刚刚过去的4月，一场人工智能美学与人类美学碰撞的“AI时装周（AI Fashion Week）”在纽约上演。时装周收到数百份AI生成的作品，这些作品“打破边界、敢于冒险，正创造真正的独一无二”。以下是时装周评选出的TOP10作品：
新一轮人工智能浪潮正为服装与时尚产业带来更多灵感与创新，也被认为有希望提高行业的数字化水平与设计制造效率。根据麦肯锡分析，未来3到5年，“保守地说”，生成式AI可能会帮助服装、时尚及奢侈品行业的营业利润创造1500亿美元的增量，乐观估计可高达2750亿美元。
凌迪科技Style3D（以下简称“Style3D”）作为数字时尚的基础设施，致力于为服装产业提供从设计到生产全流程的3D数字化解决方案。拥有深刻技术基因的Style3D已于近期快速研发上线了一系列AIGC功能，包括AI款式分析、AI生成图案、AI生成版片、AI生成材质以及快速生成电商上新图等。
服装产业链长而复杂，且要求AI生成的内容必须包含结构化数据、直连生产，这促使Style3D必须基于行业数据和产业需求打造“产业级模型”。
近期，凌迪科技Style3D首席科学家王华民在NVIDIA 初创加速计划与高榕资本榕汇联合举办的加速营活动上，分享他们对于服装行业探索AIGC应用的过程和思考。王华民是公认的世界级图形学科学家，有近20年图形学学术研究背景。
以下是王华民博士的分享（经整理）：
服装行业是依赖大量“上新”带动消费的产业，对创造力和效率有极致追求。创意浓度高、能够接受多样性，也让服装相对其他行业对AI有更高的容错率，适用于AIGC去落地和探索。
但是我们也必须认识到，服装是历史悠久、产业链分工非常成熟的行业。拆解服装行业链路，各个环节需要产出的内容从2D到2.5D、3D兼而有之，而且这些内容是“一环扣一环”的。
2D：即设计师最初灵感迸发后在纸面上设计的内容，例如草图或款式图。
2.5D：版师基于款式图进行制版，制版的目的是把设计内容变成真实的、三维的物体，这一步在真实世界通过制造样衣来实现，虚拟世界则通过仿真模拟来实现。版型是连接二维和三维的桥梁，所以称作2.5D。
3D：随着元宇宙的发展，未来3D数字服装对于服装行业会愈发重要，数字服装与数字人（Avatar）结合起来，便有了可交互的方式。
2D：在服装展示环节，图形学技术通过渲染，把三维物体变成2D视觉效果，例如输出电商上新的图片或视频。
服装行业的上述环节和特性，决定了AI生成的内容想要真正创造价值，需要满足以下特性。
首先，输出的内容和元素需要是多模态的，不同环节生成的不同类型内容需要结构化相关联。其次，生成内容必须和实物商品相对应起来，完全支持直连生产。最后，生成的内容不能是一次性的，比如版型和设计内容可以沉淀为数据资源并支持复用。
基于对产业特性和客户需求的深刻理解，从Style3D探索AIGC伊始，我们就意识到：需要基于我们积累的大量垂直行业数据和素材库，去训练垂直领域的产业模型。目前我们在开源的Stable Diffusion基础上训练自己的模型，Stable Diffusion支持本地部署和定制模型，可控性较好，且风格不限。我们也将这一模型定义为“Style3D AI产业模型”，拥有完整的适用于服装行业的prompt。众所周知，生成式AI模型进化的速度非常快，整体训练成本和对数据的依赖将逐步降低，稳定性和安全性也越来越强。我们在开发产品时，不局限于某一种特定的模型，而是紧密关注技术的发展，产品也能够不断迭代。而且，如果要真的开发客户满意的产品，涉及的并不仅仅只是生成式AI模型。比如需要做图像分割，那么就要用到推理式AI模型；需要以图搜图、对图像做分类，就涉及检索式AI模型。所以在开发真正可用产品时，我们致力于将各类AI模型技术进行结合。仿真模拟等图形学技术是Style3D一直以来的强项，AI浪潮来临，我们走的是AI技术和图形学技术相结合的技术路线。尽管未来AIGC有潜力直接生成3D内容，但目前看短期内用AIGC替代实时仿真模拟还是有一定难度的。AIGC和图形学技术可以说是互补的关系，AIGC生成的内容可以为仿真模拟提供素材、材质和视觉效果上的增强；仿真模拟可以提供实时环境和底层的效果与算力支持。