---
title: "非凡访谈｜知衣科技CEO：当AI走上T台，服装产业将会迎来哪些新时尚？"
id: "20241129A02X6300"
publicationAccount: "非凡产研"
originalPublishedAt: "2024-11-29T10:44:42+08:00"
canonical: "https://ffcap.cn/research/20241129a02x6300"
source: "https://view.inews.qq.com/a/20241129A02X6300"
sourceAccount: "https://news.qq.com/omn/author/21759984"
language: "zh-CN"
tags: ["营销增长","电商零售","模型与基础设施"]
---

# 非凡访谈｜知衣科技CEO：当AI走上T台，服装产业将会迎来哪些新时尚？

文章中的“非凡产研”是原始发布账号署名，不代表已核实个人执笔作者。引用访谈或圆桌观点时，应按正文标明具体发言人及当时身份；无法确认时不要推断。日期为原始发表日期，历史信息以发布时点为准。

![非凡访谈｜知衣科技CEO：当AI走上T台，服装产业将会迎来哪些新时尚？ · 原文图片 1](https://inews.gtimg.com/om_bt/Oj5_l5QlGZZHo2NLsSetGJiKmpFEkD9n9j7ukzP9KOblQAA/1000)

2015年，郑泽宇与几位谷歌同事共同创立了专注于为企业提供人工智能解决方案的才云科技（Caicloud）。在与当时的客户，国内知名MCN机构如涵（Ruhan）的合作中，他逐渐意识到服装行业正在经历深刻的变革。

通过数据分析，郑泽宇和团队发现，从2016到2017年，服装行业的流行趋势发生了显著变化：消费者的购买决策不再主要受到传统品牌的影响，而是转向了KOL和KOC的推荐。行业的力量结构正在发生转变，带来了新的机遇。同时，郑泽宇也注意到，尽管优衣库等全球服装巨头占据市场份额，但服装行业整体上缺乏市场垄断者，仍然存在巨大的潜力。

基于这一判断，郑泽宇认为服装行业蕴藏着平台型商业机会，决定于2018年创立知衣科技，进一步挖掘这一市场潜力。

谈到大模型和生成式AI对各行各业带来的颠覆性变革。服装行业是必须关注的行业之一。**知名商业情报平台Statista的调查数据显示，全球时尚服饰产业的市场规模在2024年将达到7709亿美元。预计复合年增长率（CAGR）在2029年之前将达到8.94%，同时时尚行业也是零售产业市占率最高的行业。**

![非凡访谈｜知衣科技CEO：当AI走上T台，服装产业将会迎来哪些新时尚？ · 原文图片 2](https://inews.gtimg.com/om_bt/OpUdXvussHZrEL5t8Yf3WNuGSnY49xrxyQzFFavArW9P8AA/1000)

_知衣科技 创始人&CEO 郑泽宇_

**为此，非凡产研近期特别采访了郑泽宇，请他分享了大模型和生成式AI将如何赋能服装品牌及行业发展。以下是访谈精华：**

## **Q：首先请您先做个自我介绍。**

**郑泽宇：**我从小就参与各种计算机竞赛，因此高中毕业之后得以保送至北京大学计算机专业，之后又取得了卡内基梅隆大学人工智能硕士学位。毕业后曾在微软研究院、谷歌等企业任职。可以说一直都在人工智能领域深耕。

知衣科技，这个名字本身就透露出我们的核心理念——利用科技力量推动时尚产业的发展。自2018年成立公司以来，“AI如何助力服装产业”一直是我最常被问到的问题。许多人，特别是在服装设计领域，认为这是艺术创作而非科技驱动，因此对AI在这个行业的应用感到疑惑。

回顾我的个人经历，第一次创业便是在AI领域。早期的业务本质上是为不同的行业提供AI外包服务，帮助他们寻找合适的解决方案。经过多年的探索，我最终选择进入服装行业，其中一个关键因素是我们意识到，服装设计不仅仅是艺术创作，它本质上也是商品。而作为商品，就必须考虑市场需求和消费者偏好，这也就意味着服装设计可以通过数据分析和市场调研，更精准地把握消费者的需求和市场趋势。

