8900亿美元的谎言：AI"虚拟试穿"为何让时尚退货问题雪上加霜
去年11月，一家中型时尚品牌的电商副总裁在与我团队通话时，在笔记本电脑上打开了一个演示。"看看这个，"她一边说，一边转过屏幕，向我们展示她公司刚刚获得授权的一款生成式AI虚拟试穿工具。一张顾客的自拍，一条印花裹身裙被数字化地"绘制"到她的身上。那张图像美极了——影棚级的打光、仿佛能捕捉光线的面料，以及看上去像是为她量身定制的合身效果。
"自从我们上线以来，转化率提高了14%，"她说。
我问她退货情况怎么样了。
一片沉默。然后："退货也上升了。"
那一刻，把我在构建VeriPrajna基于物理的AI流程时苦苦纠结了数月的一件事看清了。时尚行业爱上了一项技术，而这项技术正让它最昂贵的问题变得更糟——而那些图像如此令人信服，以至于没人愿意承认这一点。
时尚电商的退货危机不是物流问题，也不是客服问题。它是一个物理问题，只是伪装成了一张漂亮的图片。而这个行业最流行的AI解决方案——生成式虚拟试穿——是一面价值8900亿美元的魔镜。
每位时尚企业CEO都应该为之心惊的数字
这就是让我夜不能寐的数字：美国零售商承担了近8900亿美元的退货相关成本——这是2024年的数据，来自美国全国零售联合会（National Retail Federation）。这不是笔误。这是一个可以与整个国家的GDP相媲美的数字，而时尚业是其中最严重的祸首。
电子产品的退货率徘徊在8-10%左右，美妆产品在4-10%之间，而服装则始终落在30%到40%之间。在像黑色星期五这样的促销高峰期，某些品类会飙升至超过50%。我见过一些品牌的内部数据，牛仔裤在限时抢购期间退货率高达88%。百分之八十八。每发出十条牛仔裤，就有近九条被退回。
人们本能地把这看作是做生意的一项成本。但算起账来却触目惊心。当一件价值100美元的服装被退回时，零售商损失的不只是100美元的营收。他们要为逆向运输支付5到15美元（这类运输零散、分散，无法像发货那样优化）。他们要支付3到8美元的人工检验成本——总得有人拆开包裹、检查污渍、核对SKU。他们还要在蒸烫、重新折叠、重新贴标上花费2到5美元。而真正致命的是：等到那件服装两到四周后重新上架时，潮流窗口可能已经关闭，被迫打30%到50%的折扣。
一次退货的总成本可能吞噬掉商品原价的66%。每卖出三件商品，如果有一件被退回，另外两件的利润往往仅仅为了弥补这笔损失就消失殆尽。
这就是我所说的"无利润的繁荣"——营收在增长，利润率在萎缩，而管理团队却搞不清楚原因。
顾客为什么退衣服？（原因和你想的不一样）
当我们最初开始深挖这些数据时，我以为最主要的原因会是买家后悔或冲动购物。我错了。
合身与尺码问题导致了所有服装退货中的53%到67%。不是"我改主意了"。也不是"颜色看起来不一样"。而是这件服装在物理上根本不合它所要穿的那个人的身体。
有意思的地方就在这里：消费者并不傻。他们知道网上的合身信息是垃圾。Zara的"中码"在某个奢侈品牌那里就是"特小码"。尺码表只给你胸围和腰围——两个一维的数字，却试图描述一个三维的、有曲线的、在生物力学上很复杂的曲面。
所以他们适应了。他们会"多码下单"（bracketing）。
"多码下单"意味着把同一条裙子的小码、中码和大码一起下单，并且明确打算留下一件、退回两件。当你手上完全没有可靠的合身信息时，这是完全理性的行为。而51%的Z世代购物者承认自己经常这么做。从顾客的角度看，这很聪明。从零售商的角度看，这是灾难——发货运输成本变成三倍，退货运输成本翻倍，三件商品被锁在库存之外，躺在某个人的公寓里。
