深兰做了个DeepVogue：AI也能设计服装了

日前，2019中国国际服装设计创新大赛在上海安莎国际会展中心落下帷幕，经过16位决赛入围选手的激烈角逐，最终欧洲设计学院的Valentina Cosenza和Giada Petrolini获得冠军，深兰科技的DeepVogue获得亚军，荷兰阿姆斯特丹应用技术大学的Iris van Wees获得季军。值得一提的是，获得亚军的深兰科技DeepVogue服饰辅助设计系统是16支参赛队伍中唯一的非“人类设计师”，并获得了由50位大众评审投票选出的“最受大众欢迎奖”。

自阿尔法狗席卷全球以来，人们对人工智能的认识已经走上新台阶，对于人工智能可以部分代替人去工作的论点再无疑虑。也因此，基于人工智能技术的科技产品和服务在近年纷纷涌现。然而在多数人的心中，人工智能依然主要是借助电脑的密集运算和穷举能力，因此更适合去做对精度和速度有要求的“机械劳动”和“印象”类工作。深兰的DeepVogue作为人工智能在设计领域的尝试，甫一亮相即获得不错的成绩，似乎从另一个角度指出了人工智能未来的产业应用方向。

何为AI+设计

曾经有服装行业的从业者表示，服装行业优秀的设计师很难找，最顶级的设计师都被超头部品牌垄断，这直接导致了品牌之间抄款成为潜规则，不同品牌服装设计逐渐同质化，品牌开始醉心于营销而非设计。

在销售前端，支持消费者定制开始成为零售必备能力之一，能针对个性需求匹配出多快速的生产能力，或许将成为下阶段零售业比拼的重点。

在这两个维度的现状之下，一套能帮助设计师快速寻找灵感和高效定制的工具显得颇有想象力。

DeepVogue是深兰科技推出的一款具有独创服饰设计能力的商品企划辅助设计系统。其使用了GAN、VAE和结伴学习等技术，赋予了AI科技非线性思维，从而获得“设计天赋”。在深兰科技集团深度学习科学家方林博士看来，DeepVogue更大的意义就是可以让人们意识到，人工智能也可以把非线性的创造工作做得很好，从而再次获得更具突破性的人工智能场景应用。

根据介绍，设计师可以利用DeepVogue系统，将自己采集到的时装走秀图、产品照片等素材导入该系统，设置自己想要的设计主题或关键词后，DeepVogue即会通过深度学习，推出不重样款式的全新独创时装画。设计师再根据时装画进行筛选，结合服饰品牌的定位、具体公司的商品组合策略、成本预算等因素，落地成衣的打样和修改环节，实现服饰的最终量产。据介绍，DeepVogue系统的早期目标受众是专业服装设计师和服装品牌商，长远则可能将系统功能开放给所有人，让全民都能通过自己的想法来定制自己的衣服。

由于可以设置输出的不同设计风格取向，以及重点是提供灵感而非给出最终设计方案，DeepVogue系统可以为设计师做到私人订制。同时，由于更多的是灵感帮助，使用该系统的服装品牌也几乎不可能因为AI设计而受到版权问题的困扰。

对于DeepVogue系统的早期目标受众来说，先解决核心问题就够了。

DeepVogue的能与不能

上文提到，DeepVogue系统的长远目标是要让全民都能通过自己的想法来简单定制自己的衣服。

这件事情是典型的听起来容易，做起来难。

事实上，在有充分公有设计素材的基础上，要让每个人都能在DeepVogue系统独立设计衣服也许并不太难：做好针对“小白”的易用性优化，通用设计能力实时运算出设计结果，问题在于从设计到成衣之间的流转如何高效打通。

这其实是产业互联网的思路：把一切生产要素联网，然后通过需求生成生产程序，自动配置一切资源加工出产品，交付并满足客户需求。对于服装定制来说，人的身材还可以通过自己输入或上传照片的方式自动分析，但从设计出炉后的材质、原材料、染色、剪裁、物流等均需要相当亲密的配合才能做到真正的高效。

在大赛现场，一个并不出人意料的点评来自中国金顶奖服装设计大师张肇达，其在现场表示深兰科技DeepVogue系统的设计“从衣服的结构、分割，面料的搭配、还有衣服的多样性，整体的完整性上找不出的毛病”，但“当代性和创新性还有可以再加强的部分。”

要让made in AI的设计一夜间在创新性上超过人类或许只是奢望，不过考虑到研发DeepVogue系统都是一群程序员，这样的点评好像也没那么不容易接受。一个小插曲是，深兰科技的技术团队在刚刚结束的2019 PAKDD AutoML挑战赛上击败微软亚洲研究院等选手获得第一，从侧面说明应用层倒逼技术升级或许将成为技术能力增长的主流方式。

“结伴学习”

一直说技术，而疑问也与技术如影随形，比如：DeepVogue系统宣扬的设计能力在技术上容不容易被复制？DeepVogue系统的壁垒又是什么？

深兰引入了一个看起来高深莫测的词语，叫“结伴学习”，这也是深兰核心的自主研发技术之一。在DeepVogue系统中，结伴学习能够准确地抓取时装的特征。基于这些特征生成的时装走秀图的质量要比目前流行的GAN（生成式对抗模型）要高得多。并且模型的参数少，结构简洁，训练速度快。据称，结伴学习1个小时训练的结果比GAN 1天的训练效果还要好。

在传统的深度学习模型中，样本之间是没有联系的。模型只会对一个个的孤立样本进行处理。结伴学习则不同，它处理的是一对一对的样本。模型在训练时，不但从样本中学习知识，还从样本的差异中学习知识。这大大提高了认知效率，提高了认知精度。

结伴学习的另一个特点是对样本的复制。结伴学习通过对样本的编码和解码实现对样本的复制，从中获得样本的语义信息。自然界中，遗传和进化的基础是基因；结伴学习中，编码和解码的基础就是语义。因此，结伴学习可能可以在遗传和进化算法研究中发挥更重要的作用。

深兰科技集团深度学习科学家方林博士向亿邦动力表示，算法层面的壁垒还算不上壁垒，DeepVogue系统最大的护城河应该是初期积累的客户及行业数据资源。市场就这么多，谁先占坑，谁就有先发优势，这一步，深兰算是又一次走在了前面。