AI血洗時尚圈！就連這些線上店家都開始用AI生成爆款商品了

蕭簫 2023-06-21 13:02:15 來源：量子位

蕭簫 衡宇 發自 凹非寺
量子位 | 公眾號 QbitAI

家人們誰懂啊，刷屏的《哈利·波特》AI時裝秀，看幾次都不夠！

這些時裝造型火遍全網，視頻播放量破千萬，還只是技術給時尚圈帶來的一點小小震撼。

現在，用AI輔助設計服裝、食品包裝、裝修等，已經成為一些設計師乃至網店老板的“基操”，相關話題也是隔三差五沖上熱搜。

但即便如此，它在設計行業的應用方式，大多都還停留在概念創作階段。

無論是提供設計靈感、還是將文字描述轉成設計稿，這類工具都只能“設計個樣子”，距離打造從風格、材料到工藝等細節上有賣點的“流行商品”，還有相當一段距離。

換言之，AI設計要想落地應用，絕非僅僅依靠它的繪畫技巧就能實現。

好消息是，現在終于有人做了套工具，從出圖、出款到出貨，把商品設計全流程跑通了——

無論是商品的設計概念圖、還是打造商品所需的材料清單，全都支持一鍵生成，甚至還能基于大數據，預測商品成為爆款的可能性。

搞定這事兒的不是別人，正是天貓新品創新中心（TMIC）。

他們最新推出的名為“AI概念工坊”的生成概念款解決方案，直接幫助店家縮短了將近6個月的設計周期。

所以這究竟是一款怎樣的工具，背后又究竟有著怎樣的邏輯？

相比其他的AI設計工具，它的差異和優勢究竟體現在哪里？

網店老板，雇個AI不？

一件商品銷量如何，大概率從設計之初就決定了一大半。

所以“設計”這個階段的重要性一再提升，成為兵家必爭之地。對商家來說，大量的精力和時間都被吸附在這個步驟。且往往舉棋難定。

要設計一件商品，從靈感迸發，到落到紙筆處，再到變成實體商品，常出現再三修改、反復琢磨的局面。

畢竟時尚風格的流行、目標群體的喜好，都不容易被精準把握。

再者說，線稿的完成并不代表新產品外形的最終拍板，因為工藝、輔料匹配等，同樣起著不可忽視的作用。為了達到最理想的效果，多次打版是設計者們的家常便飯。

反復打版這道坎，既消耗時間，又增加成本，更對設計者是一種挫磨。

拿一款國際化服飾品牌秋冬季的新品為例，調研統計數據顯示，新品研發通常至少提前2年，其中，市場調研、設計打版、內部訂款一整套流程下來，順利的話也要8-12個月。

長期下來，讓設計提效，減少打樣時間和成本，提升內部溝通效率，成為了商家們頭疼的難題。

TMIC提出的“AI概念工坊”，就是為商品款式設計提供解決方案。

最主要功能是結合AI能力，幫助商家從概念描述到商品概念稿的快速產出，并同時通過市場調研，鎖定消費者偏好，對最終該對什么產品投入大貨生產進行抉擇。

簡單點說，就是現在不用一大幫設計師，商家找AI概念工坊幫忙，秒出圖片、交互完善，從概念稿到市場調研再到選定可打版款，短周期內就能搞定商品設計——從原本的8-12個月，縮短到3-6個月。

在這背后，是TMIC已經自研的一整套全鏈路解決方案，幾步就能搞定。

首先，輸入概念描述。

店家通過前期的市場流行性研究，鎖定概念，在文本框中輸入相關描述，可以是具體的款式、風格、主色調等。

接著，AI根據輸入的相關描述，快速生成多個概念款。

由于基于淘系海量商品圖文數據，AI概念工坊在各個垂直行業核心模型容量業界領先支持產業級顆粒度的相關性控制和快速創意出圖。

拿服裝設計舉個具體的例子。

輸入街頭工裝風、簡約T恤等描述，可以在幾秒鐘內得到如下圖片。

實際操作中，除了服裝行業，AI概念工坊對食品行業同樣適用。

例如將描述轉變為輸入類目、包裝類型（瓶裝、袋裝、盒裝…）、包裝大小、圖案、風格等，就可以快速生產多種包裝圖：

最后，選擇去測款，也就是說從具體方案而言，AI概念工坊并不局限在“提供概念（圖）”這一步。

展開來講，是利用TMIC多年來沉淀的專業知識體系和既有能力，將AI生成的概念款結合測款能力，鎖定消費者偏好，進而進入后期的設計和批量生產。

上述的全套流程，即將逐步落在天貓商家的實戰場景中。

為什么是TMIC？

不過，當下有不少AI設計工具已經頗為出圈。相比已經過市場驗證的工具而言，為何店家還要選擇TMIC平臺打造的AI概念工坊？

這一問題，或許可以從技術優勢和行業壁壘兩大方面來尋找答案。

一方面是AI技術優勢。相比直接采用開源Stable Diffusion模型或是商用版Midjourney，天貓TMIC不僅采用了自研模型，就連訓練數據也來自于淘寶平臺自有圖文數據和知識體系。

