开云材料生命周期研究组一台报废的家用储能电池柜运到拆解线上时，工人往往只能凭外观判断——这里是一块金属外壳，那里是一堆电路板，至于内部电芯用的是磷酸铁锂还是三元材料、外壳合金具体牌号是什么，这些信息在产品出厂时早就写进了设计图纸，却从没有跟着产品本身走到拆解现场。回收行业最大的隐性成本，很多时候不是设备不够先进，而是“不知道手里这个东西里面到底装的是什么”。一件产品从设计、生产、销售到最终报废，中间要经过几年甚至十几年的使用周期，这期间产品本身可能被维修过、部分零件被更换过，而所有这些信息几乎从不会跟着产品实体一起流转到拆解现场，等产品真正走到回收这一步，几乎所有背景信息都已经丢失。
报废产品到达回收线时，究竟缺了哪些信息
一件产品报废后，拆解工人实际面对的信息缺口至少有四类：材质构成明细（外壳、结构件具体是哪种合金或塑料牌号）；连接方式（是卡扣、螺栓还是结构胶粘接，直接决定能不能无损拆解，还是只能破坏性拆除）；有害物质的具体位置（电解液、含铅焊料、阻燃剂分别藏在哪个模块里）；以及哪些部件其实值得整体保留翻新，而不是直接送进破碎机。这四类信息缺一不可：只知道材质却不知道连接方式，拆解工时估算会严重失真；只知道连接方式却不知道有害物质位置，安全风险控制不住；而如果连哪些部件值得翻新都判断不出来，整条回收链条就只能按最低值路径处理，白白浪费掉本可以创造更高价值的部件。这些信息目前主要靠拆解工人的经验判断和事后抽检，效率不高，误判的代价也不小——一旦把值得翻新的模块当废料破碎，或者把危险部件当普通废料处理，损失和风险都会被放大。更常见的情况是介于两者之间的模糊地带：工人不确定某个模块是否含有需要单独处理的化学品，出于安全考虑只能整体按危险废物流程处理，这类“不确定就从严处理”的做法在缺乏信息时是合理的保守选择，但也意味着大量本可以正常回收的部件被过度处理，回收成本因此被推高。
数字产品护照想解决的正是这个信息断层
数字产品护照（Digital Product Passport，DPP）本质上是一份跟随产品全生命周期的结构化数据记录，通常包含材料组成清单、供应链来源、维修保养记录、化学物质声明、再生材料占比，以及面向回收环节的拆解指引。这份记录理想状态下应该在产品设计阶段就开始建立，随着生产、销售、维修不断补充更新，最终在产品报废时成为拆解和材料回收环节最直接可用的信息来源——本质上是把原本分散在设计图纸、采购记录、维修工单里的碎片信息，统一整理成一份产品实体自己能“携带”的档案。行业里已经有真实的政策动作在推进这类基础设施——欧盟的数字产品护照注册系统已经在2026年7月正式上线，相关研究也开始探索如何用生成式AI处理DPP里的循环经济数据。这是一个正在发生的行业背景，但具体到某一件产品的护照数据能有多完整、多准确，仍然取决于制造商在设计阶段愿意记录到什么颗粒度——记录到“外壳是铝合金”和记录到“外壳是6063-T5铝合金、表面阳极氧化处理”，对回收环节的实际用处完全不是一个量级，前者几乎不比没有护照多提供多少可执行信息，后者可以直接对接到拆解和分选决策里。
AI如何读懂一本产品护照，而不是被数据糊住
DPP的数据形态并不统一，一部分是结构化字段（比如材料百分比、供应商编码），另一部分是自由文本或者附件形式的检测报告、维修记录。AI要做的不只是查表取值，而是把材料、部件、供应商、法规要求关联起来回答具体问题。这里比较合适的方法是图谱检索（GraphRAG）——把材料实体、部件实体、供应链节点、法规条款构建成知识图谱，检索时沿着实体之间的关系去找答案，而不是简单的关键词匹配。比如“这个电池模块用的是哪种正极材料，对应什么拆解安全等级”，这类问题需要跨越材料、部件、安全规范三层信息才能回答完整，单纯的文本搜索很容易漏掉其中一层，而图谱检索能沿着“部件—材料—安全等级”这条路径把答案拼出来。构建这类图谱本身也有现实成本：不同制造商的护照字段命名习惯不统一，同一种材料在不同护照里可能被写成不同的名称或者编码，图谱构建之前往往需要先做一轮实体对齐，把这些命名差异归并到统一的材料和部件词表上，这一步做得扎实，后续检索的准确率才有保障，否则图谱本身就会继承原始数据里的混乱。这和循环材料大模型需要同时处理光谱、成分、生命周期等多种异构数据是同一类问题的两个侧面——数据来源越分散、格式越不统一，AI在真正给出可用结论之前，要花在数据整理上的功夫往往比模型本身的推理逻辑还要多。
模拟场景：一台报废设备的护照式拆解决策
