一夜之间，大家仿佛都清心寡欲了起来。
*近在群里分享点吃的用的，偶尔还有人捧场。如果是首饰衣服，先商业互吹一番“好看”，紧接着就是“去年买的衣服都穿过了吗”“工作都没了还买什么包”“别看了拼夕夕差一刀帮我砍一下”等的灵魂拷问……
搁半年之前，这么勤俭持家的场面都是不可能出现的。哪怕刚刚裸辞，女人们也敢刷信用卡买下新款裙子，美其名曰“换种姿态迎接新生活”。
结果“黑天鹅”“灰犀牛”齐齐到来，没有“报复性收入”的普通人，也开始老老实实面对惨淡的生活，将消费欲望降到*低。
当大家开始寻找不花钱就可以得到的快乐，许多“AI期货”也就“穿仓”了。说人话就是，那些靠AI描绘的商业蓝图，合理审视比盲目追捧的声音更大了。
穿衣AI，就是其中一个。
AI搭配师：逮不着耗子，当不了好猫
用AI给消费者搭配服饰鞋帽、口红妆容等等，从2017年AI浪潮兴起开始，就被安排进了技术大厂的开发周期表。
某猫上线了FashionAI，通过
某狗也奋勇争先，成立时尚科技研究院用户只要将衣服放到Mirror+智能搭配产品前，系统就会通过推荐算法找到合适的服装搭配。
一些女性群体为主的电商平台，也都相继成立过“搭配研究所”、搭配体验平台等等，利用平台的大数据优势训练时尚分析模型。
一时之间，感觉整个电商服装行业都AI了起来。
时尚产业根基更为成熟的欧美，自然更不会放过这个掘金的机会。
电商巨头亚马逊，就在CVPR 2020会议上推出了好几款AI穿衣模型。比如Outfit-VITON，就可以将多件衣服搭配在一起，让消费者看到上身效果。
如果用户看上了款式却没有相中颜色，也可以直接查询“相同款式的粉色连衣裙”，系统就会帮助其找出相应的商品。
谷歌与德国电商Zalando合作，基于TensorFlow打造一款时装设计产品Project Muze，
用户告诉AI自己的性别、心情、兴趣爱好和喜欢的艺术类型等信息，再在模特身上随便涂鸦几笔，Project Muse就可以马上设计一款时装造型。
如果对方是一位热爱古典音乐、心情有点儿迷茫，并在模特身上画了三角形的女士，它就设计出了一条斗篷式的绿色连衣裙，外面还会覆盖一层有忧郁气质的棕色薄纱。
学术界的时尚嗅觉也出人意料，不少高校研究人员用论文证明，自己并不是“nerds”(书呆子)。
2019年，UT奥斯汀、康奈尔大学、乔治亚理工和Facebook AI研究中心联合发布了一款名为Fashon ++的模型，基于深度生成网络，让AI学习到时尚和不时尚两种图像，深度网络就会生成出*适合的着装方式。“一键改衣”，让单品的时尚度瞬间up!
比如，模型会建议去掉袖子、将下摆塞进去等操作，让整个look看起来更有型。用来帮助人们进行服装设计与搭配指导，自然也不在话下。
但你会不会奇怪，明明技术实现并不困难，训练数据车载斗量，参与群众更是热情满满、积*试错，为什么“AI试衣”“AI搭配”的日常使用率就是不高呢?
以我个人的不完全观察来看，尽管大家会对各种新奇功能发出“鹅妹子嘤”的赞叹，但到了支付真金白银的千钧一刻，无论是网购还是实体门店，都更倾向于依赖时尚博主、姐妹亲友甚至导购的专业推荐(疯狂夸奖)，而不是信任AI。
叫好不叫座，可能是“AI搭配师”面对的残酷现实。它到底做错了什么，可能平台们从一开始，就想错了“穿衣”这件事。
审美黑洞与时尚icon之间，隔了100个AI
为什么AI*尽可能创造的价值点，但消费者就是不买单?或许是时候给科技大佬们滋点水醒醒了，技术本身与时尚需求，或许南辕北辙。
其中相悖的矛盾点，主要体现在三个方面：
1.技术向百搭VS个人向适合
AI搭配师的出现，原本是为了解决消费者面对琳琅满目的衣服无从下手的“选择恐惧症”，告别疯狂试穿但就是找不到适合搭配的烦恼。
也正是因为搭配这件事的复杂性，涉及到天气、场合、心情、性格、预算、喜好、职业、社会关系等等多元而复杂的因素，所以AI系统要么*尽可能地扩展某件单品的搭配阈值，无法从根本上解决问题;要么将推送结果控制在有限的选择内，依然不能令用户满意。这样折腾下来，还不如一个熟悉自己、又有眼光的真人闺蜜更靠谱。
2.精准算法VS数据壁垒
有人可能会说，只要用户愿意输入足够多的数据，那么AI一定可以提供出充分符合其喜好的私人定制搭配。
但问题是，如果用户不愿意呢?
