萧箫 衡宇 发自 凹非寺量子位 | 公众号 QbitAI
家人们谁懂啊，刷屏的《哈利·波特》AI时装秀，看几次都不够！
这些时装造型火遍全网，视频播放量破千万，还只是技术给时尚圈带来的一点小小震撼。
现在，用AI辅助设计服装、食品包装、装修等，已经成为一些设计师乃至网店老板的“基操”，相关话题也是隔三差五冲上热搜。
【资料图】
但即便如此，它在设计行业的应用方式，大多都还停留在概念创作阶段。
无论是提供设计灵感、还是将文字描述转成设计稿，这类工具都只能“设计个样子”，距离打造从风格、材料到工艺等细节上有卖点的“流行商品”，还有相当一段距离。
换言之，AI设计要想落地应用，绝非仅仅依靠它的绘画技巧就能实现。
好消息是，现在终于有人做了套工具，从出图、出款到出货，把商品设计全流程跑通了——
无论是商品的设计概念图、还是打造商品所需的材料清单，全都支持一键生成，甚至还能基于大数据，预测商品成为爆款的可能性。
搞定这事儿的不是别人，正是天猫新品创新中心（TMIC）。
他们最新推出的名为“AI概念工坊”的生成概念款解决方案，直接帮助店家缩短了将近6个月的设计周期。
所以这究竟是一款怎样的工具，背后又究竟有着怎样的逻辑？
相比其他的AI设计工具，它的差异和优势究竟体现在哪里？
一件商品销量如何，大概率从设计之初就决定了一大半。
所以“设计”这个阶段的重要性一再提升，成为兵家必争之地。对商家来说，大量的精力和时间都被吸附在这个步骤。且往往举棋难定。
要设计一件商品，从灵感迸发，到落到纸笔处，再到变成实体商品，常出现再三修改、反复琢磨的局面。
毕竟时尚风格的流行、目标群体的喜好，都不容易被精准把握。
再者说，线稿的完成并不代表新产品外形的最终拍板，因为工艺、辅料匹配等，同样起着不可忽视的作用。为了达到最理想的效果，多次打版是设计者们的家常便饭。
反复打版这道坎，既消耗时间，又增加成本，更对设计者是一种挫磨。
拿一款国际化服饰品牌秋冬季的新品为例，调研统计数据显示，新品研发通常至少提前2年，其中，市场调研、设计打版、内部订款一整套流程下来，顺利的话也要8-12个月。
长期下来，让设计提效，减少打样时间和成本，提升内部沟通效率，成为了商家们头疼的难题。
TMIC提出的“AI概念工坊”，就是为商品款式设计提供解决方案。
最主要功能是结合AI能力，帮助商家从概念描述到商品概念稿的快速产出，并同时通过市场调研，锁定消费者偏好，对最终该对什么产品投入大货生产进行抉择。
简单点说，就是现在不用一大帮设计师，商家找AI概念工坊帮忙，秒出图片、交互完善，从概念稿到市场调研再到选定可打版款，短周期内就能搞定商品设计——从原本的8-12个月，缩短到3-6个月。[page]
在这背后，是TMIC已经自研的一整套全链路解决方案，几步就能搞定。
首先，输入概念描述。
店家通过前期的市场流行性研究，锁定概念，在文本框中输入相关描述，可以是具体的款式、风格、主色调等。
接着，AI根据输入的相关描述，快速生成多个概念款。
由于基于淘系海量商品图文数据，AI概念工坊在各个垂直行业核心模型容量业界领先支持产业级颗粒度的相关性控制和快速创意出图。
拿服装设计举个具体的例子。
输入街头工装风、简约T恤等描述，可以在几秒钟内得到如下图片。
实际操作中，除了服装行业，AI概念工坊对食品行业同样适用。
例如将描述转变为输入类目、包装类型（瓶装、袋装、盒装…）、包装大小、图案、风格等，就可以快速生产多种包装图：
最后，选择去测款，也就是说从具体方案而言，AI概念工坊并不局限在“提供概念（图）”这一步。
展开来讲，是利用TMIC多年来沉淀的专业知识体系和既有能力，将AI生成的概念款结合测款能力，锁定消费者偏好，进而进入后期的设计和批量生产。
上述的全套流程，即将逐步落在天猫商家的实战场景中。