模型上，TMIC團隊通過結合多年沉淀的行業知識庫體系，從行業專業度出發訓練和生成可控細節。在此基礎上，團隊進一步通過“打磨”優化，增強了模型的專業可控性。

相比隨機出圖，自研概念生款可控性達到了產業級顆粒度，例如光是食品，就支持對風格、配色、種類、包裝、規格等標簽的定制，而這樣的細節足足有一千種，屬實把提示詞工程玩明白了。

進一步地，這樣設計的模型能確保設計出來后直接打版甚至再加工，從而縮短設計流程。

不過，相比目前的市面上的AI設計工具，之所以AI概念工坊的效果脫穎而出，不僅僅是自研模型，更重要的是訓練模型所用的數據。

事實上，數據對于文生圖擴散模型的效果有著巨大影響力。

包括室內設計等公司，目前基于AI設計的方式都是煉“私爐”，也就是基于自己積累的行業專用數據對開源模型進行訓練，生成出來的效果更符合設計要求。

相比之下，非開源商業AI工具雖然更容易上手，但同時上限和可控性也較低，很難用于生成特定領域、特定場景下的高清圖片。

其中，決定模型質量的數據“因素”又有兩點：數據質量和數據量，而這恰好是TMIC的優勢。

數據質量上，TMIC背靠淘系海量商品圖文數據，爆款商品的數據更是精細到標簽級，而這些標簽是基于上億件商品要素、由品牌和專家合作篩選建立的，不僅要符合產品設計流程，而且還得和用戶需求形成映射關系。

數據量上，TMIC僅僅在服飾領域就擁有超過10億+的商品圖-文樣本。不僅如此，知識點語料也超過百萬，無需擔心訓練出來的模型整出“沒有時尚品味”的設計稿。

但無論是算法還是數據，訓練得到的模型都還只是擁有創意設計潛力的“新人”，距離成為“資深行業設計師”還差了幾十年經驗。

因此，最終能將這些圖文數據整合起來、預測潛在爆款商品的，還得依靠大量的行內經驗、數據統計，并最終歸納為某種方法論。

另一方面，恰好在行業中，TMIC也積累了大量用戶數據研究和消費行業品類調查經驗，讓商品爆款設計從概念描述、甚至賽道選擇上就已經具有先發優勢。

作為阿里的大數據分析自主調研平臺，TMIC如今已經基于大數據等算法推出了創新工廠、黑馬工廠、TLAB產業創新實驗室和AICI爆款公式等平臺業務。

其中，創新工廠和黑馬工廠能助力商家更好地洞察市場趨勢，TLAB則負責從材料上加速研發流程。

最核心的是今年推出的AICI爆款公式——其中A（algorithm）I（intelligence）C（create）I（ideas）分別代表算法、智能、創造和想法。

將這些因素結合起來，相當于直接給廠商提供了一個更容易生成爆款產品的“萬能預測公式”。

這一公式共包含4大功能，分別是類目潛力判斷、決策因子排序、品牌診斷與新品畫像推薦。

這些功能背后的核心，則是基于多模態深度學習網絡和超大規模決策歸因模型，提煉出大量TMIC調研數據的“核心邏輯”。

至于提煉的數據源，則是基于市場十億以上商品要素和用戶行為洞察的數據統計，而非人為決策上判斷商品爆火的概率。這樣一來，在降低損失成本的同時，也能提升研發出受歡迎產品的幾率。

簡單來說，就是用AI的歸納能力，基于行業特有數據去更為全面地預測人的喜好，而非單一的“拍腦袋決策”。

這也正是TMIC作為消費產業的頭部調研機構的核心競爭力。

在這波生成式AI變革中，各行各業都在尋找大模型應用落地的方式，但最終的核心還是要回歸到產業用戶需求上。

AI概念工坊，正是像TMIC這樣擁有數據優勢的平臺，應對這波生成式AI浪潮率先做出的嘗試。

歡迎關注TMIC官方公眾號，獲取更多行業新品資訊和前沿工具能力：