我记得早期曾向一位投资人解释这一点。他耸耸肩说："那就给他们更好的尺码表不就行了。"我调出了我们正在分析的两个品牌的两张尺码表。同样标着"中码"。一个的胸围是88厘米，另一个是96厘米。相差8厘米——这不是四舍五入的误差，而是完全不同的身材。
尺码表不是解决方案。它们是问题的一部分。
生成式AI的诱惑
于是行业开始寻找技术上的解决办法，并找到了一个感觉像魔法的方案：生成式AI虚拟试穿。
这套说辞令人陶醉。顾客上传一张自拍。一个扩散模型——与Stable Diffusion和Midjourney背后同属一个技术家族——把服装"绘制"到她的身上。结果看起来逼真如照片。顾客看到穿上这条裙子的自己，感到自信，点击购买。
每一个主流电商平台要么在自建这项技术，要么在获取它的授权。这个领域的初创公司已经融资数亿美元。我理解它的吸引力——真的理解。当我第一次看到一个执行良好的生成式试穿演示时，我的第一反应是这将改变一切。
然后我们开始测试。
我的团队做了一系列实验：我们拿同一件服装——一件几乎没有弹性、有硬挺廓形的西装外套——把它输入三个领先的生成式VTON系统，同时配上我们已经用卷尺和3D扫描测量过的身体照片。我们知道真实情况。我们知道，对于我们的几位测试对象来说，这件西装外套在肩部实际上会太紧。
每一个生成式模型都显示这件西装外套完美合身。
不是"略微不合"。也不是"有点紧"。堪称完美。AI悄悄地把肩部削瘦了，柔化了面料看上去的硬挺感，生成了一张看起来像杂志大片的图像。它很美。它也是一个谎言。
扩散模型如何"幻觉"出合身效果？
这里我需要稍微讲一点技术，因为这种失效模式并不明显，而且极其重要。
扩散模型是概率性的。它们从数百万张图像中学习像素排列的统计分布。在生成虚拟试穿时，它们并不是在计算面料是否能拉伸到足以容纳臀部的曲线。它们是在预测，哪些像素在统计上最有可能彼此相邻——而这依据的是它们的训练数据。
训练数据绝大多数是专业时尚摄影——身材高挑、纤细的模特，穿着经过完美造型的服装。所以当一位身材类型不同的真实顾客上传照片时，模型会做一件阴险的事：它向自己"熟悉"的东西方向插值。
生成式AI并不计算合身。它幻觉出合身——把视觉上的可信度置于物理真相之上。
针对扩散模型幻觉的研究表明，这些模型不可避免地会给真实数据分布之外的"空隙区域"赋予非零的概率。用大白话说：它们会自信满满地生成物理上不可能存在之物的图像。把没有弹性的牛仔布纹理渲染得像氨纶一样。让有硬挺廓形的紧身上衣像丝绸般垂坠。让袖子以几何上不可能的方式融进躯干。
最危险的表现，是我所说的"瘦身偏差"。模型不只是幻觉出那件服装——它还悄悄地扭曲了身体本身，把腰收进去，把腿拉长，因为在它的训练数据里，"一个穿着衣服的人"就长这样。顾客看到的是一个看上去惊艳的自己。他们满怀信心地下单。实体服装寄到，却拉不上拉链。
你现在把一个浏览者变成了买家，同时又是退货者——这是最糟糕的结果。你为获客付了钱，为发货付了钱，而且你即将为退货付钱。生成式AI没有减少退货，反而制造了退货。
我在我们研究的交互式版本中，用更技术性的深度写过这种失效模式，我们在其中详细剖析了像VITON-HD和IDM-VTON这样的图像修复（inpainting）架构究竟是如何丢失纹理保真度和几何一致性的。
如果我们不再猜测，而是开始计算，会怎样？
有一个夜晚——我记得是个星期二，大约凌晨2点——我盯着显示器上的一张并排对比图。左边是生成式试穿的渲染图。右边是我们对同一件服装、同一具身体做物理仿真得到的输出。生成式的那个版本看起来更好。皮肤更光滑，打光更讨喜，是那种你会在Instagram上双击点赞的图像。