某模拟型号的家用储能电池柜，护照记录显示：外壳为6063铝型材、内部电芯为磷酸铁锂方形电芯共12组、总容量与初始出厂容量的比值（健康度）记录为约82%、控制电路板上含有一颗独立的纽扣电池用于实时时钟供电、散热片通过结构胶粘接在外壳内侧、无法无损拆卸。健康度这项数据本身也有回收价值判断意义——82%的健康度意味着这组电芯模组如果状态稳定，可能比直接拆解回收原材料更适合被评估是否具备梯次利用的可能性，这是仅从外观和常规检测很难快速判断的信息。开云AI读取护照数据后给出的拆解顺序建议（示例）依次是：先断电放电、再单独拆除纽扣电池并归类为特殊废弃物、随后分离外壳型材直接进入铝型材回收路径、最后处理电芯模组交由专门的电池回收流程而不是常规金属破碎；护照数据同时标注散热片因为结构胶粘接难以无损分离，回收经济性偏低，建议整体归入低值破碎路径而不是尝试单独拆解保留，避免拆解工时超过这块部件本身的回收价值。整个决策过程里，护照数据把原本需要拆开外壳、逐层目视排查才能确认的信息提前给了出来，拆解工人不需要先拆开控制电路板才发现里面有一颗需要单独处理的纽扣电池，也不需要试着去撬散热片才发现根本撬不开——这些原本要靠现场试错才能获得的信息，通过护照在拆解开始之前就已经确定，直接决定了整条拆解流程该按什么顺序走、每一步预计花多少工时。
护照上写的数据，本身也需要打个问号
DPP不是天然可信的数据源。护照里的材料组成、再生占比这些字段大多是制造商在设计阶段自行申报，如果供应链某个环节发生变化——比如某个部件后来换了供应商、维修时使用了非原厂替代件——护照记录未必会同步更新，一份“看起来很完整”的护照，实际内容可能已经和产品当下的真实状态脱节。这也是为什么在真正高风险的场景（比如涉及电池安全或者结构强度的部件）里，AI给出的建议不会完全依赖护照数据，还是要结合多模态传感验证的思路做抽样复核，把护照当作先验信息去加速判断，而不是当作不需要验证的真相。这跟对待任何自我申报数据的态度是一致的——申报数据能大幅缩小需要验证的范围，但不能替代验证本身，尤其是当申报方和使用方之间存在信息不对称、事后也很难追责的时候，多一道复核往往比事后处理一次安全事故要划算得多。护照数据越完整、来源越可信，复核的抽样比例就可以越低，这是一个可以动态调整的权衡，而不是非此即彼的选择。
没有护照的存量产品怎么办
市面上绝大多数存量产品出厂时并没有DPP，这是一个必须诚实面对的现实限制。对这些产品，AI仍然要依赖光谱识别和视觉检测去做一种“事后护照”——用检测手段反推材质构成和连接结构，这个过程比直接读取护照数据慢得多，也存在更大的不确定性，同一台设备可能需要经过外观拍照、光谱抽检、局部拆解试探等好几道工序才能拼凑出接近护照记录水平的信息，而这些工序本身也要占用产线时间和人力成本。所以更准确的定位是，DPP是面向未来新产品的基础设施，而不是能立刻解决当下所有存量报废产品识别问题的万能方案，这两条路径在未来相当长一段时间里会同时存在，谁也替代不了谁。现实中更常见的情况是两者混合：一件设备的护照记录了外壳和主结构材料，但后来加装的配件或者维修时更换的部件没有被记录进去，AI需要先判断护照覆盖到了产品的哪些部分，对没有覆盖到的部分再单独启动检测流程，而不是简单地认为“有护照就等于信息完整”。这种“分区域信任”的处理方式，实际上比一刀切地相信或者不相信护照更贴近现实——护照覆盖到的部分可以直接使用、少做复核，没覆盖到的部分该测还是要测，两者在同一套拆解流程里并行处理，而不是互相等待。
护照数据只有进入下一次配方，才真正有意义
拆解只是流程的第一步。护照记录下来的材料成分、再生含量、有害物质位置信息，如果不能传递给下一次的材料识别与再生配方流程，这份数据本身的价值会大打折扣——知道“这块料是什么”很重要，但真正决定循环质量的是这份信息有没有被用来指导下一批产品该怎么配、怎么加工。举例来说，如果护照明确记录了外壳铝型材的合金牌号和表面处理方式，这批拆解下来的铝料在进入下一轮回收时，就不需要再重新做一轮完整的光谱抽检和来源推测，可以直接带着已知信息进入更精确的分级流程，省下的不只是检测时间，还包括因为信息不全而被迫按保守等级贱卖的损失。kaiyun.com把护照数据当作循环材料工作流的一个数据入口，而不是拆解报告的终点，数字身份证的意义不在于证件本身做得多精美，而在于下一个环节愿不愿意、能不能读它。一份能被下一次配方直接调用的护照记录，价值远高于一份只用来应付合规检查、拆解完就归档的静态文件，这也是判断一套DPP系统做得好不好的实际标准——不是字段填得多齐全，而是这些字段有没有真正被下游用起来。护照制度作为一项行业基础设施还在早期阶段，怎么把它从“合规文件”真正变成“可执行的循环材料数据接口”，会比讨论它该记录哪些字段更值得关注。这中间要跨越的不只是技术障碍，还包括制造商、拆解企业、回收企业之间愿不愿意共享数据、按什么规则共享数据这类更偏组织和商业层面的问题，技术能解决“怎么读”，但“愿不愿意给你读”往往才是决定这套体系能不能真正跑起来的关键。
