近日，嘉程创业流水席第216席【探讨生成式AI在垂直行业的最佳落地案例】，邀请了CHIMER AI CEO 黄祯分享，主题是《AI驱动的设计与生产——探索服装品牌基因与流行趋势的最大公约数》。

以下是正文内容：

服装行业紧贴民生，但许多人可能对AIGC介入后的探索成果并不太熟悉。我们目前的工作是在AIGC进入服装领域后，由AI推动的设计和生产过程。我们将此过程定义为“探索服装品牌基因与流行趋势的最大公约数”，希望能从品牌的设计风格和流行趋势中，通过模型预测，找到最佳的流行趋势。

整个服装行业的流程大致可分为五个环节：趋势、企划、设计、生产和销售。我们主要关注的是企划和设计环节。在中国，主要服装企业的产品开发，即商品来源，主要有三条路径：

• 第一条是企划主导型，即市场主导。由市场的企划部门和商品部门负责，制定销售方案。这种方式以企划为主导，涉及元素、面料、款式结构比例等方面的一系列设计。

• 第二条是设计师主导型。这类品牌由设计师主导风格，如上官喆、江南布衣等，风格更为鲜明，通常基于特定的设计理念或元素表达来进行系列开发。

• 第三条是买手主导型，这是数量上相对最多的路径。品牌主要作为销售者或组合者，通过买手收集各式款式进行销售。ZARA便是这种模式的经典例子。

以上便是服装企业产品开发的整体方式。

将整个服装产业链条做最简单的拆分，主要由面料商、代工厂和品牌构成。面料商负责向代工厂销售面料，代工厂则完成衣服的制作或根据订单生产，最终将产品卖给品牌。在这里，我们不详述整个链路。代工厂中，约80%为OEM，仅负责生产；大约12%为ODM，涵盖设计和生产，提供款式供选择。而OBM则更多是产销一体。

这是目前市场的基本构成和结构。设计几乎贯穿整个过程，在面料商向代工厂销售的环节中，如何将面料制成衣服涉及设计。代工厂与品牌之间的联系也是通过设计来链接。因此，上述流程放到任何一个链条当中的组成里，都是成立的。

在成衣产业出现之前，服装行业主要依靠量体定制，即由裁缝手工制作服装。成衣的历史约有一百年，在这期间，逐渐发展出一整套工业化流水线工程。服装设计由设计师负责，他们制作设计稿，绘制工艺单和设计图样，通常以线稿或平面图的形式呈现。接下来是打版环节，基本上这一代中国的版师都是车工或者工厂学徒，他们对面料和服装结构有深刻理解，能够根据设计师的要求进行打版，深化设计并制作出生产数据，然后交付样衣制作。样衣工将打版数据应用于面料，裁剪并拼接成完整的样衣，检查样衣是否跟设计师的设计匹配，再进行改版。一旦确认，便进入大货生产的环节。

在这个流程中，样衣和大货生产基本上采用流水线的高效方式，而设计和打版则仍然是手工完成的环节。设计师和版师通常手动使用2D或3D平面图的方式进行设计和打版工作。

它有比较明显的问题：

• 首先，这个流程通常是针对单一款式的，而进行系列设计时，就需要设计团队和板房来支持整个系列。如果要同时进行60件或60个款式的设计，整个系列的设计门槛相当高。

• 第二，在整个过程中，只有在完成从设计、打版到样衣的流程后，才可能面向客户、订货商或销售渠道进行销售。

• 第三，服装供应链的前期相当复杂，不同工厂能制作的衣服各不相同，打版成本整体较高，需要经过两次审版才能制作出相对完整的样衣。

所以，在这个过程中，对后端供应链的投入相当复杂。以Midjourney为代表的图像工具，虽然能生成较好的图像，但问题在于服装的结构大概率是错误的，难以制作出来，仅限于提供灵感。

