ที่ที่หุ่นยนต์ “ได้งานทำ” จริงแล้วเป็นล้านตัว

มีคำถามคลาสสิกในวงการหุ่นยนต์ว่า “ทำไมหุ่นยนต์ถึงยังทำงานบ้านไม่ได้?” คำตอบคือบ้านมัน ยุ่งเหยิงเกินไป — ของวางไม่เป็นที่ มีเด็ก มีหมา มีบันได แต่โกดังตรงข้ามกันเลย: พื้นเรียบ แสงคงที่ ของวางในกล่องมาตรฐาน เส้นทางควบคุมได้ นี่คือ “สนามซ้อม” ในฝันของหุ่นยนต์ และเป็นเหตุผลแรกที่มันชนะที่นี่ก่อนที่อื่น

เหตุผลที่สองคือ เงิน งานคลังเป็นงานหนัก น่าเบื่อ และคนไม่อยากทำ ในสหรัฐฯ ต้นปี 2025 มีตำแหน่งงานคลังว่างอยู่กว่า 370,000 ตำแหน่ง อัตราการลาออกทั้งอุตสาหกรรมสูงถึง 46–49% ต่อปี (ของ Amazon บางช่วงประเมินกันว่าแตะ ~150%) และการหาคนมาแทน 1 คนมีต้นทุนเฉลี่ยราว $18,600 เมื่อคนหายากและแพงขึ้นเรื่อยๆ การเอาหุ่นยนต์มาแทนจึงไม่ใช่เรื่องเท่ แต่เป็นเรื่อง คณิตศาสตร์ธุรกิจ

เหตุผลที่สามคือ อีคอมเมิร์ซและการส่งของวันเดียว ความคาดหวังของลูกค้าที่อยากได้ของเร็วขึ้นเรื่อยๆ บีบให้โกดังต้องทำงานเร็วและแม่นกว่ามนุษย์จะไหว สามแรงนี้รวมกันดันให้ตลาด warehouse automation โตจากราว $30,000 ล้านในปี 2026 ไปแตะ ~$60,000 ล้านในปี 2030 (CAGR ~19%) — เป็นหนึ่งในกลุ่มที่โตเร็วที่สุดของโลจิสติกส์ทั้งหมด

และนี่คือเหตุผลที่ทำให้ ROI ของมันชัดเจนผิดปกติ AMR ทั่วไปเช่าใช้กันที่ราว $2,000–4,000 ต่อตัวต่อเดือน และคืนทุนได้ในเวลาเร็วสุดราว 12 เดือน — เมื่อคำนวณเทียบกับค่าจ้าง ค่าฝึก และค่าลาออกของคนแล้ว ตัวเลขมันลงตัวจนยากจะปฏิเสธ

ไอเดียที่เปลี่ยนเกมโกดังมากที่สุด ไม่ใช่หุ่นยนต์ที่ฉลาดขึ้น แต่เป็นการ “กลับด้านความคิด” ทั้งหมด — แทนที่จะให้คนเดินไปหาของบนชั้น ก็ให้ของวิ่งมาหาคนแทน เรียกว่า goods-to-person (G2P)

เดิมทีในโกดังแบบเก่า คนหยิบของ (picker) ใช้เวลากว่าครึ่งของชั่วโมงทำงานไปกับการ เดิน เปล่าๆ ระหว่างชั้นวาง บางคนเดินวันละ 15–20 กิโลเมตร ระบบ G2P ตัดการเดินนั้นทิ้งทั้งหมด: หุ่นยนต์เตี้ยๆ มุดเข้าใต้ชั้นวางสินค้า ยกมันขึ้นทั้งชั้น แล้วขับมาส่งให้คนที่ยืนนิ่งอยู่ที่สถานีหยิบ คนแค่หยิบของชิ้นที่หน้าจอบอก ใส่กล่อง แล้วหุ่นยนต์ตัวต่อไปก็พาชั้นถัดไปมาเสิร์ฟ

ระบบ G2P ที่โด่งดังที่สุดเริ่มจาก Kiva Systems ที่ Amazon ซื้อไปในปี 2012 (กลายเป็น Amazon Robotics) อีกแนวคือ ระบบลูกบาศก์ (cube-based) ของ AutoStore ที่อัดกล่องสินค้าเป็นตารางสามมิติแน่นๆ แล้วใช้หุ่นยนต์วิ่งบนหลังคาตารางคอยคีบกล่องที่ต้องการขึ้นมา — แค่ปี 2025 ปีเดียวมีคลังที่ติดตั้งระบบลูกบาศก์แบบนี้แล้วกว่า 9,500 แห่ง และเซกเมนต์ G2P นี้กำลังโตราว 14% ต่อปี เร็วกว่าค่าเฉลี่ยของตลาด