不过，当下有不少AI设计工具已经颇为出圈。相比已经过市场验证的工具而言，为何店家还要选择TMIC平台打造的AI概念工坊？
这一问题，或许可以从技术优势和行业壁垒两大方面来寻找答案。
一方面是AI技术优势。相比直接采用开源Stable Diffusion模型或是商用版Midjourney，天猫TMIC不仅采用了自研模型，就连训练数据也来自于淘宝平台自有图文数据和知识体系。
模型上，TMIC团队通过结合多年沉淀的行业知识库体系，从行业专业度出发训练和生成可控细节。在此基础上，团队进一步通过“打磨”优化，增强了模型的专业可控性。
相比随机出图，自研概念生款可控性达到了产业级颗粒度，例如光是食品，就支持对风格、配色、种类、包装、规格等标签的定制，而这样的细节足足有一千种，属实把提示词工程玩明白了。
进一步地，这样设计的模型能确保设计出来后直接打版甚至再加工，从而缩短设计流程。
不过，相比目前的市面上的AI设计工具，之所以AI概念工坊的效果脱颖而出，不仅仅是自研模型，更重要的是训练模型所用的数据。
事实上，数据对于文生图扩散模型的效果有着巨大影响力。
包括室内设计等公司，目前基于AI设计的方式都是炼“私炉”，也就是基于自己积累的行业专用数据对开源模型进行训练，生成出来的效果更符合设计要求。
相比之下，非开源商业AI工具虽然更容易上手，但同时上限和可控性也较低，很难用于生成特定领域、特定场景下的高清图片。[page]
其中，决定模型质量的数据“因素”又有两点：数据质量和数据量，而这恰好是TMIC的优势。
数据质量上，TMIC背靠淘系海量商品图文数据，爆款商品的数据更是精细到标签级，而这些标签是基于上亿件商品要素、由品牌和专家合作筛选建立的，不仅要符合产品设计流程，而且还得和用户需求形成映射关系。
数据量上，TMIC仅仅在服饰领域就拥有超过10亿+的商品图-文样本。不仅如此，知识点语料也超过百万，无需担心训练出来的模型整出“没有时尚品味”的设计稿。
但无论是算法还是数据，训练得到的模型都还只是拥有创意设计潜力的“新人”，距离成为“资深行业设计师”还差了几十年经验。
因此，最终能将这些图文数据整合起来、预测潜在爆款商品的，还得依靠大量的行内经验、数据统计，并最终归纳为某种方法论。
另一方面，恰好在行业中，TMIC也积累了大量用户数据研究和消费行业品类调查经验，让商品爆款设计从概念描述、甚至赛道选择上就已经具有先发优势。
作为阿里的大数据分析自主调研平台，TMIC如今已经基于大数据等算法推出了创新工厂、黑马工厂、TLAB产业创新实验室和AICI爆款公式等平台业务。
其中，创新工厂和黑马工厂能助力商家更好地洞察市场趋势，TLAB则负责从材料上加速研发流程。
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）分别代表算法、智能、创造和想法。
将这些因素结合起来，相当于直接给厂商提供了一个更容易生成爆款产品的“万能预测公式”。
这一公式共包含4大功能，分别是类目潜力判断、决策因子排序、品牌诊断与新品画像推荐。
这些功能背后的核心，则是基于多模态深度学习网络和超大规模决策归因模型，提炼出大量TMIC调研数据的“核心逻辑”。
至于提炼的数据源，则是基于市场十亿以上商品要素和用户行为洞察的数据统计，而非人为决策上判断商品爆火的概率。这样一来，在降低损失成本的同时，也能提升研发出受欢迎产品的几率。
简单来说，就是用AI的归纳能力，基于行业特有数据去更为全面地预测人的喜好，而非单一的“拍脑袋决策”。
这也正是TMIC作为消费产业的头部调研机构的核心竞争力。
在这波生成式AI变革中，各行各业都在寻找大模型应用落地的方式，但最终的核心还是要回归到产业用户需求上。
AI概念工坊，正是像TMIC这样拥有数据优势的平台，应对这波生成式AI浪潮率先做出的尝试。
欢迎关注TMIC官方公众号，获取更多行业新品资讯和前沿工具能力：