2022年，我们开始尝试将AI技术应用于服装设计，但当时的技术尚未成熟所以我们并未进行商业化转换。到了2023年4、5月份，我们逐渐发现AI在图像生成方面开始进入商业级别。如果不明确标注图像是由AI生成的，消费者很难区分它与设计师创作、并在秀场拍摄的作品。同样，从服装结构的角度看，即使是设计师也难以判断两个款式哪个更优。我们认为，至少从图像生成的角度来看，AI技术已达到可商用的设计师水平。

在这种情况下，我们与院校合作培养的学生们在设计产出上展现了明显的对比。过去，他们通常需要半天到一天的时间才能完成一两个款式的线稿和工艺单，而且这些工艺单与面料没有太大相关性。在中国的服装教育中，设计师与版师、设计师与面料之间的接触并不密切，因此设计更多是基于款式设计的视觉表达。然而，随着学生们熟练运用AI生成技术进行设计，他们现在每天能够稳定产出30至50款有效产出量。

在这种情况下，我们在慢慢切入之后发现了AI技术对服装行业和设计领域带来的一些比较明显的变化：

• 第一，从效率层面来看，AI技术的应用可以降本增效，尤其是在设计环节的出款效率方面。并且我们能够在设计制作生产和拍摄完成之前，就能向老板或顾客展示设计内容，收集市场反馈和设计满意度。

• 在第二阶段，AI更多地介入品牌的溢价过程，如何将品牌风格固定为一个模型，或者转化为模型的注意力层，以生成符合品牌风格的效果。通常，中国的时尚品牌的进货价格与销售价格的比例约为1:7。在这个过程中，品牌作为渠道和议价的提供者，其带来的价值增长超过了设计本身。因此，如何让品牌的设计风格或理念被模型学习，并由品牌数据驱动设计环节以确保议价效果，成了一个关键点，也是行业关注的焦点。

结合不同象限的基础数据集和流行趋势，AI可以生成无限量的设计。但如何生成符合品牌目标人群所传递的生活态度，并展现出服装的表现效果，是我们认为最关键的一点。精确控制品牌基因下的服装生成，实现品牌基因与流行趋势的最大公约数，达到营销效率最大化，确保生成的服装效果与品牌的溢价目标相匹配，将是接下来一段时间内比较关键的事情。

回到服装行业设计的关键指标——设计采用率时，我们认识到这是AIGC向所有现实产业、工业和消费品转化过程中的一个核心指标。提高设计采用率，确保更多由AIGC生成的内容能够进入实际生产并实现销售至关重要。这个指标在一定程度上对模型提出了三方面的要求：

• 第一个是在灵感生成时，生成的内容必须符合特定风格或目标人群，匹配面料、设计需求、线稿需求、品牌风格以及品牌目标人群的期望。

• 第二个阶段，细节编辑。在图像层面，将一个合格的图像编辑成为可销售的内容。例如，一旦款式被生成，就需要在短时间内生成上百张不同场景下的商拍图片，并更换不同模特，以不同姿势展示服装，以助于矩阵化营销。面向客户销售时，对款式进行局部编辑和设计细节的调整，是提高采用率的关键。

• 第三个到了深化设计部分，当前面临的最大挑战是将生成的款式实际制作出来。服装是一个足够柔性的产业，但仍存在这一问题。与珠宝或建筑相比，服装的优势在于几乎所有设计都可以制作出来。然而，如何提高成功率和效率，则涉及使用更高效、更精确的制版技术来提升转化效率。

这三个部分的组成，同时带来三个垂直模型。

• 首先，在灵感生成层面，我们需要一个能够适应多样化风格和设计输入的生成模型。为了达到一个实用的水平，我们认为至少需要300万对高质量的基础数据。此外，还需要一个参数量在3.5B以上的基础模型来进行生成，这意味着需要数千万的高质量token来使生成模型或垂直领域的模型做到可用级别。而为了实现一个更为完美的模型，能够大幅度匹配用户需求，我们认为需要达到7B的参数量，才能够实现比较完美的，具备比较高竞争力的模型。