但物理版本有一样对方没有的东西：一张热力图。臀部是红色。胸部是黄色。面料在腰部松垮悬垂的地方是蓝色。它在讲真话。它在说：对这具身体来说，这件服装在臀部小了2厘米，而这里正是它会绷紧拉扯的地方。
就在那一刻，我不再把我们的方法看作是生成式AI的一种替代方案，而开始把它看作一个完全不同的类别。
VeriPrajna方法背后的核心思想简单得令人意外：不要把衣服"绘制"到一张照片上——而要把它们"仿真"到一具身体上。
我们从和其他人相同的输入开始：一张顾客的自拍。但我们不是把它喂给扩散模型，而是在三维空间中重建顾客的身体。我们使用基于Transformer的架构——与驱动最强语言模型的相同注意力机制，只不过应用到了人体几何上——从那一张2D图像中恢复出一个在度量上精确的3D网格。
这被称为人体网格恢复（Human Mesh Recovery，简称HMR），而其精度至关重要。我们使用先进的参数化人体模型，例如SMPL-X（包含可活动的手部和富有表现力的比例）和SKEL（内置真实的骨骼绑定，其关节活动限制在生物力学上精确，源自医学数据）。结果不是一个人体模型（假人），而是顾客真实身体的数字孪生，其精度与实体卷尺测量相差在1-2厘米以内。
自拍为什么会扭曲你的身材？（以及我们如何解决它）
这里有一个大多数人从未想过的问题。把手机伸到手臂长度那么远，拍一张自拍。你的脸看起来略宽一些。你的身体看起来略被压缩了一些。这就是透视畸变——相机的焦距扭曲了比例。
大多数AI人体重建模型忽略了这一点。它们假设一种"正交"投影，仿佛相机在无限远处。对于一个厘米之差都很重要的时尚应用来说，这是一场灾难。
我们整合了一种名为BLADE（Body Limb Alignment and Depth Estimation，人体肢体对齐与深度估计）的算法，它能从图像特征中显式地恢复相机的焦距和拍摄对象的深度。它对透视畸变做逆运算，从而恢复出真实的比例。这听上去像是个无关紧要的技术细节。其实不是。它是推荐中码还是推荐大码之间的差别。它是一笔留住的销售还是一次退货之间的差别。
面料不是一张纹理——它是一种材料
一旦有了顾客的3D身体，我们不会把衣服"绘制"到它上面。我们用有限元分析——与用来仿真飞机机翼和桥梁载荷的相同计算物理——来让它们垂坠成形。
我们采用品牌用来生产服装的真实数字纸样文件（DXF或GLB）——不是服装的照片，而是它的工程蓝图。我们不把面料当作一张平面图像，而是当作由弹簧连接的节点组成的物理网格，每个节点都受三种可测量的力学属性支配：拉伸刚度（它能拉伸多少）、弯曲刚度（它如何垂坠）和剪切刚度（它如何贴合曲线）。
这个仿真通过求解偏微分方程，来计算在重力、碰撞和材料约束之下，面料的每一个点落在身体的什么位置。输出的不是一张漂亮的图片。它是一张应力图——一种用颜色编码的可视化，精确显示服装在哪里紧绷（红色）、贴身（黄色）、宽松（蓝色），或根本没有接触身体（透明）。
你没法问扩散模型：当顾客坐下时纽扣会不会被绷开。那是一个物理问题，它需要一个物理答案。
一个顾客如果看到中码在臀部有红色区域，而大码是黄色区域，就不需要多码下单。他们直接买大码。一次发货，零次退货。
若想了解我们仿真流程的完整技术拆解——包括我们如何处理可微物理层以实现GPU加速部署——请参见我们详细的研究论文。
"但它看起来真的好看吗？"
这是每一位产品负责人都会问我的问题，而且这个问题很合理。物理仿真素来给人一种像是2008年电子游戏渲染画面的印象。如果输出看起来冷冰冰、像做实验，那么无论它多么精确，顾客都不会去用它。
