今年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j9九游会的解决方案。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stle 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。面料/工艺资源库一直以来与面料供应商、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。
2d服装款式设计生成基于我们的产品，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。2.5d版型生成在服装行业，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。
3d模特姿态生成从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。2d视觉效果生成以往从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。
style3d ai产业模型——电商上新应用场景/背景生成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
。1）数据对于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。
2）模型模型方面，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。
3）评估对于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。
4）部署最后就是如何部署。针对偏工程和算力方面的问题，需要我们逐一去解决。
style3d ai产业模型midjourney的创始人david holz曾在接受科技媒体the ver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。