作者|陈伊凡
头图|视觉中国
一家中国的初创公司正在试图证明，在最为传统的服装制造业，人工智能能够完成上一代数字化技术未竟的事业。
七八位工人站在梯子上，拿着机枪在地毯上进行走线，工厂里一间简陋的小屋，是设计师工作室，摆着的是一张手绘的地毯样式。出了工厂另一边的单间，摆放着一台五米高的自动打孔机的样机，对着面前的地毯，尝试按照图样进行走线布局，来人的时候，工人会打开这台样机，笨拙演示，这种机器效果远不如人工，老板似乎也并没有打算把它用到自己的产线。
改造服装行业，听起来就没有那么性感，当然也不时髦。这是一个由无数作坊、碎片化数据和个人经验拼凑而成的古老行当。但周栋和团队在这件事上，已经跑了好几年，将这件事做到估值数亿元。
向量螺旋所解决的，是服装全产业链（从最上游的材料，例如棉花，到面料厂、服装厂再到品牌商）的沟通问题，再精准一些，就是解决信息增益，把AI变成实质生产力，而不是生产工具。
如今，一些服装3D技术解决方案提供商也提出要进入AI时代，但这意味着他们也需要和向量螺旋一样，重走一遍数据积累、领域算法、模型训练的过程。因为3D的数据和底层技术架构和生成式AI，完全不同。
周栋并非典型的极客创业者。拥有媒体背景、家族在潮汕经营服装工厂的他，与其联合创始人邢方舟起初的生意也相当传统：为网红KOL提供服装柔性定制。这门生意虽然有利可图，却很难称得上有巨大的想象空间。
但有的时候，往往这些不那么“性感”的故事，反而能够撇去浮华，触碰到商业真正发挥价值的土壤。
面料商谈论的是克重与材质，加工厂关注的是走线与工艺，而品牌方高谈阔论的则是调性与风格。这种语言体系的割裂，导致了巨大的沟通成本和供需错配。
训练AI需要数据，而这正是服装行业最匮乏的资源。在这个极其依赖非标经验的行业里，真正的数字化企业（如李宁、安踏、申洲国际）占比不足1%。对于绝大多数中小企业甚至是服装作坊而言，微信就是他们唯一的数字化管理系统。
在通用大模型眼里，一件衣服只是一堆像素的集合；但在向量螺旋的数据库中，一件衣服是一条严丝合缝的逻辑链：一张面料的显微照片，必须对应一份结构化的设计手稿，再成为一张成衣的工业版单，最后成为模特的上身效果图。
这场“脏累活”耗时两三年，数据就绪之后，他们选择了日本市场作为切入点，验证自己的初步应用产品能力。截至今日，他们在日本的客户已经有了数百家，第一阶段的PMF的验证成功，他们着手进入中国市场。花了两个月时间，他们进入了申洲国际的供应链。
服装行业可以直接跳过SaaS进入AI时代
周栋：两方面都有。我们最开始做的是给市面上所有KOL提供一站式服装定制服务。当时的出发点是，2019到2020年，自媒体在各个渠道，公众号、抖音、B站等都发展得很迅猛，因为自媒体的变现方式发生变化，很多大V开始做电商，偏向做个人IP或品牌文创，服装则是比较容易切入的品类。但当时市面上没有一家服务商，既能搞定服装产业链，又能把不同IP的文化转化为服装设计，还能整合全部供应链提供服务，最开始我们就切入这个方向。
我们创业的初衷，就是想在服装领域找到新的技术变量，尝试解决传统产业的生产关系或结构问题。
周栋：真正坚定转型是在2021年底，我们请到了一个关键人物前青岛海信人工智能商用研究所所长马映辉，就是现在公司的CTO，他一直对产业AI很感兴趣。他加入后，跟我们提到了类似GPT这样的东西，和更多有关计算机视觉方面的思考。
周栋：服装行业链条特别长、涉及主体特别多，行业内最大的问题就是各方的语言和共识体系完全不一样。
虎嗅：这件事在SaaS时期为什么没被解决？
第一，服装行业是所有实体产业里最非标的一个。我刚才介绍的产业链条里有多个环节，每个环节在我看来都是一个独立行业，面料是一个行业，加工是一个行业，品牌是一个行业，零售是一个行业。
第二点是业务流程缺失，这个行业有很多反共识的地方。服装行业是一个金字塔的结构，大家提到服装行业，天然会想到安踏、李宁这些知名品牌；提到加工厂，可能会想到申洲国际，但要知道，这些企业在中国服装产业里占比不到1%，剩下99%的服装企业都是中小规模或小作坊。公开可查的中国服装相关企业一共有17万家，但其中组织结构完善、有数字化基础的，不管是品牌类还是生产类，都凤毛麟角。绝大部分服装企业唯一的数字化系统就是微信。
周栋：我认为会。我们现在笃定的一件事就是我们在服装行业做AI就是以某种形式直接跳过“数字化和信息化”。但最本质的差异在于，上一个时代的SaaS和AI时代要解决的问题完全不同。前者本质是想把企业的线下业务流程线上SOP化，但这个前提是，企业线下得先有完整的业务流程、有SOP才行。但遗憾的是传统服装行业是感性主导驱动的，它们流程混乱、标准不一，难以联动。