ถ้าการ ขนของ คือสงครามที่หุ่นยนต์ชนะไปแล้ว การ หยิบของทีละชิ้น (piece picking) คือสมรภูมิที่ยังสู้กันอยู่ และเป็นเหตุผลที่โกดังยังต้องมีคนยืนอยู่ปลายทาง

ทำไมการหยิบถึงยาก? เพราะมือมนุษย์เก่งอย่างน่าทึ่ง — เราหยิบขวดแชมพูลื่นๆ ถุงขนมยู่ยี่ กล่องใส กับลูกบอลกลมๆ ได้โดยไม่ต้องคิด แต่สำหรับหุ่นยนต์ ของแต่ละชิ้นที่ รูปร่าง น้ำหนัก ผิวสัมผัสไม่เหมือนกันเลย และวางปนกันมั่วในถัง คือฝันร้าย มันต้องมองให้ออกว่าชิ้นไหนคือชิ้นที่ต้องหยิบ คำนวณว่าจะจับตรงไหนถึงไม่หล่น แล้วลงมือ — ทั้งหมดในเสี้ยววินาที งานนี้ในวงการเรียกกันว่า “จอกศักดิ์สิทธิ์ (the holy grail)” ของหุ่นยนต์คลังสินค้า

ภาพประกอบ (picking.png)

ความคืบหน้ามาจากสองทาง: กริปเปอร์ (gripper) ที่ฉลาดขึ้น — ส่วนใหญ่ใช้หัวดูดสุญญากาศที่ปรับแรงดูดได้ บางตัวผสมนิ้วกล — บวกกับ คอมพิวเตอร์วิชันและ AI ที่อ่านภาพ 3 มิติของกองสินค้า แล้วเดาจุดจับที่มั่นคงที่สุดได้แม่นขึ้นเรื่อยๆ ทุกวันนี้แขนกลรุ่นดีๆ จับของได้เร็วและนิ่งพอจะใช้งานจริง บางระบบลดการ “หยิบซ้อน” (หยิบติดมาสองชิ้น) ลงได้ถึง 99% ด้วยการรวมสัญญาณเซนเซอร์หลายตัว

ตัวเลขที่เล่าเรื่องนี้ได้ดีที่สุดมาจาก Amazon: แขนกลหยิบของชื่อ Sparrow ของพวกเขา ปัจจุบันจัดการสินค้าได้ราว 65% ของรายการทั้งหมด ในแคตตาล็อก — แปลว่าในศูนย์ที่ใช้ระบบนี้ งานหยิบ-เก็บราว 65% เป็นงานหุ่นยนต์ได้แล้ว นั่นคือความก้าวหน้ามหาศาล แต่ก็แปลว่าอีก ~35% ที่เหลือ (ของแปลก ของเปราะ ของรูปทรงพิลึก) ยังต้องพึ่งมือคนอยู่ดี

node นี้เป็นหนึ่งใน “สาขาการใช้งาน” ของ Robotics & Physical AI และเป็นสาขาที่ โตเต็มวัยที่สุด — หุ่นยนต์คลังสินค้าทำเงินจริงและถูกใช้งานเป็นล้านตัวแล้ว ขณะที่พี่น้องหลายสาขายังอยู่ในช่วงทดลอง ลองดูว่ามันเชื่อมกับพี่น้องอย่างไร:

