ทำไม Zalando ถึงลงทุน: ปัญหาสินค้าส่งคืนมูลค่า $6 ล้านที่ต้องแก้ไข

Zalando ลงทุนประมาณ $6 ล้านในฐานะนักลงทุนเชิงกลยุทธ์ ทำให้รอบ Series B เพิ่มขึ้นจาก $110 ล้านที่นำโดย Headline ในเดือนเมษายน 2026 ความสำคัญมีสองเท่า ประการแรก การลงทุนนี้แก้ปัญหาหลักของ Zalando โดยตรง สินค้าส่งคืนทุกชิ้นต้องถูกเปิด ตรวจสอบ พับ และจัดเก็บใหม่ กระบวนการที่หุ่นยนต์สองแขนของ Sereact ถูกสร้างมาเพื่อจัดการแบบครบวงจร ประการที่สอง การเข้าร่วมของ Zalando เป็นสัญญาณยืนยันที่ทรงพลัง Zalando ไม่ใช่แค่นักลงทุนทางการเงิน แต่เป็นลูกค้าเชิงกลยุทธ์ที่นำน้ำหนักการดำเนินงานของตัวเองมาสนับสนุนแนวคิด Physical AI ของ Sereact

สมองกล Cortex: แกนกลาง AI เดียวสำหรับหุ่นยนต์ทุกประเภท

หัวใจของแพลตฟอร์ม Sereact คือ Cortex โมเดล Vision-Language-Action (VLA) ที่ทำหน้าที่เป็นระบบปฏิบัติการ AI สากลสำหรับหุ่นยนต์ Cortex ทำงานบนฮาร์ดแวร์หลากหลายรูปแบบ ไม่ว่าจะเป็นเซลล์หยิบจับแขนเดียว สถานีจัดการสินค้าส่งคืนสองแขน หุ่นยนต์ฮิวแมนนอยด์ และเซลล์คงที่ โดยไม่จำเป็นต้องฝึกใหม่สำหรับฮาร์ดแฟคเตอร์แต่ละรูปแบบ เนื่องจากการวางแผนของ Cortex ทำงานใน Visual Latent Space แทนคำสั่งข้อต่อเฉพาะของหุ่นยนต์ ทักษะที่เรียนรู้จากหุ่นยนต์ประเภทหนึ่งจึงสามารถถ่ายโอนไปยังอีกประเภทหนึ่งได้โดยตรง

หุ่นยนต์สองแขนจัดการสินค้าส่งคืน: ทางออกของปัญหาหนักที่สุดในวงการแฟชั่น

สถานีสองแขนของ Sereact ถูกออกแบบมาโดยเฉพาะสำหรับขั้นตอนการทำงานของการคืนสินค้า โดย它可以自主เปิดกล่องพัสดุและกล่องรองเท้า หยิบสินค้าออกมา ตรวจสอบความเสียหายหรือความผิดปกติ พับเสื้อผ้า (รวมถึงกางเกงยีนส์) สแกนบาร์โค้ดและป้าย ส่งสินค้ากลับเข้าสู่สต็อก ไปซ่อมแซม หรือกำจัดทิ้ง ระบบเลียนแบบการตัดสินใจของพนักงานคลังสินค้าที่มีทักษะ แต่ทำงานได้อย่างสม่ำเสมอในทุกกะและทุกแบรนด์ นี่คือการโจมตีปัญหาคอขวดด้านโลจิสติกส์ที่ดื้อรั้นที่สุดของอุตสาหกรรมแฟชั่นโดยตรง นั่นคือความไม่แน่นอนและความเข้มข้นของแรงงานในการจัดการสินค้าส่งคืน

Data Flywheel: การหยิบจับจริงมากกว่า 1 พันล้านครั้ง

ข้อได้เปรียบเชิงโครงสร้างหลักของ Sereact คือ Data Flywheel แบบวงปิด ระบบ Sereact กว่า 200 ระบบทำงานจริงทั่วยุโรปกับลูกค้าอย่าง Daimler Truck, Mercedes-Benz, BMW, PepsiCo, Austrian Post และ Rohlik Group ระบบเหล่านั้นได้ทำการ 'Pick' สินค้าจริงในสายการผลิตมากกว่าหนึ่งพันล้านครั้ง ไม่ใช่ข้อมูลจำลองหรือข้อมูลจากห้องแล็บ แต่เป็นการหยิบจับจริงจากการปฏิบัติงานจริง ทุกครั้งที่หยิบจับ ไม่ว่าจะสำเร็จ ล้มเหลว หรือกู้คืน จะถูกบันทึกพร้อมข้อมูลการสังเกต สถานะหุ่นยนต์ และแรงป้อนกลับแบบซิงโครไนซ์ จากนั้นป้อนกลับไปยังโมเดลส่วนกลางที่ได้รับการฝึกฝนและปรับใช้ซ้ำอย่างต่อเนื่องทั่วทั้งกองเรือ กองเรือนี้มีอัตราความน่าเชื่อถือประมาณหนึ่งครั้งที่ต้องให้มนุษย์ช่วยเหลือระยะไกลต่อการหยิบจับ 53,000 ครั้ง