• 其次，在细节编辑方面，目前尚未完美达到3B以上，或者基于3.5B以上的模型调整出来的在细节编辑能力方面足够优秀的模型。目前，模型还没有真正达标，应用场景方面还存在一些局限性。但我们能够大概判断，随着基础模型的进一步发展，或者现在已经超过了这个临界点，有很大概在2024年9月之前，细节编辑能力将达到一个比较达标的水平。这是我们在垂直模型方面看到的一个发展空间。

• 第三，从二维服装图像到二维版型的转化，即深化设计环节，是另一个关键点。传统的版式设计是基于设计师的线稿或衣服样品，在脑海中构建3D模型，然后将其结构化为2D纸样。通过测量确定缝合关系，确保版型数据可用于制作2D服装样品。在这个过程中，输入是二维图像，输出是二维CAD的DXF格式文件。通过提高监督效率，将二维图像有效转化为二维版图的技术将在今年下半年达到突破的关键点，并很快进入可商用阶段。目前，我们在实践过程当中发现，在一些商业化的常规品类中，我们已经能够达到约80%的准确率，且仍有很大的提升空间。

我们认为，这三个部分将在未来的垂直场景中发挥重要作用，不仅限于服装领域，还可能扩展到珠宝或其他涉及实物商品生产的领域。

更具体到服装领域里，这三个板块到底怎样呈现：

• 第一个场景是服装品牌或代工厂为具有特定设计风格的客户品牌服务。这要求风格保持一致性，并延续一系列设计，这是提高设计采用率的很关键的指标。品牌通常不会在一年内把所有风格全部掀翻再来一次，而是会有大约60%的常规款式或相对固定风格的款式，以延续其过往的设计。

  同时，存在一个强烈的需求，即将现有风格迁移到另一品类，或者与流行趋势融合以产生更新的效果，或者结合现有的流行元素。在灵感生成层面做到可控的延伸，可控的创新，是我们在这个场景下发现的，在生成过程中非常重要的需求。一方面，这提高了代工厂面向客户销售时的设计采用率；另一方面，它维持了品牌在设计过程中的稳定性，确保设计不会过度跳跃或过度依赖单一设计师的风格，从而导致设计元素或水平的变化。这是一个关键场景，它还需要在流行趋势数据中进行自动化更新，以快速收集流行趋势，并在训练过程中保持统计概率与风格的相似度。

• 第二个场景是在确定风格后进行一系列的设计。这种设计类似于过去在南油市场、十三行、浙江海宁等地的选品。它基于销售目标和市场反馈，采用优质的结构比例进行风格化的企划设计。例如，Pronounce这个国际设计师品牌，今年在米兰时装周上非常受欢迎，推出了一系列延伸设计。这类设计师品牌在完成三四十个款式设计后，会基于其设计风格推出更多款式进行批量销售，这是他们非常关注的一点。尽管设计师可能难以高效率地完成整个系列，但模型可以在创意完成后有效地协助他们扩展和延伸设计。

  像上面的婚纱系列，它能够做大码婚纱的效果，基于复杂企划设计做成系列的设计效果生成。

• 第三个场景涉及现有面料的输入，例如亮片刺绣，来生成款式。这也是他们非常关注的一点，即基于现有面料库存和资源进行设计生成，直接提供设计方案给客户。

• 第四个场景是基于线稿生成设计，包括融合服装设计元素，进行可控的局部编辑，以完成设计效果的产出。这在灵感生成过程中是一个关键需求，对设计师的要求更高，需求也更具体。

• 第五，服装编辑，实际上相对简单。首先是辅料的添加，例如增加一个扣子、一个特殊性质的口袋，或在肩部增加一块特殊的皮革。此外，对现有款式进行变更也很常见，如将长裙改为短裙、短袖改为长袖、枪驳领改为圆领等。这些变化不会完全改变衣服的版型。在生成服装款式图并制作实物之前，通常会先制作几十张商业拍摄图片进行款式测试。另外，制作并套在人台上的效果图，快速生成100个相应的效果进行市场测试，这有助于快速进行款式测试。这些都是图片编辑层面上的强需求。

