的是迁移已有的知识来解决目标领域中仅有少量有标签样本数据甚至没有的学习问题。迁移学习广泛存在于人类的活动中，两个不同的领域共享的因素越多，迁移学习就越容易，否则就越困难，甚至出现“负迁移”，产生副作用。比如：一个人要是学会了自行车人工智能，那他就很容易学会开摩托车；一个人要是熟悉五子棋，也可以轻松地将知识迁移到学习围棋中。
3. 延伸讨论
不论采用以上哪种机器学习算法，都是可以实现垃圾分类的，只是精度上的差异，哪种效果好。
那么后续也许会出现垃圾分类的家用机器人，将垃圾往设备里面一丢，自动的给你分类到不同的垃圾箱里面去，人彻底解放出来。
大家记得关注我哦，给你好看的AI知识和IoT知识，同时欢迎大家在评论中发表不同意见进行探讨。
