一夜之間，大家仿佛都清心寡欲了起來。

最近在群里分享點吃的用的，偶爾還有人捧場。如果是首飾衣服，先商業互吹一番“好看”，緊接著就是“去年買的衣服都穿過了嗎”“工作都沒了還買什么包”“別看了拼夕夕差一刀幫我砍一下”等的靈魂拷問……

擱半年之前，這么勤儉持家的場面都是不可能出現的。哪怕剛剛裸辭，女人們也敢刷信用卡買下新款裙子，美其名曰“換種姿態迎接新生活”。

結果“黑天鵝”“灰犀牛”齊齊到來，沒有“報復性收入”的普通人，也開始老老實實面對慘淡的生活，將消費欲望降到最低。

當大家開始尋找不花錢就可以得到的快樂，許多“AI期貨”也就“穿倉”了。說人話就是，那些靠AI描繪的商業藍圖，合理審視比盲目追捧的聲音更大了。

穿衣AI，就是其中一個。

AI搭配師：逮不著耗子，當不了好貓

用AI給消費者搭配服飾鞋帽、口紅妝容等等，從2017年AI浪潮興起開始，就被安排進了技術大廠的開發周期表。

某貓上線了FashionAI，通過電商平臺上的潮人搭配方案，基于屬性、顏色、風格、細節等維度，可以為一款單品匹配到最適合的穿搭方式。官方說辭是，1秒鐘能為消費者提供與其相符的100套穿搭建議。

某狗也奮勇爭先，成立時尚科技研究院用戶只要將衣服放到Mirror+智能搭配產品前，系統就會通過推薦算法找到合適的服裝搭配。

一些女性群體為主的電商平臺，也都相繼成立過“搭配研究所”、搭配體驗平臺等等，利用平臺的大數據優勢訓練時尚分析模型。

一時之間，感覺整個電商服裝行業都AI了起來。

時尚產業根基更為成熟的歐美，自然更不會放過這個掘金的機會。

電商巨頭亞馬遜，就在CVPR 2020會議上推出了好幾款AI穿衣模型。比如Outfit-VITON，就可以將多件衣服搭配在一起，讓消費者看到上身效果。

如果用戶看上了款式卻沒有相中顏色，也可以直接查詢“相同款式的粉色連衣裙”，系統就會幫助其找出相應的商品。

谷歌與德國電商Zalando合作，基于TensorFlow打造一款時裝設計產品Project Muze，

用戶告訴AI自己的性別、心情、興趣愛好和喜歡的藝術類型等信息，再在模特身上隨便涂鴉幾筆，Project Muse 就可以馬上設計一款時裝造型。

如果對方是一位熱愛古典音樂、心情有點兒迷茫，并在模特身上畫了三角形的女士，它就設計出了一條斗篷式的綠色連衣裙，外面還會覆蓋一層有憂郁氣質的棕色薄紗。

學術界的時尚嗅覺也出人意料，不少高校研究人員用論文證明，自己并不是“nerds”（書呆子）。

2019年，UT 奧斯汀、康奈爾大學、喬治亞理工和 Facebook AI 研究中心聯合發布了一款名為Fashon ++ 的模型，基于深度生成網絡，讓AI學習到時尚和不時尚兩種圖像，深度網絡就會生成出最適合的著裝方式。“一鍵改衣”，讓單品的時尚度瞬間up！

比如，模型會建議去掉袖子、將下擺塞進去等操作，讓整個look看起來更有型。用來幫助人們進行服裝設計與搭配指導，自然也不在話下。

看到這里，我覺得最需要這些軟件的是《少婦白潔》的直男作者（劃掉）隨處可見的“搭配廢柴”——比如我。

但你會不會奇怪，明明技術實現并不困難，訓練數據車載斗量，參與群眾更是熱情滿滿、積極試錯，為什么“AI試衣”“AI搭配”的日常使用率就是不高呢？

以我個人的不完全觀察來看，盡管大家會對各種新奇功能發出“鵝妹子嚶”的贊嘆，但到了支付真金白銀的千鈞一刻，無論是網購還是實體門店，都更傾向于依賴時尚博主、姐妹親友甚至導購的專業推薦（瘋狂夸獎），而不是信任AI。

叫好不叫座，可能是“AI搭配師”面對的殘酷現實。它到底做錯了什么，可能平臺們從一開始，就想錯了“穿衣”這件事。

審美黑洞與時尚icon之間，隔了100個AI

為什么AI極盡可能創造的價值點，但消費者就是不買單？或許是時候給科技大佬們滋點水醒醒了，技術本身與時尚需求，或許南轅北轍。

其中相悖的矛盾點，主要體現在三個方面：

1.技術向百搭VS個人向適合

AI搭配師的出現，原本是為了解決消費者面對琳瑯滿目的衣服無從下手的“選擇恐懼癥”，告別瘋狂試穿但就是找不到適合搭配的煩惱。

也正是因為搭配這件事的復雜性，涉及到天氣、場合、心情、性格、預算、喜好、職業、社會關系等等多元而復雜的因素，所以AI系統要么極盡可能地擴展某件單品的搭配閾值，無法從根本上解決問題；要么將推送結果控制在有限的選擇內，依然不能令用戶滿意。這樣折騰下來，還不如一個熟悉自己、又有眼光的真人閨蜜更靠譜。

2. 精準算法VS數據壁壘

有人可能會說，只要用戶愿意輸入足夠多的數據，那么AI一定可以提供出充分符合其喜好的私人定制搭配。

但問題是，如果用戶不愿意呢？

我們知道，大部分數據錄入都是在線上完成的，一般平臺會給出詳盡的、顆粒度很小的選項，以期盡可能地實現精準匹配。但向一個平臺提供如此詳盡的信息，甚至包括罩杯等隱私數據源，大部分女性消費者都是有所顧慮的。而且，有些數據很可能自己也不是十分清楚。