到了AI时代，但出发点和SaaS完全不同。我本质上不是想做一个标准化工具，帮企业把线下流程线上SOP化，而是带着AI这个全新的生产力，帮他们重构新的业务流程，从而让企业内部人员可以利用AI实现增收或完成以前完成不了的任务。对他们来说，这是新的生产力，看待业务的视角完全不一样了。
周栋：就以这件衣服为例，面料商手里只有面料，他们会找到客户后上门，拿一块面料给对方看，说自己的面料多好，再给一些色卡，说能做多少种颜色，用这种方式推销。这个过程里他能传递给下游的信息总量很有限。
这里最关键的变化是，客户获得的信息总量完全不一样，客户能直接看到这块面料最终做成衣服和配上模特后的效果，这能给面料商创造新的增益。
虎嗅：这里面有大量非标数据，你们怎么解决数据工程？
我们分不同阶段解决数据从哪来、用什么行业Knowhow进行处理、不够的高质量配对数据如何解决。我们会通过公开信源合理抓取，外加产业伙伴定向收集，不乏下厂把纸质的衣服版单收集回来再做结构化处理；我们会有自己多年积累的产业知识库做标注和关联重构。不够的高质量配对数据，我们自己拍，或者通过数据合成的方式补齐。
虎嗅：数据工程搭建好之后，你做了什么事？
例如我们在2023年就训练了自己的多视角模型，比如让AI生成一件衣服各个角度的模特上身图，当时通用大模型也能做到，但大多只能出正面图。在服装行业的实际需求里，需要360度多视角展示，得看侧面、背面的效果，更难的是要保持各视角的一致性，否则就没有可用性。我们内部把这部分工作定义为“产业模型工程”，也就是数据工程加产业模型工程。
虎嗅：那你怎么确保大模型未来就不会做这件事？万一哪一天大模型效果越来越好，生成图像越来越对了怎么办？
虎嗅：有没有一个节点，能明显感觉到模型效果突然变好了？
第二个阶段是今年。VLM和多模态领域都有更多特定性能更好的开源模型，发展也更迅猛，我们就做了模型迁移。我想表达的是，对我们来说这件事不复杂，因为我们背后有一套成熟的技术架构和自己的benchmark评估体系，只要市面上出现更好的开源大模型，我们就能以最快速度判断和迁移，把我们的AI能力再往上拔高一个层次。
虎嗅：商业模式是怎么设计的？因为最早你们是产业互联网的思维，当时的收费模式可能跟现在不太一样？
第一个阶段先做了SaaS，有两个客观原因。第一，我们当时的综合技术还没牛到能直接做AI Agent或者更符合愿景的产品；第二，我觉得得先有一个MVP，先初步验证PMF，投向市场看一看，找到一个入口和方法，获取行业内真实客户的使用反馈和know-how反馈。所以我们做了SaaS，然后确定了切入的市场。
周栋：日本市场。相比于欧美和中国市场，日本市场的竞争没那么激烈；第二，日本的服装企业非常规范，数据质量相对更高；第三，我们当时看到了日本的国家政策，能明显感觉到日本不想错过这一波AI浪潮，虽然它赶不上中美，但当时日本政府对日本企业有一些补贴政策。我们在日本认识一家做服装贸易的日企商社，直接选择它做我们的代理商。这样一来，我们有好的AI产品，切入了市场空白，又找了日本本土有服装资源的企业做信任背书帮我们销售，天时地利人和。
日本电视台对向量螺旋的报道
周栋：我们其实是同步启动了第二个市场，中国市场，我们先确定了生产型企业切入，确定两个趋势作为切入方向：第一个是“二代接班潮”，第二个是“供应链出海潮”。
虎嗅：什么时候在国内跑通了第一个标杆客户？
虎嗅：你们是直接跟老板谈，还是跟业务部门谈？
虎嗅：申洲国际已经是服装行业里数字化程度很高的公司，为什么还要购买你们的AI服务？
我们尝试帮他们做的第一件事是在不丢失已有数据系统的基础上，打通散乱数据资产的可复用性和可利用性，另外就是循序渐进帮他们做AI Agent，例如用他们已经积累的面料、材料和工艺的能力，直接生成一套企划方案给到品牌方，为他们直接创造更多服务生产力的增量。
虎嗅：第一阶段的商业模式还是SaaS的形式，第二阶段和第三阶段的商业模式会有什么迭代？
第三个阶段的商业产品，现在已经在做demo了，我们叫“数字工种”。不管是SaaS还是企业级Agent，最终都是客户员工在使用工具，这仍然没有完全打破我刚才说的那个魔咒，还是AI配合人，且决策人本人通常对AI的实际效益价值是没有直接体感的。
这背后的逻辑是，上一个时代的工具类产品，抢占的是每家To B企业的IT预算，而企业的IT预算可能只占总预算的3%、5%。但我们想换个方式，我们提供数字劳动力，要抢占的是企业的人力预算。
虎嗅：你们先做了什么岗位的数字员工？
虎嗅：为什么先选择做“电商内容专员”这个数字员工？
虎嗅：现在的营收情况方便透露吗？
虎嗅：三倍增长目标是基于什么判断的？是不是因为明年你们要推出那个技术中台？
现在营收的绝对值不是最重要的，更应该关注每年的增长是否是稳步上升的状态。
本文来自虎嗅，原文链接：https://www.huxiu.com/article/4827386.html?f=jinritoutiao