事实上，设计师的工作不仅仅是进行创造性构思想象，他们还需要进行大量的市场调研和分析，以判断哪些设计将受到消费者欢迎。因此，技术，尤其是数据分析和人工智能，发挥了至关重要的作用。它能帮助设计师更理性、客观地做出决策，为他们提供更有效的市场定位和趋势预测支持。

通过与一些服装品牌的合作，我们深入了解了行业的需求和痛点，决定将AI技术深耕于服装行业，帮助设计师通过数据分析找到更符合市场需求的产品方向，从而创造具有市场潜力的爆款。这就是知衣科技的使命所在。

## **Q：大模型和生成式 AI 跟原来的AI相比，给服装行业带来了哪些新想象？**

**郑泽宇：**人工智能技术的应用能够使许多过去无法实现的任务在今天变得可行。以下是几个展示AI如何在服装行业中发挥作用的例子：

首先，以打标签为例。传统的分析方法难以提取某件很有设计创新点的衣服的关键信息。然而，借助大型模型技术，我们可以更快速地构建灵活的标签体系，从非结构化数据中提取和精炼所需的标签或元素，甚至总结出趋势和洞察。

其次，赋能设计师能力提升也是一大亮点。过去，设计师通常只能依靠自己的想象力发挥设计创意，如今，借助AIGC技术，设计师可以直接实现不同设计元素的自动组合。更重要的是，很多服装设计的细节难以用语言精确描述。如今借助AI，通过分析设计师的行为、历史数据、定位和个人画像，智能系统能够根据这些信息生成设计元素，并结合当前流行趋势提供素材，从而大幅提升设计效率和创意水平。

## **Q：女装市场通常较为复杂，长尾品牌众多，款式抄袭现象很普遍，退货率也居高不下。AI技术是否帮助品牌应对这些挑战吗？**

**郑泽宇：**实际上，我们能够解决的问题相对有限，主要集中在两个方面：一是品牌由于设计定位不准确而导致的库存积压；二是因市场销售分配不精准而形成的库存。

首先，服装品牌在实际运营工程中，经常会遇到一些设计师因未能准确把握设计和目标消费群体定位，导致设计的产品难以销售，最终变成积压库存的问题。借助我们的工具能够进行对市场的深入分析，这样至少可以帮助他们避免因设计失误而产生的部分库存。

另一方面，可以通过产业链的联动来解决库存问题，这涉及更为复杂的操作。简而言之，在我们的平台上，可以知道哪类产品有畅销潜力，这样品牌就可以预先生产少量产品进行小范围市场测试，通过市场验证后，就可以通过快反机制，根据实际消费需求增加生产量。

当然，这需要整个服装产业生态系统的协同合作。目前，我们已经与超过1000家服装生态链企业建立了联系，包括面料商、成衣工厂等，以支持企业的快反能力。

至于您提到的女装退货率高这个问题，这并不是一个容易直接解决的难题，因为退货是交易过程中不可避免的一部分。如何优化下单和退货流程，尤其是买家秀与卖家秀的差异，或服装尺寸不合适等问题，是一个多重挑战。某些问题仅通过单一技术手段难以得到有效解决。而我们目前的主要努力方向是确保设计出的产品能够顺利销售，避免成为库存，同时通过产业链的协同工作，实现更精准的市场匹配，避免提前生产过多库存，并确保在畅销时能够及时反应并增产。

如果这些问题能够得到有效解决，就已经是迈出了重要的一步。至于其他环节的挑战，我们也在继续逐步探索解决办法。

![非凡访谈｜知衣科技CEO：当AI走上T台，服装产业将会迎来哪些新时尚？ · 原文图片 3](https://inews.gtimg.com/om_bt/OH6Vdbj8U5mFyJenPi1tz0k4Wtg1lCVcFy_11H3h3mlE0AA/1000)

## **Q：你们的系统如何与企业其他运营系统进行集成整合？**

我们拥有一套完整的自主研发的零售运营系统，并对希望成为我们供应链生态合作伙伴的下游企业提出了强制性要求：即必须使用我们的运营系统。针对一些难以自行有效使用我们系统的合作伙伴，我们会派遣专业人员协助他们，确保他们能够熟练掌握并运用我们的系统。