Cortex 2.0: จาก 'ลองแล้วค่อยดู' สู่ 'วางแผนแล้วค่อยลอง'

Cortex 2.0 โมเดลรุ่นต่อไปที่เงินทุน Series B ถูกจัดสรรให้ขยายโดยเฉพาะ ได้เพิ่ม World Model ที่เรียนรู้จากการจำลองฟิสิกส์และพฤติกรรมของวัตถุเข้าไปในโมเดล VLA ปัจจุบัน แทนที่หุ่นยนต์จะลงมือทำและแก้ไขข้อผิดพลาดแบบตั้งรับ ตอนนี้หุ่นยนต์จะสร้างวิถีการเคลื่อนที่ในอนาคตที่เป็นไปได้หลายแบบจากสถานะปัจจุบัน ให้คะแนนแต่ละแบบกับ World Model ในแง่ของความเสถียร ความเสี่ยง และประสิทธิภาพ จากนั้นจึงเลือกเฉพาะเส้นทางที่ได้คะแนนดีที่สุด และอัปเดตแบบเรียลไทม์เมื่อฉากเปลี่ยนไป การเปลี่ยนกระบวนทัศน์จาก 'ลองแล้วค่อยดู' เป็น 'วางแผนแล้วค่อยลอง' มีความสำคัญอย่างยิ่งสำหรับงานที่มีความเสี่ยงสูง เช่น การประกอบชิ้นส่วนภายใต้แรงดึง การวางสิ่งของที่เปราะบาง และการจัดชุดอุปกรณ์ ไม่ใช่แค่การหยิบจับเท่านั้น การประมวลผลการวางแผนสามารถปรับแต่งได้ตามงาน โดยจะใช้การคาดการณ์ล่วงหน้ามากขึ้นเมื่อความล้มเหลวมีต้นทุนสูง และใช้น้อยลงเมื่อการกู้คืนมีต้นทุนต่ำ ทุนรอบ Series B ยังใช้สำหรับการขยายธุรกิจระหว่างประเทศของ Sereact รวมถึงการเปิดสำนักงานแห่งใหม่ในบอสตัน

ทำไม Zalando ถึงลงทุน: ปัญหาสินค้าส่งคืนมูลค่า $6 ล้านที่ต้องแก้ไข

Zalando ลงทุนประมาณ $6 ล้านในฐานะนักลงทุนเชิงกลยุทธ์ ทำให้รอบ Series B เพิ่มขึ้นจาก $110 ล้านที่นำโดย Headline ในเดือนเมษายน 2026 ความสำคัญมีสองเท่า ประการแรก การลงทุนนี้แก้ปัญหาหลักของ Zalando โดยตรง สินค้าส่งคืนทุกชิ้นต้องถูกเปิด ตรวจสอบ พับ และจัดเก็บใหม่ กระบวนการที่หุ่นยนต์สองแขนของ Sereact ถูกสร้างมาเพื่อจัดการแบบครบวงจร ประการที่สอง การเข้าร่วมของ Zalando เป็นสัญญาณยืนยันที่ทรงพลัง Zalando ไม่ใช่แค่นักลงทุนทางการเงิน แต่เป็นลูกค้าเชิงกลยุทธ์ที่นำน้ำหนักการดำเนินงานของตัวเองมาสนับสนุนแนวคิด Physical AI ของ Sereact

สมองกล Cortex: แกนกลาง AI เดียวสำหรับหุ่นยนต์ทุกประเภท

หัวใจของแพลตฟอร์ม Sereact คือ Cortex โมเดล Vision-Language-Action (VLA) ที่ทำหน้าที่เป็นระบบปฏิบัติการ AI สากลสำหรับหุ่นยนต์ Cortex ทำงานบนฮาร์ดแวร์หลากหลายรูปแบบ ไม่ว่าจะเป็นเซลล์หยิบจับแขนเดียว สถานีจัดการสินค้าส่งคืนสองแขน หุ่นยนต์ฮิวแมนนอยด์ และเซลล์คงที่ โดยไม่จำเป็นต้องฝึกใหม่สำหรับฮาร์ดแฟคเตอร์แต่ละรูปแบบ เนื่องจากการวางแผนของ Cortex ทำงานใน Visual Latent Space แทนคำสั่งข้อต่อเฉพาะของหุ่นยนต์ ทักษะที่เรียนรู้จากหุ่นยนต์ประเภทหนึ่งจึงสามารถถ่ายโอนไปยังอีกประเภทหนึ่งได้โดยตรง