• คนละเรื่องกับ Humanoid Robots: โกดังพิสูจน์ว่า “รูปร่างคน” ไม่จำเป็นเลย — หุ่นยนต์ที่ชนะในคลังคือกล่องเตี้ยมีล้อ ไม่ใช่หุ่นเดินสองขา ฮิวแมนนอยด์ตั้งเป้ามาทำงานที่หุ่นยนต์เฉพาะทางทำไม่ได้ แต่ในโกดัง หุ่นยนต์เฉพาะทางยังคุ้มกว่ามาก
• ใช้ชิ้นส่วนจาก Robotics Components & Actuation: มอเตอร์ ล้อ เซนเซอร์ และชุดขับเคลื่อน — ทุก AMR และแขนกลต้องพึ่งเลเยอร์ “คนขายอุปกรณ์” นี้
• สมองมาจาก Robotics AI & Embodiment Software: ความสามารถในการมองเห็น วางแผนเส้นทาง และเดาจุดจับของ มาจากซอฟต์แวร์ AI ฝั่งนี้ — และยิ่ง AI เก่งขึ้น เปอร์เซ็นต์การหยิบก็ยิ่งขยับขึ้น
• เป็นญาติกับ Industrial Automation & Cobots: แขนกลในโรงงานกับแขนกลในคลังมาจากเทคโนโลยีเดียวกัน ต่างกันที่งาน — โรงงานทำของซ้ำๆ เป๊ะๆ คลังต้องรับมือกับของหลากหลายที่ไม่เหมือนกันเลย

นอกวงหุ่นยนต์ มันยังพันกับเทรนด์ใหญ่อื่น — มันพึ่งพา Artificial Intelligence เป็นสมอง, ตอบโจทย์ สังคมสูงวัย ที่แรงงานหนุ่มสาวหดตัว, และเป็นลูกค้ารายใหญ่ของ Electrification & Mobility เพราะหุ่นยนต์ทุกตัวกินไฟและใช้แบตเตอรี่

ตัวเลขที่ช็อกที่สุดของวงการนี้มาจาก Amazon: กลางปี 2025 บริษัทประกาศว่ามีหุ่นยนต์ในเครือข่ายคลัง เกิน 1 ล้านตัว กระจายอยู่ในกว่า 300 ศูนย์ทั่วโลก เทียบกับพนักงานคนราว 1.5 ล้านคน — อัตราส่วนหุ่นยนต์ต่อคนกำลังเข้าใกล้ 1:1 และกว่า 75% ของออเดอร์ตอนนี้ผ่านมือหุ่นยนต์อย่างน้อยหนึ่งตัว

ที่สำคัญกว่าจำนวนคือ เงินที่ประหยัดได้ ศูนย์รุ่นใหม่ที่สุดของ Amazon ในเมือง Shreveport ที่ใช้ระบบ Sequoia (รวม AMR + แขนกล + ระบบเก็บของ) ลดต้นทุนการจัดส่งลงราว 25% นักวิเคราะห์ฝั่ง Wall Street ประเมินว่าการเปลี่ยนไปใช้หุ่นยนต์อาจทำให้ Amazon ประหยัดได้ $2,000–4,000 ล้านต่อปี ภายในปี 2027 — และนั่นคือ Amazon รายเดียว

แต่ Amazon เป็นทั้ง ผู้ใช้ รายใหญ่ที่สุดและ ผู้พัฒนา หุ่นยนต์เอง (Amazon Robotics เป็นหน่วยภายใน ไม่ขายให้ใคร) เลยทำให้สนามนี้แบ่งเป็นสองโลก: ยักษ์อีคอมเมิร์ซที่ทำหุ่นยนต์ใช้เอง กับบริษัทที่ ขายระบบ ให้คนอื่น ผู้เล่นตัวจริงหลายรายในฝั่งเทคโนโลยีล้วนยังเป็นบริษัทเอกชนที่ไม่ได้อยู่ในตลาดหุ้น (เช่น AutoStore ในยุคแรก, Locus Robotics, Mujin) — เราจึงจัดวางผู้เล่นตาม บทบาทและส่วนแบ่งในห่วงโซ่จริง มากกว่ามูลค่าตลาดดิบ

ทิศทางแรกคือ เปอร์เซ็นต์การหยิบจะไต่ขึ้นเรื่อยๆ ถ้า AI ฝั่งการมองเห็นและการจับของเก่งขึ้น ตัวเลข ~65% ที่หุ่นยนต์หยิบได้วันนี้ก็จะขยับขึ้น และทุกๆ เปอร์เซ็นต์ที่เพิ่ม แปลว่าคนที่ต้องยืนปลายสายลดลง นี่คือจุดที่ความก้าวหน้าของ ซอฟต์แวร์ AI หุ่นยนต์ จะแปลงเป็นเงินโดยตรง