服装行业的高度分散性使得许多合作工厂可能并没有现成的运营系统，或者不擅长使用这些系统，甚至很多人可能对使用系统这件事持抵触态度。他们通常都不清楚使用这些系统对他们有哪些实际帮助和好处。

当然，目前我们也正处于初步探索阶段。像Shein这样仅凭一两千名员工，就能管理上千亿（2023年Shein GMV超过300亿美元）GMV订单的企业，在传统品牌中几乎是不可想象的。我们希望将来也能打造类似于Shein的供应链管理体系，最终帮助企业实现高度的协同和效率。

## **Q：在实现这个目标过程中你们面临哪些挑战？**

整合整个产业链是一项极具挑战性的任务，尤其是在一个长期分散运作的市场环境中。关键问题包括如何有效整合订单、管理供应链中的各方企业，以及确保各企业提供的数据真实有效。例如，有些供应商可能会在系统中虚报已完成交货的数据。确保数据的准确性和及时性是我们面临的一大挑战。

这一过程涉及体系设计、系统架构和流程管理等多个层面，实际操作中会遇到许多复杂问题。我们需要逐步克服这些挑战，为每个环节制定SOP，并逐步扩大规模，拓展业务。这是一个需要不断完善和优化的过程。

## **Q：目前客户对GenAI的接受度如何？**

目前大部分服装企业都对人工智能在设计领域的应用表现出了浓厚的兴趣，但兴趣背后也伴随着疑虑和担忧，特别是设计师们。虽然AI能够帮助减少工作量，这令设计师们感到兴奋，但他们也担心自己的价值会完全被AI替代。

在实际应用中，我们也发现仍有许多技术问题亟待解决，包括AI生成内容的精确度和可控性。如何确保生成的内容既符合设计师的需求，又不偏离其个人风格和调性，以及如何准确把握设计师的期望，这些都是我们面临的挑战。虽然我们有了解客户需求的优势，但在模型生成内容的准确性方面，仍在持续研究和探索中。我们也在密切关注开源社区的最新技术进展。

![非凡访谈｜知衣科技CEO：当AI走上T台，服装产业将会迎来哪些新时尚？ · 原文图片 4](https://inews.gtimg.com/om_bt/OlWOIGo-zluAAXB9gysMqPAO1aV5zMk4VwcjalaUC23ycAA/1000)

## **Q：中长尾企业由于体量不大，因此数据积累肯定不够，这有影响吗？**

服装行业是一个高度分散的行业，即使是市场的领导者，其市场份额也很难超过1%或3%。意味着在这种市场结构下，中小型企业和长尾客户非常普遍。因此，我们的策略并不是依赖单一企业的数据来训练模型，而是将整个市场的数据进行整合。

目前我们拥有超过千亿的服装行业相关数据，在利用这些数据训练我们的AI模型的基础上，还能够根据每位客户的具体需求进行个性化款式生成。由于我们的数据库涵盖了各种风格和市场定位，因此只需依据客户的定位，便能生成与之相匹配的款式内容。

## **Q：服装行业本来款式抄袭现象就挺严重的，AI 不会加重这个现象吗？**

实际上，我们观察到的情况是，人工智能技术能够有效缓解服装设计中的抄袭问题。大多数设计师并不具备极高的创意能力，他们的日常工作主要是观察同行的动态。在没有我们的辅助工具之前，设计师的每天工作流程通常是首先关注行业头部品牌的最新动态来把握市场趋势，然后个性化创意思考和处理其他日常事务。但其实当他们挨个看完一遍头部品牌在做什么后，每天用于探索个性化设计的时间就变得非常有限。

此外，以前设计师在信息获取上的重叠度很高。由于他们使用的资讯软件缺乏个性化，所有人看到的内容都相同，最多有一些简单的标签分类，但这些分类远不能满足成千上万家服装企业的多样化需求，导致了同质化问题的加剧。