หุ่นยนต์สองแขนจัดการสินค้าส่งคืน: ทางออกของปัญหาหนักที่สุดในวงการแฟชั่น

สถานีสองแขนของ Sereact ถูกออกแบบมาโดยเฉพาะสำหรับขั้นตอนการทำงานของการคืนสินค้า โดย它可以自主เปิดกล่องพัสดุและกล่องรองเท้า หยิบสินค้าออกมา ตรวจสอบความเสียหายหรือความผิดปกติ พับเสื้อผ้า (รวมถึงกางเกงยีนส์) สแกนบาร์โค้ดและป้าย ส่งสินค้ากลับเข้าสู่สต็อก ไปซ่อมแซม หรือกำจัดทิ้ง ระบบเลียนแบบการตัดสินใจของพนักงานคลังสินค้าที่มีทักษะ แต่ทำงานได้อย่างสม่ำเสมอในทุกกะและทุกแบรนด์ นี่คือการโจมตีปัญหาคอขวดด้านโลจิสติกส์ที่ดื้อรั้นที่สุดของอุตสาหกรรมแฟชั่นโดยตรง นั่นคือความไม่แน่นอนและความเข้มข้นของแรงงานในการจัดการสินค้าส่งคืน

Data Flywheel: การหยิบจับจริงมากกว่า 1 พันล้านครั้ง

ข้อได้เปรียบเชิงโครงสร้างหลักของ Sereact คือ Data Flywheel แบบวงปิด ระบบ Sereact กว่า 200 ระบบทำงานจริงทั่วยุโรปกับลูกค้าอย่าง Daimler Truck, Mercedes-Benz, BMW, PepsiCo, Austrian Post และ Rohlik Group ระบบเหล่านั้นได้ทำการ 'Pick' สินค้าจริงในสายการผลิตมากกว่าหนึ่งพันล้านครั้ง ไม่ใช่ข้อมูลจำลองหรือข้อมูลจากห้องแล็บ แต่เป็นการหยิบจับจริงจากการปฏิบัติงานจริง ทุกครั้งที่หยิบจับ ไม่ว่าจะสำเร็จ ล้มเหลว หรือกู้คืน จะถูกบันทึกพร้อมข้อมูลการสังเกต สถานะหุ่นยนต์ และแรงป้อนกลับแบบซิงโครไนซ์ จากนั้นป้อนกลับไปยังโมเดลส่วนกลางที่ได้รับการฝึกฝนและปรับใช้ซ้ำอย่างต่อเนื่องทั่วทั้งกองเรือ กองเรือนี้มีอัตราความน่าเชื่อถือประมาณหนึ่งครั้งที่ต้องให้มนุษย์ช่วยเหลือระยะไกลต่อการหยิบจับ 53,000 ครั้ง

Cortex 2.0: จาก 'ลองแล้วค่อยดู' สู่ 'วางแผนแล้วค่อยลอง'

Cortex 2.0 โมเดลรุ่นต่อไปที่เงินทุน Series B ถูกจัดสรรให้ขยายโดยเฉพาะ ได้เพิ่ม World Model ที่เรียนรู้จากการจำลองฟิสิกส์และพฤติกรรมของวัตถุเข้าไปในโมเดล VLA ปัจจุบัน แทนที่หุ่นยนต์จะลงมือทำและแก้ไขข้อผิดพลาดแบบตั้งรับ ตอนนี้หุ่นยนต์จะสร้างวิถีการเคลื่อนที่ในอนาคตที่เป็นไปได้หลายแบบจากสถานะปัจจุบัน ให้คะแนนแต่ละแบบกับ World Model ในแง่ของความเสถียร ความเสี่ยง และประสิทธิภาพ จากนั้นจึงเลือกเฉพาะเส้นทางที่ได้คะแนนดีที่สุด และอัปเดตแบบเรียลไทม์เมื่อฉากเปลี่ยนไป การเปลี่ยนกระบวนทัศน์จาก 'ลองแล้วค่อยดู' เป็น 'วางแผนแล้วค่อยลอง' มีความสำคัญอย่างยิ่งสำหรับงานที่มีความเสี่ยงสูง เช่น การประกอบชิ้นส่วนภายใต้แรงดึง การวางสิ่งของที่เปราะบาง และการจัดชุดอุปกรณ์ ไม่ใช่แค่การหยิบจับเท่านั้น การประมวลผลการวางแผนสามารถปรับแต่งได้ตามงาน โดยจะใช้การคาดการณ์ล่วงหน้ามากขึ้นเมื่อความล้มเหลวมีต้นทุนสูง และใช้น้อยลงเมื่อการกู้คืนมีต้นทุนต่ำ ทุนรอบ Series B ยังใช้สำหรับการขยายธุรกิจระหว่างประเทศของ Sereact รวมถึงการเปิดสำนักงานแห่งใหม่ในบอสตัน