既然用戶數據和喜好難以量化，那么此前所有基于個性化數據進行“推薦”的商業邏輯也就都難以成立了。

“只要”收集到足夠的數據，這個看似簡單的前提，本身就已經是足夠高的行業壁壘與護城河。

3.預期轉化VS心理博弈

AI搭配系統想要變現，為電商平臺提供更豐富的時裝瀏覽體驗，讓用戶能夠直觀看到某款商品的“上身”效果，進而增加產品的購買率與轉化率，是最核心的價值點之一，無論線上或線下。

但矛盾也在這里，線上可供選擇的商品數量很大，用戶對特定品牌并不具備忠誠度，再加上人工智能模型往往并不能百分百實現與用戶身材相契合的展示效果，Mad Street Den公司的Vue．Ai此項技術目前還無法展示不同形狀及尺寸的體態。

這就導致用戶體驗完AI系統后，無法即時完成轉化，自然就成了無用功。而更重視體驗的線下，勢必會面臨消費縮減、決策謹慎的情況。

而時尚產業又是一個自上而下的領域，往往由業內大咖提前決定了幾個月后的流行色、流行樣式，再經由巴黎米蘭紐約等發布會釋放出去，各種新款同時出現在快時尚設計師的電腦里和工廠的訂單中，進而出現在商場的貨架以及電商的一頁頁圖片。

這也決定了，只在消費者環節輸出搭配的AI對于整個產業造成的影響力并不大，只能在有限的規則內起舞，一旦遭遇疫情這樣的黑天鵝，滋味也就變得“雞肋”起來。

總的來說，只在產業鏈的終端錦上添花的AI，自然也只能拿到“小透明”的劇本。

雪中送炭：AI搭配師的另一條升職路

既然錦上添花注定沒有結果，那么嘗試一下“雪中送炭”呢？

鮮衣著錦的服飾圈，逐漸褪去光環之后，AI 的to B之路也在被逐漸打開。當然，這里并不是此前在門店中增加一個炫酷交互硬件那樣的點綴，而是在更硬核處做功。

首當其沖是生產環節。

不少公司在疫情后面臨著不得不裁員和業務增長的困境。

在人手不足、展示服飾品種增加的情況下，如何提升店鋪的平均效率，讓人類員工從原本枯燥的業務中解放出來就至關重要了。

比如對電商來說，商家只能完成60至80件商品的手動拍攝與展示工作。利用計算機視覺技術，對需要手動輸入的內容進行自動化管理，比如識別圖片中的服飾商品，對款式、風格、設計元素等外觀特征自動生成，可以有效減少人類員工的工作強度，只需要做好AI的質量監督就可以了。

而除了營銷噱頭之外，AI之于門店真正的意義或許在于坪效。

疫情期間大量服裝企業的業績都出現了大幅度萎縮。行業報告顯示，拉夏貝爾一季度虧損3.42億元，七匹狼一季度凈利潤同比暴跌145.89%，安踏全線品牌負增長，美邦服飾一季度虧損2.19億，都市麗人預計上半年虧損超1.2億……可以說是一片哀鴻。

奢侈品牌也沒能逃過，路易威登LV的母公司LVMH集團第一季度營收減少15%，擁有古馳Gucci、圣羅蘭YSL等品牌的開云集團營收減少15.4%，也紛紛放下身段試水電商、直播等新方式。

對于想要爭奪增量的品牌來說，讓生產、設計、銷售都能緊密貼合狹窄化的市場訴求，與此同時，不額外增加企業的成本，就成為必須面對的難題。

因此AI的出場，也就變得至關重要。

此前的一波“AI搭配”潮流，主流品牌的旗艦門店都進行過“數字化改造”，比如安裝了AI試衣鏡、智慧攝像頭等。

在這一基礎上，進一步完成算法升級，為門店打造精準的營銷策略，比如進店顧客的用戶畫像，哪些衣服試穿率高，哪些單品購買率高等等，這些原本資深銷售員才能夠“意會”的機密交給AI來完成，幫助緩慢恢復的線下門店負重前行。

接下來，就需要尋找新的利潤增長點。

擁有用戶時長優勢、更接地氣的社交媒體平臺，就成為各大市場品牌的爭奪陣地。

但事實證明，大火的短視頻+直播帶貨，并不一定意味著高曝光和帶貨。

核心原因是，時尚圖片、視頻等富媒體的呈現形式，想要將內容轉化為命中率和流量，需要精準的用戶推送和匹配。這就對平臺方的內容智能分析、智能識別時尚元素、精準匹配受眾，進而提升命中率，關聯到電商同款或相似 SKU，提出了較高的要求。

當然，上述這些AI附加值，不僅需要服裝企業本身就對數字化經營有一定的了解和鋪墊，搭建起了AI所能發揮的技術土壤，才能夠快速轉型，借助技術工具實現去庫存、提效率、增銷量的目的；還需要對各個渠道的AI能力、商業邏輯有必要的了解，才能避免經營層面的“AI通貨膨脹”。

正如某服裝品牌總裁在公開信中所說，“疫情不可避免地重創了服裝行業，但疫情也是一個放大鏡，檢驗我們過往的沉淀是否扎實。”不抗拒新技術，也不唯技術論，明辨AI的能力也注定在這個特殊的全球經濟節點上，成為各行各業的必備技能點。

凡是過往，皆為序章。“AI搭配”這劑藥方，也是時候從腠理直抵深層病灶了。
責任編輯:pj