然而，我们每天产生的数据量达到数百万级，通过将这些数据精准分发给数百万家品牌，能够实现差异化的内容分发与推荐。对于设计师来说，能够接触到更多的素材和信息，就意味着能激发更多创意。我们还发现一个有趣的现象：初次使用我们产品的团队可能只关注10到20个信息来源，但随着使用深入，他们关注的数据来源将会逐渐增加到1000个、2000个，甚至5000个。

如果设计师每天仅从10个品牌获取信息，他们的设计就容易与这些品牌相似。但如果他们从5000个品牌中获取信息，他们的设计将更可能形成独特风格和创新。随着人工智能技术，特别是生成式AI技术的发展，设计师接触到的数据来源将远超5000个，甚至可能达到500万或5000万个。生成的内容将变得更加多样化，我相信这将有助于解决服装行业的同质化竞争问题，推动行业朝着更具差异化和创意的方向发展。

![非凡访谈｜知衣科技CEO：当AI走上T台，服装产业将会迎来哪些新时尚？ · 原文图片 5](https://inews.gtimg.com/om_bt/Oux7ohnz5JhKvt-vJ61dE2hKw8IJ1QkDoNNySm8rMak4cAA/1000)

## **Q：是不是意味着能给行业带来一些新的增量空间呢？**

人工智能技术的应用旨在增强品牌在差异化竞争中的优势。它不仅助力企业开拓新市场，满足未被充分挖掘的消费者需求，还能加速整个行业的发展步伐。这种快速的产品更新有助于减少库存积压，同时提高客户满意度和品牌忠诚度。如果消费者总是面对相似的产品，他们可能会失去兴趣；而品牌若能持续推出多样化的产品，就能加深用户对品牌的忠诚。

从品牌运营的角度来看，频繁的产品更新至关重要，但这并不代表需要对每个新产品进行大量备货。如果每个新品都需要大量库存，一旦某些产品销量不佳，品牌就会面临库存积压和资源浪费的问题。相反，如果品牌能够灵活地每周或每月推出1000个SKU，并利用数据精准预测需求，就能大幅提升满足客户需求的可能性，从而增强市场竞争力。因此，品牌应该专注于实现高频率的产品更新，而不是单纯依赖大量库存，这样才能在激烈的市场竞争中保持领先。

## **Q：您觉得生成式AI 对整个服装行业还有哪些重塑呢？**

在服装领域，人工智能技术的应用极为广泛，应用场景非常丰富，例如，客户可以通过AI技术进行虚拟试衣、提供设计反馈，或者在设计完成后直接在客户端生成文案和多样化的展示图。由于不同客户对展示图的偏好各异，提供多种风格的展示图可以更好地满足他们的个性化需求。同时，AI技术也被用于提升客服导购的效率和效果。

尽管生成式AI的应用场景多样化，但我们更倾向于将AI技术的重点放在生产或设计端。例如，利用AI进行款式生成、智能试衣等，作为设计师的辅助工具，能够为他们提供极大的价值。

此外，设计师和C端客户的需求存在差异。设计师更注重设计细节，而终端销售可能更看重整体图片的感觉。因此，在针对不同环节的产品化过程中，需要有不同的侧重点和技术解决方案来满足这些差异化的需求。这意味着，AI技术的应用需要灵活多变，以适应不同用户群体的具体需求。

## **Q：您对大模型和生成式技术在你们的产品的应用等层面还有哪些新期待？**

我对人工智能在设计领域的进一步发展充满期待，希望它能使得产品使用过程更加智能化。目前，我们的工具操作起来很复杂，但设计师往往都是更倾向于直觉和创造性思维的人，他们需要的是提出问题后能迅速得到解决方案。而生成式AI正是能够解决这一需求的技术之一。如果能够将对话、分析和生成能力集于一体，为设计师提供一套更友好、更直观的解决方案，我相信这将为我们的产品推广开辟全新的视野和机遇。

目前我们的头部客户的覆盖率之所以远超尾部客户，部分原因正在于尾部客户缺乏使用这些复杂工具的精力、时间和能力。头部企业通常拥有专业团队，能够利用这些工具获得竞争优势。理论上，这种优势应该是对所有人公平开放的。因此我认为，当前的生成式AI技术在实现这种公平和开放方面具有巨大潜力。