我们知道，大部分数据录入都是在线上完成的，一般平台会给出详尽的、颗粒度很小的选项，以期尽可能地实现精准匹配。但向一个平台提供如此详尽的信息，甚至包括罩杯等隐私数据源，大部分女性消费者都是有所顾虑的。而且，有些数据很可能自己也不是十分清楚。
既然用户数据和喜好难以量化，那么此前所有基于个性化数据进行“推荐”的商业逻辑也就都难以成立了。
“只要”收集到足够的数据，这个看似简单的前提，本身就已经是足够高的行业壁垒与护城河。
3.预期转化VS心理博弈
AI搭配系统想要变现，为电商平台提供更丰富的时装浏览体验，让用户能够直观看到某款商品的“上身”效果，进而增加产品的购买率与转化率，是*核心的价值点之一，无论线上或线下。
但矛盾也在这里，线上可供选择的商品数量很大，用户对特定品牌并不具备忠诚度，再加上人工智能模型往往并不能***实现与用户身材相契合的展示效果，Mad Street Den公司的Vue.Ai此项技术目前还无法展示不同形状及尺寸的体态。
这就导致用户体验完AI系统后，无法即时完成转化，自然就成了无用功。而更重视体验的线下，势必会面临消费缩减、决策谨慎的情况。
而时尚产业又是一个自上而下的领域，往往由业内大咖提前决定了几个月后的流行色、流行样式，再经由巴黎米兰纽约等发布会释放出去，各种新款同时出现在快时尚设计师的电脑里和工厂的订单中，进而出现在商场的货架以及电商的一页页图片。
这也决定了，只在消费者环节输出搭配的AI对于整个产业造成的影响力并不大，只能在有限的规则内起舞，一旦遭遇疫情这样的黑天鹅，滋味也就变得“鸡肋”起来。
总的来说，只在产业链的终端锦上添花的AI，自然也只能拿到“小透明”的剧本。
雪中送炭：AI搭配师的另一条升职路
既然锦上添花注定没有结果，那么尝试一下“雪中送炭”呢?
鲜衣着锦的服饰圈，逐渐褪去光环之后，AI的to B之路也在被逐渐打开。当然，这里并不是此前在门店中增加一个炫酷交互硬件那样的点缀，而是在更硬核处做功。
首当其冲是生产环节。
不少公司在疫情后面临着不得不裁员和业务增长的困境。
在人手不足、展示服饰品种增加的情况下，如何提升店铺的平均效率，让人类员工从原本枯燥的业务中解放出来就至关重要了。
比如对电商来说，商家只能完成60至80件商品的手动拍摄与展示工作。利用计算机视觉技术，对需要手动输入的内容进行自动化管理，比如识别图片中的服饰商品，对款式、风格、设计元素等外观特征自动生成，可以有效减少人类员工的工作强度，只需要做好AI的
而除了营销噱头之外，AI之于门店真正的意义或许在于坪效。
疫情期间大量服装企业的业绩都出现了大幅度萎缩。行业报告显示，拉夏贝尔一季度亏损3.42亿元，七匹狼一季度净利润同比暴跌152 0173 3840.89%，安踏全线品牌负增长，美邦服饰一季度亏损2.19亿，都市丽人预计上半年亏损超1.2亿……可以说是一片哀鸿。
奢侈品牌也没能逃过，路易威登LV的母公司LVMH集团**季度营收减少15%，拥有古驰Gucci、圣罗兰YSL等品牌的开云集团营收减少15.4%，也纷纷放下身段试水电商、直播等新方式。
对于想要争夺增量的品牌来说，让生产、设计、销售都能紧密贴合狭窄化的市场诉求，与此同时，不额外增加企业的成本，就成为必须面对的难题。
因此AI的出场，也就变得至关重要。
此前的一波“AI搭配”潮流，主流品牌的旗舰门店都进行过“数字化改造”，比如安装了AI试衣镜、智慧摄像头等。
在这一基础上，进一步完成算法升级，为门店打造精准的营销策略，比如进店顾客的用户画像，哪些衣服试穿率高，哪些单品购买率高等等，这些原本资深销售员才能够“意会”的机密交给AI来完成，帮助缓慢恢复的线下门店负重前行。
接下来，就需要寻找新的利润增长点。
拥有用户时长优势、更接地气的社交媒体平台，就成为各大市场品牌的争夺阵地。
但事实证明，大火的短视频+直播带货，并不一定意味着高曝光和带货。
核心原因是，时尚图片、视频等富媒体的呈现形式，想要将内容转化为命中率和流量，需要精准的用户推送和匹配。这就对平台方的内容智能分析、智能识别时尚元素、精准匹配受众，进而提升命中率，关联到电商同款或相似SKU，提出了较高的要求。
当然，上述这些AI附加值，不仅需要服装企业本身就对数字化经营有一定的了解和铺垫，搭建起了AI所能发挥的技术土壤，才能够快速转型，借助技术工具实现去库存、提效率、增销量的目的;还需要对各个渠道的AI能力、商业逻辑有必要的了解，才能避免经营层面的“AI通货膨胀”。
正如某服装品牌总裁在公开信中所说，“疫情不可避免地重创了服装行业，但疫情也是一个放大镜，检验我们过往的沉淀是否扎实。”不抗拒新技术，也不唯技术论，明辨AI的能力也注定在这个特殊的全球经济节点上，成为各行各业的必备技能点。
凡是过往，皆为序章。“AI搭配”这剂药方，也是时候从腠理直抵深层病灶了。