接下来我们重点介绍，Style3D利用AI技术，是如何赋能服装产业链若干关键环节的。一直以来服装设计师与面料供应商、开发商，对面料的纹理和图案有广泛需求。以往我们构建了一个支持搜索的庞大资源库；有了AIGC技术之后，在已有资源数据基础上，我们的模型支持用户文字搜索生成更多的纹理/图案，帮助设计师和面料商更快找到想要的效果。此外也支持图片搜索生成更多的纹理/图案，用户上传一张倾向的风格图片，可以生成类似风格的纹理和图案。这一应用和成熟的图像生成技术非常像，只是我们的产品工具基于行业积累的专有数据。工艺方面，客户可以利用AIGC，基于照片生成不同的工艺和效果。比如想要刺绣效果，可以利用AI去生成背后的置换贴图（Displacement map）或凹凸贴图（Bump map），以及所需的矢量图等。基于我们的产品，设计师通过输入各类prompt可以快速生成款式图，帮助找到早期原始的设计灵感。例如可以输入趋势热词；也可以以文生图、以图生款；或者上传多张图片、实现款式融合；当然也支持二次的款式编辑和重建。整体希望打造帮助设计师寻找灵感或优化设计的全局性工具。这一方面，普通图片生成工具很难支持细节设计。Style3D则开发了细节设计功能，包括工艺、元素、风格、色彩等维度，让设计师利用AIGC去实现服装细节的设计。在服装行业，以往版型设计由专业版师去实现。今天利用AIGC，输入一张写实的图片、设计草图甚至文字，都支持生成相应的版型。实际上要做到这一点挑战很大，因为版型需要与真实制造相连，且包含了非常多的信息，如版片形状、版片间的缝合关系与工艺、版片与人体的位置关系、版片面料类型、生产工艺乃至辅料信息（纽扣、拉链等）。这要求我们有大量的结构化数据和对服装制造本身的理解做支撑。从2.5D到3D，我们主要依赖图形学的仿真模拟技术，目前AI方面的尝试主要针对3D人体姿态的生成。以往从3D到2D视觉效果，主要通过图形学的渲染实现，带来一个有待提升的问题就是不够逼真。对于模特上身图来说，如果人不够逼真，那么效果就会大打折扣；有了AIGC技术之后，可以生成更加真实的模特形象。此外，我们开发的工具还支持人脸生成，可根据客户需求定制不同的脸型、发型、年龄、肤色等。对于电商或服装品牌来说，利用AI也可以快速生成模特上身效果图片，极大提升效率、节省成本。过往关于服装在特定场景中（如秀场、实体店等）的呈现，我们需要依赖收集的大量场景照片，但这是有限的；利用AIGC可以生成大量场景，结合模特展示会带来更好的效果图。从上述环节看，我们坚信AIGC将更好辅助设计师、版师等服装行业人士，激发创意、提高效率。过程中，我们也就遇到的现实问题不断探索和思考。对于AIGC而言，数据非常非常重要。就像厨师烹饪一样，数据就是食材。服装行业最大的问题在于，过去我们拥有的数据可能是非结构化、残缺的，不满足多模态的需求。所谓多模态，数据要包含文字、图像、线稿、版片和3D模型。此外对于中文语言环境而言，中文和行业术语有多义性，需要做到统一。除了依赖过往积累的行业数据，我们也正积极挖掘更多的数据，也有大量的人力精力花在数据积累上。我个人认为数据是AIGC落地最大的难点之一。模型方面，需要解决稳定性、可控性和安全性的问题。除了期待AIGC的模型不断优化，也依赖数据质量实现更强的可控性和更高的安全性。除了依赖人工标注，Style3D也开发了一些自动化工具进行数据清洗，帮助实现安全性。对于AI模型来说，还有很关键的一点是如何定义评估函数。对于服装行业，一方面很难去量化评价设计的究竟好不好；其次很难标准化，因为设计有较强的主观性。Style3D自身有一支专业的设计师团队，我们也在探索如何定义评估指标，最终开发一个合理的、符合落地需求的评估模型。最后就是如何部署。针对偏工程和算力方面的问题，需要我们逐一去解决。Midjourney的创始人David Holz曾在接受科技媒体The Verge专访时提到，AI正不断产生新的美学，几乎就像“审美加速主义”，“但它们不是人工智能美学，而是新的、有趣的人类美学，我认为它们会溢出到真实世界”。而Style3D的探索，正是将AI技术与产业需求结合，推动人工智能助力真实的服装和时尚行业，加速创造力和生产力变革。
