「這條褲子要搭什麼？」—— AI 造型的進化早已超出你的想像

三年前，誰能想到你可以直接問 App：「我明天有個商務休閒會議，接著還要跟客戶吃晚餐，該穿什麼好？」AI 造型現在已經不只是簡單的推薦，而是進入了真正「理解」並與你的衣櫃產生「互動」的全新階段。

從推薦到對話，再從對話到視覺化

AI 造型的演進大致可以分為三個主要階段。

推薦時代 (2015–2020) —— 「買了這件物品的人也買了...」聽起來很耳熟嗎？這種被稱為協同過濾 (Collaborative Filtering) 的方法，早期主要被網路購物商城所採用。但當時的問題很明顯：AI 完全不知道你已經擁有哪些衣服，也不知道你明天要去哪裡，缺乏了關鍵的背景資訊。

對話時代 (2022–現在) —— 隨著大型語言模型 (LLMs) 的崛起，遊戲規則改變了。「我明天早上有個咖啡廳會議，下午要拜訪客戶，請幫我推薦一套以深藍色長褲為核心的穿搭。」現在，AI 能夠理解這些自然語言的請求，並利用你衣櫃中現有的物品來策劃組合。Acloset 的 AI 造型正是其中的佼佼者，它能根據你的實際庫存生成穿搭提案。

虛擬試穿時代 (2024–現在) —— 更進一步，生成式 AI 現在可以將衣服疊加到你的照片上。在實際換裝之前，你就能預覽「這件襯衫穿在我身上看起來如何？」。

雖然這些階段是循序漸進發展的，但現在它們正融合為一種無縫的體驗。你描述場合，AI 從你的衣櫃中找到完美組合，然後展示在你身上的效果。就在三年前，這還像是科幻電影裡的場景。

然而，這裡有一個至關重要的區別需要釐清。

為了你的 AI vs. 為了平台的 AI

即便兩家服務都自稱為「AI 推薦」，其結果可能會因 AI 服務的對象不同而大相徑庭。

對於購物商城的 AI 來說，數據來源是他們的庫存。目標是推動銷售。因此，推薦做得越好，你買得就越多。相反地，對於數位衣櫃的 AI 來說，數據來源是你已經擁有的衣服。目標是極大化使用率。推薦做得越好，你就越常穿現有的衣服。

這並不是說購物商城的 AI 不好，但你應該意識到其中的利益衝突。由於平台在你購買更多時獲利，他們的演算法自然會被優化，引導你按下「購買」按鈕。

數位衣櫃的 AI 則沒有這種衝突。它存在的唯一目的就是幫助你充分利用現有的衣櫥。一旦理解了這個差異，你就能明智地使用這兩類 AI——購物時參考商城 AI，而打造日常穿搭時則依靠衣櫃 AI。

AI 的擅長之處（以及它仍無法做到的事）

老實說：AI 造型並不是魔法。

它的強項在於： 基於規則的配色（例如：深藍 + 白色）、偵測穿著慣性（「這位用戶週一偏好正式風格」）、透過學習偏好實現個人化，以及 24 小時隨時待命。

目前的挑戰在於： 情緒背景的捕捉，例如「我今天心情有點低落，想要一套能提升心情的穿搭。」它也難以處理只有親身感受才能體會的布料細節與垂墜感，或是細微的文化判斷，像是「這套衣服在這個特定場合會不會太誇張了？」。

結論是：AI 是一個工具，但最終的決定權永遠屬於你的個人風格品味。 當 AI 建議了三套穿搭時，由你來挑選最符合「今天的你」的那一套。透過簡單的點讚或倒讚給予回饋，你就能幫助 AI 下次的推薦變得更加精準。

當你正確建立起這層關係時，AI 造型就不僅僅是一個工具，它會成為幫助你風格進化的夥伴。但要發揮它的最大效用，你需要一點小小的準備。

只要 10 分鐘，釋放 AI 的最強潛力

要讓 AI 提供優質的推薦，它必須了解你的衣櫃。就像那句老話「垃圾進，垃圾出」，高品質的數據才能帶來高品質的結果。

第一，至少數位化你 80% 的衣櫃。 如果物品登錄率太低，AI 的選擇就會受限，穿搭的品質也必然會下降。

第二，準確標記你的物品。 顏色、類別、材質和季節。只要搞定這四項，就能顯著提升 AI 的準確度。

第三，記錄至少 30 天的日常穿搭。 AI 會從你的穿著模式中學習。沒有數據，它只能給出通俗的建議。一旦擁有了 30 天的數據，它就會開始提供真正為「你」量身定做的推薦。

最重要的一點——明確描述你的場合 (TPO)。 「給我一個穿搭推薦」的效果永遠比不上「明天早上的咖啡廳會議，商務休閒，以深藍色長褲為主」。你提供給 AI 關於場合的細節越多，結果就越理想。

❓ 常見問題

問：我需要登錄多少件物品才能有效使用 AI 造型？
答：我們建議登錄超過 80% 的衣物。通常至少需要登錄 30 件物品，才能看到具有參考意義的穿搭推薦。

問：如果我不喜歡 AI 的推薦該怎麼辦？
答：留下回饋！利用喜歡/不喜歡按鈕。具體的回饋如「顏色太深了」或「再休閒一點」，對於提升 AI 的準確性非常有幫助。

問：Acloset 的 AI 造型與購物商城的 AI 有什麼不同？
答：Acloset 根據你已有的衣服推薦穿搭，幫助你減少不必要的開支；而購物商城 AI 則是為了鼓勵你購買新產品而設計的。

參考文獻與來源：

McKinsey & Company, "The State of Fashion 2024: Technology Edition"
Google (2024), "Virtual Try-On with AI"
Deldjoo, Y., et al. (2022), ACM Computing Surveys

由 Acloset 雜誌團隊發佈。