聲明:本文來自于微信公眾號量子位 （ID:QbitAI）)，蕭簫 衡宇 發(fā)自 凹非寺，授權轉載發(fā)布。
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(wǎng)，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(xiàn)在，用AI輔助設計服裝、食品包裝、裝修等，已經(jīng)成為一些設計師乃至網(wǎng)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(yè)的應用方式，大多都還停留在概念創(chuàng)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(jié)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(xiàn)。
好消息是，現(xiàn)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(shù)據(jù)，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(chuàng)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(yōu)勢究竟體現(xiàn)在哪里?
網(wǎng)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(fā)，到落到紙筆處，再到變成實體商品，常出現(xiàn)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(chǎn)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(tǒng)計數(shù)據(jù)顯示，新品研發(fā)通常至少提前2年，其中，市場調研、設計打版、內(nèi)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(nèi)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(chǎn)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(chǎn)品投入大貨生產(chǎn)進行抉擇。
簡單點說，就是現(xiàn)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(nèi)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(jīng)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(jù)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(shù)據(jù)，AI概念工坊在各個垂直行業(yè)核心模型容量業(yè)界領先支持產(chǎn)業(yè)級顆粒度的相關性控制和快速創(chuàng)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(nèi)得到如下圖片。
實際操作中，除了服裝行業(yè)，AI概念工坊對食品行業(yè)同樣適用。
例如將描述轉變?yōu)檩斎腩惸俊b類型（瓶裝、袋裝、盒裝…）、包裝大小、圖案、風格等，就可以快速生產(chǎn)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(yè)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(chǎn)。
上述的全套流程，即將逐步落在天貓商家的實戰(zhàn)場景中。
為什么是TMIC?
不過，當下有不少AI設計工具已經(jīng)頗為出圈。相比已經(jīng)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(yōu)勢和行業(yè)壁壘兩大方面來尋找答案。
一方面是AI技術優(yōu)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(shù)據(jù)也來自于淘寶平臺自有圖文數(shù)據(jù)和知識體系。
模型上，TMIC團隊通過結合多年沉淀的行業(yè)知識庫體系，從行業(yè)專業(yè)度出發(fā)訓練和生成可控細節(jié)。在此基礎上，團隊進一步通過“打磨”優(yōu)化，增強了模型的專業(yè)可控性。
相比隨機出圖，自研概念生款可控性達到了產(chǎn)業(yè)級顆粒度，例如光是食品，就支持對風格、配色、種類、包裝、規(guī)格等標簽的定制，而這樣的細節(jié)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(shù)據(jù)。
事實上，數(shù)據(jù)對于文生圖擴散模型的效果有著巨大影響力。
包括室內(nèi)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(yè)專用數(shù)據(jù)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(yè)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(shù)據(jù)“因素”又有兩點:數(shù)據(jù)質量和數(shù)據(jù)量，而這恰好是TMIC的優(yōu)勢。
數(shù)據(jù)質量上，TMIC背靠淘系海量商品圖文數(shù)據(jù)，爆款商品的數(shù)據(jù)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(chǎn)品設計流程，而且還得和用戶需求形成映射關系。
數(shù)據(jù)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(shù)據(jù)，訓練得到的模型都還只是擁有創(chuàng)意設計潛力的“新人”，距離成為“資深行業(yè)設計師”還差了幾十年經(jīng)驗。
因此，最終能將這些圖文數(shù)據(jù)整合起來、預測潛在爆款商品的，還得依靠大量的行內(nèi)經(jīng)驗、數(shù)據(jù)統(tǒng)計，并最終歸納為某種方法論。
另一方面，恰好在行業(yè)中，TMIC也積累了大量用戶數(shù)據(jù)研究和消費行業(yè)品類調查經(jīng)驗，讓商品爆款設計從概念描述、甚至賽道選擇上就已經(jīng)具有先發(fā)優(yōu)勢。
作為阿里的大數(shù)據(jù)分析自主調研平臺，TMIC如今已經(jīng)基于大數(shù)據(jù)等算法推出了創(chuàng)新工廠、黑馬工廠、TLAB產(chǎn)業(yè)創(chuàng)新實驗室和AICI爆款公式等平臺業(yè)務。
其中，創(chuàng)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(fā)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(chuàng)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(chǎn)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(tài)深度學習網(wǎng)絡和超大規(guī)模決策歸因模型，提煉出大量TMIC調研數(shù)據(jù)的“核心邏輯”。
至于提煉的數(shù)據(jù)源，則是基于市場十億以上商品要素和用戶行為洞察的數(shù)據(jù)統(tǒng)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(fā)出受歡迎產(chǎn)品的幾率。
簡單來說，就是用AI的歸納能力，基于行業(yè)特有數(shù)據(jù)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(chǎn)業(yè)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(yè)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(chǎn)業(yè)用戶需求上。
AI概念工坊，正是像TMIC這樣擁有數(shù)據(jù)優(yōu)勢的平臺，應對這波生成式AI浪潮率先做出的嘗試。