未来，这项技术甚至可能发展成Chatbot形式，设计师们只需通过对话就能洞察市场趋势和用户需求。例如，设计师询问应该学习哪款产品时，Chatbot可以通过询问用户的方向、客户群和当前状况，通过智能对话大致分析出设计师需要的产品类型。

通过这样的方式，生成式AI技术有望为所有设计师，无论其规模大小，提供平等的竞争平台，让每个人都能享受到先进技术带来的便利和优势。

## **Q：您希望未来几年服装产业链还能迎来哪些迭代升级？**

未来几年，我们希望借助大模型和生成式样技术推动整个产业链的数字化转型。目前，服装产业设计、生产、销售等不同环节的数据往往是孤立和碎片化状态。如果能够通过某种方式，以设计为核心，实现产业链数据的高效整合，我们就能够实现所谓的“保守性开放”。这种开放意味着，企业在敏感数据信息不被广泛公开的基础上，可以被应用于特定的场景。

这种保守性开放与透明计算的理念相似，是我们在未来三到五年内非常期待的发展方向，并且我们也将投入大量的精力和资源来实现这一目标。最终，我们希望能够为设计师提供一个更加便捷、智能的工作环境，同时也为整个产业链的数字化转型贡献力量。

## **Q：目前公司面临哪些发展挑战吗？**

从人工智能生成内容（AIGC）角度，无论是从技术还是商业角度来看，我们当前都面临着一系列挑战。首先，一个核心问题是这套系统能否被设计师广泛接受，并能真正提升他们的工作效率。其次，AIGC生成的设计作品是否能够达到或超行业平均水平依然未知。虽然期望AIGC在所有情况下都超越人类设计师的作品水准可能过于严苛，但至少也应达到行业平均水平。

在技术层面，我们面临的挑战不仅仅是提高图像生成的质量，还包括实现一定程度的精确度和可量化的标准。同时，我们还需要考虑如何将商业模式与技术融合，即如何说服客户尝试并采纳AIGC技术。这不仅是一个技术问题，也是一个商业问题。因此，我们需要找到一个平衡点，确保技术发展与商业模式的结合相得益彰，进而真正推动AIGC技术的实际应用和市场接受度。

## **Q：您如何定义知衣科技呢？**

我们的目标是构建一个完整的产业生态系统，而工具则是支撑这一生态的核心手段。无论我们采用的是人工智能、大数据、云计算，还是未来可能涌现的其他技术，我们的终极目标始终是提升整个产业的效率和健康运作，确保产业链中的每个环节都能获得更好的利润。这才是我们追求的最终优化目标。

从我们自身角度来看，我们首先要成为一家能够盈利的企业，然后在此基础上，逐步去解决更复杂的问题，尽管这个过程很漫长，可能需要10年、20年甚至30年的时间，才能彻底改变一个行业。但这样的机会在百年内可能仅会出现几次。因此，尽管这项任务充满挑战，但一旦成功，将对整个行业发展和我们自己都带来重要意义。

当前，服装行业正处于转型期。过去，消费者能清楚区分哪些品牌是高端的，并愿意为这些品牌支付溢价。然而，这一认知正在被打破，而新的时尚标杆又尚未完全建立，整个行业正处于洗牌和变革的过程中。

我们的目标是寻找新的时尚标杆，这些标杆不再局限于传统的奢侈品牌或大型品牌。**传统时尚模式一直都是自上而下的，但如今的消费者更加注重个性和独立思想，未来每个消费者都能是时尚的引领者和发声者。这意味着时尚趋势变得更加分散。因此，我们该如何重新定义时尚的高地、标杆和溢价？这是我们在新时代需要回应和解决的核心问题。**

随着下一轮经济复苏的到来，以及国际博弈的不断变化，我们能否成为新时尚史的引领者，并定义新一轮的时尚潮流？这既是我们面临的挑战，也是即将迎接的机遇。

**作者：Qiuping**

**\- END -**

---

原始发布版本：https://view.inews.qq.com/a/20241129A02X6300

本站阅读页：https://ffcap.cn/research/20241129a02x6300