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。
看到这里，我觉得最需要这些软件的是《少妇白洁》的直男作者（划掉）随处可见的“搭配废柴”——比如我。
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。
17621123178