一夜之间，大家仿佛都清心寡欲了起来。
最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，将消费欲望降到最低。
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，通过电商平台上的潮人搭配方案，基于属性、颜色、风格、细节等维度，可以为一款单品匹配到最适合的穿搭方式。官方说辞是，1秒钟能为消费者提供与其相符的100套穿搭建议。
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最适合的着装方式。“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、积极试错，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极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系统要么极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，是最核心的价值点之一，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百分百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的质量监督就可以了。
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145.89%，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集团第一季度营收减少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。
13564482982