ทิศทางที่สองคือ โมเดล “หุ่นยนต์เป็นบริการ” (Robotics-as-a-Service) แทนที่ธุรกิจขนาดกลางจะต้องลงทุนก้อนใหญ่ซื้อระบบ ก็เช่าหุ่นยนต์เป็นรายเดือนแทน — JV “GreenBox” ของ Symbotic กับ SoftBank คือการเดิมพันครั้งใหญ่กับโมเดลนี้ ซึ่งจะเปิดประตูให้คลังขนาดเล็กลงเข้าถึงระบบอัตโนมัติได้

ทิศทางที่สามคือ การไหลของฮิวแมนนอยด์เข้ามาในโกดัง หลายบริษัท (รวมถึง Amazon) กำลังทดสอบหุ่นยนต์สองขาในคลัง โดยหวังให้มันทำงาน “ช่วงรอยต่อ” ที่หุ่นยนต์มีล้อทำไม่ได้ เช่นขนของขึ้นรถบรรทุก — แต่ตอนนี้ยังเป็นการทดลอง ในงานจริงส่วนใหญ่ หุ่นยนต์เฉพาะทางที่เตี้ยและถูกกว่ายังคุ้มกว่ามาก

เรื่องราวที่ดูสวยงามนี้มีหลุมพรางที่ต้องระวังหลายข้อ

ความเสี่ยงข้อแรกคือ การหยิบยังไม่ชนะเต็มร้อย ตราบใดที่อีก ~35% ของสินค้ายังต้องพึ่งมือคน คลังก็ยัง “ไร้คนทั้งหมด” ไม่ได้จริง ความฝันเรื่อง “dark warehouse” (โกดังที่มืดสนิทเพราะไม่มีคน) ยังเป็นเป้าหมายระยะไกล ไม่ใช่ของวันนี้ — และความก้าวหน้าของ dexterity มักช้ากว่าที่คนคาดเสมอ

ความเสี่ยงข้อสองคือ การกระจุกตัวที่ลูกค้าน้อยราย นี่ชัดมากในเคสของ Symbotic ที่รายได้กว่า 84% มาจาก Walmart รายเดียว — ถ้าลูกค้าใหญ่รายนั้นชะลอการลงทุนหรือเปลี่ยนใจ ผลกระทบจะรุนแรงทันที สนามนี้ลูกค้ารายใหญ่ๆ มีอำนาจต่อรองสูง และหลายรายเลือกที่จะ ทำหุ่นยนต์เอง แทนการซื้อ (อย่าง Amazon) ซึ่งกินตลาดของผู้ขายระบบไปด้วย

ความเสี่ยงข้อสามคือ ทุนหนักและความผันผวนตามวัฏจักร ระบบคลังอัตโนมัติเป็นโครงการ capex ก้อนใหญ่ที่ลูกค้าจะชะลอทันทีเมื่อเศรษฐกิจหรืออีคอมเมิร์ซแผ่ว เราเห็นแล้วว่าแม้แต่ยักษ์ก็ถอย — Zebra เข้าซื้อ Fetch Robotics แล้วสุดท้ายต้องปิด/ขายทิ้ง ส่วน Honeywell ก็ตัดสินใจขายธุรกิจ Intelligrated ออกในปี 2026 บทเรียนคือ “เทรนด์โตจริง” ไม่ได้แปลว่า “ทุกบริษัทจะรอด”

และข้อสุดท้ายที่หลีกเลี่ยงไม่ได้คือ แรงกระเพื่อมต่อแรงงาน ทุกหุ่นยนต์ที่เพิ่มเข้ามา คือการแทนที่งานคนบางส่วน — มีรายงานว่า Amazon วางแผนชะลอการจ้างงานคลังหลายแสนตำแหน่งในระยะยาวจากการใช้หุ่นยนต์ นี่เป็นทั้งแรงขับของเทรนด์ (ประหยัดต้นทุนแรงงาน) และความเสี่ยงเชิงสังคม-การเมืองที่อาจนำไปสู่แรงกดดันด้านกฎระเบียบในอนาคต

สรุปสั้นๆ: ในบรรดาสาขาหุ่นยนต์ทั้งหมด โกดังคือที่ที่ “อนาคต” มาถึงก่อนใคร — ไม่ใช่เพราะหุ่นยนต์ที่นี่ฉลาดที่สุด แต่เพราะมันคุ้มที่สุด การเข้าใจว่าหุ่นยนต์ชนะที่ไหนก่อน และเพราะอะไร คือการเข้าใจว่าหุ่นยนต์ทั้งวงการจะเดินต่อไปทางไหน