Clarity Systems 获 440 万美元种子轮：用 X 射线 AI 扫描退货，能否堵住千亿美元零售欺诈漏洞？

在美国一家大型零售商的退货柜台前，一名员工接过一个封好的电子产品包装盒。按照流程，他需要打开盒子、核对序列号、检查配件是否齐全、判断商品是否被调包，再决定是退款还是拒收。这套动作平均耗时数分钟，而排队的顾客正在失去耐心。更棘手的是，如果盒子里装的是一块等重的铁块，或者被替换过的内部组件，肉眼检查几乎无法发现。2024年，美国零售商因退货欺诈损失了约1030亿美元，超过全部退货商品的15%。现在，一家成立仅一年的公司声称，它可以在三秒内看穿包装盒，而不必打开它。

这家公司叫 Clarity Systems。2026年8月13日，Clarity Systems 宣布完成440万美元种子轮融资，由 LMnT Ventures 领投，Regeneration VC、Humba Ventures 和 Massive Technology Ventures 参与。公司称，其系统结合诊断级 X 射线成像、计算机视觉和自研 AI 模型，在退货和收货环节对未拆封商品进行内容核验，识别假冒品、商品调包、缺失配件等欺诈行为。这笔融资的金额在种子轮中并不算大，但它试图切入的是一个长期被忽视、却在电商时代急剧膨胀的零售基础设施缺口。

退货欺诈的产业化和传统防损体系的错位

退货欺诈早已不是零星的个人行为。Clarity Systems 联合创始人兼 CEO Andy Ruben 在融资公告中直言：“零售欺诈已经成为一个专业化产业，在退货柜台和收货码头规模化运作，而大多数防御体系是为商店盗窃时代建立的。”这句话指向一个结构性错位：过去几十年的零售防损体系主要围绕门店盗窃和收银台欺诈设计，而退货欺诈发生在交易完成之后，欺诈者利用的是零售商为提升顾客体验而设计的宽松退货政策。

据 Appriss Retail 和 Deloitte 的数据，2024年退货欺诈给零售商造成的损失估计为1030亿美元，占全部退货商品的15%以上。Clarity Systems 官网则给出了更高的口径：零售商每年因退货欺诈损失1500亿美元。两个数字的差异值得注意——1030亿美元来自第三方研究机构，而1500亿美元是公司网站自行披露的数据，后者未注明统计方法和时间范围。从已核实的公开信息看，1030亿美元是目前可追溯的第三方估算，1500亿美元则应视为公司口径。

欺诈的具体形式包括：购买真品后退回假冒品、将高价商品替换为低价商品、取出内部组件后退回空壳、以及“wardrobing”——购买服装穿用后退货。这些行为在传统的人工检查流程中极难被系统性识别。一个训练有素的退货处理员或许能发现明显的包装破损，但很难辨别一个被重新塑封的盒子里的商品是否被调换过。零售商面对这种压力，往往采取一刀切的收紧退货政策，比如缩短退货窗口、要求出示更多凭证、限制退货频次。这些措施在降低欺诈损失的同时，也伤害了诚实顾客的体验。Clarity 提出的替代方案是：把判断从“人”转移到“机器”，让每一件退货商品在进入建筑的那一刻就被扫描和比对。

三秒扫描背后的技术路径与部署逻辑

Clarity Systems 的技术描述听起来像机场安检的零售版本。据公司披露，其系统使用诊断级 X 射线成像获取包装内商品的内部结构图像，再通过计算机视觉和自研 AI 模型将扫描结果与原始制造商的产品档案进行比对。公司称，整个过程约需三秒，无需拆开包装。官网还提到，系统集成了“专利分类模型”，并支持“一次登记、永久验证”——商品在首次入库或登记时被扫描建档，之后每次退货时都可以与原始档案比对，无需重新训练模型。

从技术架构上看，这套系统面临的核心挑战不是“能不能拍出 X 光片”，而是“能否在零售现场的高速流水线上做出可靠判断”。诊断级 X 射线成像在医疗和工业检测领域已经成熟，但将其部署到退货柜台和收货码头意味着要处理大量不同品类、不同包装形态、不同内部结构的商品。一个电子产品包装盒和一件服装的 X 射线图像差异巨大，AI 模型需要具备跨品类的泛化能力。公司称其系统已经在“活跃的退货和收货运营中”运行，但未披露具体部署规模、误报率和漏报率。这些指标是判断系统能否真正替代或增强人工检查的关键，目前均未公开。

另一个值得关注的技术细节是“三秒”这个数字。在融资公告中，公司称系统“在三秒内看到退货和收货商品的内部”；官网则引用了一篇媒体报道，称 Clarity 的技术“在3.2秒内识别假冒、篡改和欺诈性退货”。三秒和3.2秒的差异不大，但来源不同——前者是公司官方口径，后者来自公司网站引用的媒体表述。无论哪个数字，都未说明这是纯扫描时间还是包含 AI 分析在内的端到端处理时间，也未说明在高峰时段多件商品连续扫描时的实际吞吐量。