• 第六，从总体设计到生产，数据驱动的版型生成是关键。特别是当大量生成的设计完成款式测试后，真正转化为生产款式时。设计稿、样衣与大货之间通常会有约10%的损耗，无论是色差还是款式上的差异，这是市场所能接受的。因此，需要从衣服的图像中生成相应的版型，然后将版型放入CAD进行微调，进而进入生产环节。在版型之后的所有工业化环节已经实现了非常好的效果，几百年的历史沉淀使其变得非常高效。因此，将基于人脑的设计和打板环节自动化，将是未来很长一段时间内的关键切入点。

从这个角度来看，我们认为在所有生产型领域和中国供应链制造领域中，服装行业可能是对SKU追求最极致的，对柔性制造最适应的，同时也是生产效率最高的领域。它能够最快地与AIGC生成效果进行商业化匹配。传统的设计流程通常需要1到2个月来完成，从企划到设计，再到打样和测试。常规时装品牌大约需要3到6个月，而一些快时尚品牌可能将这个过程压缩到15天到一个月。这种加速通常适用于单件设计，而不是整个系列。

因此，AI进入设计领域后，特别是服装设计领域，能够带来显著的效率提升。例如，从企划到设计，再到产出，仅需一天时间就能出样衣。我们在汕头的智能板房已经能够在一天内出样衣，并在4天内将样衣寄送到全国任何地方。我们相信，这种模式在未来的扩展将会很明显。

此外，过程中重塑出来的价值，不仅提高了设计效率，还大幅降低了废版率。过去，ODM面向企业进行设计时，设计采用率大约是五分之一，即10个设计中通常有8个被浪费，只有2个被选中。通过图像方式进行选品，然后再进入生产环节，可以有效降低废版率，在这个过程中也符合溢价和速度的提升。

在我们观察到的趋势中，可以往五年的时间尺度去思考。届时，新一代或年轻的自媒体从业者，他们将通过视觉内容实现大量流量变现。当人人都使用AIGC图像生成或内容生成时，一方面，他们将在虚拟内容领域进行大量展示；另一方面，他们会将大幅降低的内容成本转化为商品，以此对冲流量成本，实现除广告外的新型流量变现。他们还可以自行创作这部分内容，通过私域、预售等方式，从图片到视频，将产品进行一件代发，这种对供应链能力的调用，将成为“小单快反”的趋势。

在全球服装行业，“小单快反”已经是一个明显趋势。据估算，在中国，设计出的款式到实际生产并成功销售，每个款式的销量大约在十件。即使工厂要求300件起订，实际能销售并转化的款式数量也相对较少。因此，在未来的变化过程中，供应链将越来越适应“小单快反”的趋势，而销售端将更加追求品牌溢价，包括获取设计能力，并与中国的生产端连接，尤其是大量OEM向ODM转变，提供选品服务，甚至根据用户选择进行定制生产。我认为，这将是未来三到五年内的显著趋势。

这个趋势所带来的变化，在第一阶段，通过偏向SaaS或MUST的服务，主要服务于以代工厂为主的企业，如面料企业和品牌企业。实际上，这些企业大量收集的是对应数据，同时把流程在生产端跑通。我们真正希望实现的是，将中国大量的OEM能力转化为ODM能力，并通过平台方式向全球设计师市场开放。本质上，他们不再仅是纯粹的设计师，而是带有设计能力的销售渠道，能够将丰富的产能开放给那些具备销售能力的品牌，或者小而美的品牌，实现链接。这将是接下来一个明显的趋势。供应链整合后，将以更集中的方式服务于这些中小型、小而美、特别是个体导向的品牌。

例如，真维斯从过去的大品牌，转变为现在内部24个中小型品牌进行销售，并通过网络销售。它与自媒体的销售能力已经没有太大差异。

这是我今天的分享。至少服装行业是AI往现实切入的一个比较关键的产业，因为它直接相关，并且能够带来明显的商业价值和转化率。这种经验可能在其他行业中也有借鉴意义，所以从这个角度切入跟大家分享。

全文完