从退货柜台到收货码头：一个被低估的双场景市场

Clarity 的产品定位有一个容易被忽略的特点：它同时覆盖退货和收货两个场景。退货柜台面对的是消费者退回的商品，收货码头面对的是供应商发来的商品。这两个场景的欺诈逻辑不同——前者更多是消费者欺诈，后者更多是供应链环节的调包或假冒品混入——但对“不拆包验货”的需求是一致的。

在退货场景中，Clarity 的价值主张是减少人工检查时间、提高假冒品和调包品的识别率、同时避免对诚实顾客施加更多限制。在收货场景中，价值主张则转向供应链完整性：在商品进入库存之前就发现假冒品和缺失配件，避免问题商品流入销售环节。公司官网列出的能力包括：在扫描时检测假冒品、识别缺失配件、发现损坏或无法工作的商品、检测被调换的组件和被篡改的包装。这些能力横跨两个场景，意味着 Clarity 的潜在市场不限于退货欺诈，而是延伸到更广泛的零售商品核验。

然而，双场景部署也意味着双重的集成复杂度。退货柜台需要与零售商的 POS 系统、退货管理系统和客户关系系统对接；收货码头则需要与仓库管理系统、供应商管理系统和库存系统集成。Clarity 未披露其系统与哪些零售技术栈已完成集成，也未说明部署一台设备需要多长时间、是否需要改造现有退货通道。对于一家种子轮公司来说，这些集成能力往往比 AI 模型本身更决定商业化的速度。

没有竞争对手名单的赛道，并不意味着没有替代方案

Clarity 的融资材料中没有列出任何直接竞争对手。这在早期创业公司的融资公告中并不罕见，但并不意味着这个赛道是空白的。从已核实的公开信息看，Clarity 的替代方案至少包括三类：一是零售商现有的人工检查流程，这是最直接、最普遍的替代方案；二是基于计算机视觉的外包装检查系统，这类系统可以识别包装破损和标签异常，但无法看到包装内部；三是退货政策收紧和黑名单制度，这类方案不依赖任何硬件，而是通过限制退货行为来降低欺诈损失。

Clarity 的差异化在于 X 射线成像带来的“透视”能力。这是外包装视觉检查无法做到的，也是人工检查在效率和准确性上难以匹敌的。但 X 射线硬件也带来了成本和部署门槛。一台诊断级 X 射线设备的价格、维护成本、辐射安全合规要求、以及对操作人员的培训需求，都远高于一台普通的计算机视觉摄像头。Clarity 未披露其硬件的单价、部署成本和商业模式——是按次扫描收费、按月订阅、还是硬件销售加软件服务费。这些信息对于评估其在大规模零售网络中的可复制性至关重要。

从投资方的表态看，LMnT Ventures 的 Jeff Miller 强调了两个关键点：创始团队在零售和退货领域的经验，以及“这不是 AI 理论——它已经在 Clarity 系统上运行”。后半句值得注意。它暗示 Clarity 已经有了实际部署，而非停留在原型阶段。但“已经在系统上运行”和“已经在商业规模上运行”之间有巨大差距。一家大型全国性零售商可能有数千个退货点，Clarity 目前部署了多少台设备、覆盖了多少个退货点、每天处理多少件商品，这些数据均未披露。

440万美元的资本结构与资金用途的错配风险

440万美元的种子轮融资，对于一家同时涉及硬件制造、AI 模型开发、企业级软件集成和全国性零售商部署的公司来说，是一个相对紧凑的数字。作为对比，硬件类 AI 创业公司的种子轮通常在600万到1200万美元之间。Clarity 的融资规模偏小，可能反映了几个因素：创始团队可能投入了自有资金或已有早期客户收入支撑部分研发；投资方可能采取了分阶段注资的策略；或者公司的硬件方案采用了租赁或第三方制造模式，降低了前期资本支出。

公司披露的资金用途是“扩大 AI 驱动的欺诈检测技术，并支持其系统整合到全国性零售退货和收货运营中”。这个表述相当宽泛。从已核实的公开信息看，Clarity 未披露资金将如何在硬件生产、AI 研发、销售团队建设和客户部署之间分配。对于一个已经签下“主要全国性零售商”的公司来说，客户部署往往需要大量的现场工程和集成工作，这部分成本可能远超 AI 模型训练本身。如果440万美元中的大部分被用于服务早期客户，那么用于产品化和规模化复制的资金就会受到挤压。

另一个值得关注的资本结构问题是：本轮没有出现传统意义上的零售科技或企业软件风投，领投方 LMnT Ventures 和参与方 Regeneration VC、Humba Ventures、Massive Technology Ventures 都不是以零售科技投资闻名的机构。这可能意味着 Clarity 的融资故事更偏向“AI+硬件”而非“零售 SaaS”，也可能意味着更专注于零售赛道的投资机构对这个模式的规模化能力持保留态度。当然，这也可以解读为投资方看到了一个尚未被传统零售科技基金充分定价的交叉机会。从已披露的信息无法判断哪种解释更接近事实。

早期客户验证与未披露的关键指标

Clarity 声称在成立第一年内就签下了“主要全国性零售商”，并已在其退货和收货运营中部署。这是本轮融资中最有分量的信息，也是最需要审慎对待的信息。公司未披露客户名称、合同金额、部署设备数量、覆盖门店数量、以及客户是否支付了商业合同费用还是仅参与试点。在零售科技领域，“签下”一词可能意味着正式的商业合同，也可能意味着免费试点或付费概念验证。从公开材料无法区分。

投资方 Jeff Miller 的声明提供了一个间接验证：“这不是 AI 理论——它已经在 Clarity 系统上运行。”这句话如果属实，意味着至少有一个客户已经在真实运营环境中使用 Clarity 的设备。但“运行”不等于“产生可衡量的商业价值”。零售商是否因为使用 Clarity 而减少了欺诈损失？误报率是否低到不会显著增加员工的工作量？系统是否在高峰时段保持了稳定的处理速度？这些问题的答案目前都不在公开信息中。

从已披露的X与Y看，这意味着 Clarity 已经跨越了从实验室到真实场景的第一步，但尚未提供证据证明其系统能在全国性零售网络的规模上持续产生投资回报。早期客户的存在降低了技术可行性的风险，但商业化验证的边界仍然模糊。一家零售商愿意试点一套 X 射线退货扫描系统，和愿意将其推广到所有门店并为此支付可观费用，是两件完全不同的事。

退货欺诈检测的产业链约束与 Clarity 的待验证假设

把 Clarity 放回真实的零售产业链中，可以看到几个结构性的约束。第一，退货处理是一个成本中心，零售商对任何增加退货处理时间的方案都高度敏感。Clarity 声称三秒完成扫描，但如果加上设备启动、商品定位、异常复核等环节，实际增加的时间可能远超三秒。第二，X 射线设备在零售环境中的部署涉及辐射安全合规，不同州和不同零售业态的要求可能不同，这会增加部署的复杂性和成本。第三，退货欺诈的形态在不断演化，欺诈者会针对扫描系统开发新的规避手段，Clarity 的 AI 模型需要持续更新，而更新成本由谁承担、更新频率如何，均未披露。

Clarity 的核心待验证假设是：零售商愿意为“不拆包验货”支付足够的费用，以覆盖 X 射线硬件、AI 软件和持续运营的成本。这个假设的成立取决于几个因素：欺诈损失是否足够大、人工检查是否足够低效、以及 Clarity 的方案是否比收紧退货政策更经济。从已核实的公开信息看，1030亿美元的行业损失规模支持欺诈问题的严重性，但 Clarity 未提供任何关于其方案的投资回报率数据。一个零售商需要减少多少欺诈损失才能收回一套 X 射线扫描系统的投资？这个数字不存在于任何公开材料中。

另一个待验证假设是“一次登记、永久验证”的可行性。这个模式要求商品在首次入库或登记时被扫描建档，之后每次退货时与原始档案比对。对于标准化程度高的电子产品，这个逻辑是成立的。但对于服装、鞋类等品类，同一 SKU 的不同批次、不同颜色、不同尺码之间可能存在细微差异，X 射线图像能否区分这些差异并准确判断“是否与原始档案匹配”，是一个未经验证的技术问题。Clarity 未披露其系统在不同品类上的准确率差异。

从编辑推断的角度看，Clarity 选择了一个真实存在且规模巨大的问题，其技术路径在原理上成立，但商业化的关键不在于 AI 模型有多精准，而在于能否在零售现场的成本、速度和合规约束下持续运行。440万美元的种子轮融资足以支撑早期部署和客户验证，但不足以证明这个模式能在全国性零售网络中规模化复制。接下来的12到18个月，Clarity 需要回答的问题不是“X 射线能不能看穿包装盒”，而是“零售商愿不愿意为这个能力买单，以及买单的金额能否支撑一家可持续的公司”。

验证边界与可复核指标

本文涉及的“首个、唯一、最大、领先”、订单、出货、性能等表述，如无另行说明，均是公司、创始人或投资方在现有公开材料中的披露口径；RecodeX未在本次采集材料中找到独立审计或第三方测试结论，因而不将其视为已经独立确认的事实。文中的产业协同、竞争位置和商业路径属于基于已披露产品与融资用途的编辑分析，不代表相关结果已经实现。

• 技术侧应核验第三方测试条件、样本规模、良率、稳定性及与可比方案一致口径的结果；
• 商业侧应核验去重后的付费客户、可执行合同、收入确认、复购率以及订单转化；
• 资本与产业协同应以工商股权、关联交易、联合开发、采购或量产文件为准。

RecodeX 极客视：Clarity Systems 把机场安检的逻辑搬进了退货柜台，用 X 射线和 AI 在三秒内判断一个未拆封的盒子里装的是不是它本该装的东西。这个想法足够直接，也足够昂贵。真正的考验不在于扫描速度，而在于零售商是否愿意在每一个退货点部署一台诊断级设备，并为每一次扫描付费。如果答案是肯定的，Clarity 可能重新定义退货欺诈的防御方式；如果答案是否定的，它可能只是又一个在千亿美元问题上留下漂亮技术演示的创业公司。