我们在这个问题上花了好几个月。答案是神经渲染——具体来说，是像高斯泼溅（Gaussian Splatting）这样能产生逼真如照片输出的技术。但这里有一个与生成式AI的关键区别：我们的渲染受到约束——受底层的物理仿真所限制。图像看起来很美，但它无法产生幻觉。面料不会在它本不该拉伸的地方拉伸。身体不会在它本不纤瘦的地方变瘦。视觉层是覆盖在真相骨架之上的一层皮肤。
关于这一点，我和团队的一名成员起过争执——他想加一个"美颜滤镜"模式，把应力图抹平，让画面更讨人喜欢。我否决了。关键就在于，我们做的不是取悦人的生意。我们做的是精确的生意。取悦带来转化。而精确带来的是留得住的转化。损益表只在乎后者。
这对利润底线意味着什么？
让我把这一点讲具体。以一家中型时尚零售商为例，其年度总销售额为2亿美元，退货率为30%。那就是6000万美元的退货。按退货价值约20%的运营成本计算（物流、人工、折旧、降价），他们正在烧掉每年1200万美元——仅仅用于处理退货。
行业数据表明，带有真实合身验证的先进虚拟试穿能把退货率降低20-30%。如果我们把那30%的退货率降到22.5%——保守估计削减25%——账面数字就会发生巨大变化：
- 300万美元的直接运营节省，来自处理更少的退货
- 750万美元的营收回收（被避免的退货中有一半转化为留住的销售）
- 1050万美元的年度损益总影响
这不是一项技术成本。这是一个利润率回收计划。
还有一个越来越无法忽视的可持续性维度。逆向物流是一颗碳炸弹。每一个被退回的包裹都意味着又一辆卡车、又一次仓库的经手、又一件可能最终进入垃圾填埋场的服装。欧盟的《可持续产品生态设计法规》（Ecodesign for Sustainable Products Regulation）正着手禁止销毁未售出的纺织品。把退货量减少25%，能给品牌一个可量化的ESG指标——不是漂绿，而是对不必要运输的、经过测量的削减。
"为什么不干脆两个都用？"
人们不断这样问我——为什么不用生成式AI来做视觉吸引力，用物理来做精确度呢？把它们叠加在一起？
我理解这种本能，但它没抓住要害。生成式的那一层会主动地破坏物理的那一层。如果你把一张讨喜的、幻觉出来的图像和一张诚实的应力图并排给顾客看，他们会相信哪一个？那张漂亮的。每一次都是。生成式图像成了承诺，而物理成了没人会读的小字条款。
在AI时代，终极的奢侈品是真相——数学的、几何的、物理的真相。而不是一个更令人信服的幻象。
更难的问题——我会坦白说——是我们的方法需要一样生成式AI不需要的东西：数字服装资产。品牌需要用CLO3D或Browzwear这样的工具，为自己的库存创建3D数字孪生。这是一笔实实在在的投资。这是工作流程的改变。这意味着用于仿真的数字纸样必须与用于生产的工厂纸样相匹配，否则整个系统就毫无意义。
我们为这一转型提供咨询。这并不简单。但那些已经在设计和打样环节采用数字化产品创作（Digital Product Creation）的品牌，已经走了一半路。那些还没有的呢？退货危机最终会逼着他们出手。问题在于，他们是主动投资，还是被动投资。
岔路口
时尚行业此刻正在两种未来之间做选择。
在其中一种未来里，生成式AI在取悦方面越做越好。图像变得与照片难以区分。转化率攀升。退货攀升得更快。利润率被侵蚀。品牌们比拼谁能制造出最令人信服的幻象，同时在逆向物流成本和垃圾填埋的负罪感中越陷越深。
在另一种未来里，行业把合身当作它本来的样子来对待——一种材料与身体之间的机械兼容性问题——并构建几何基础设施去解决它。这条路更难。它需要真正的工程，而不是API的套壳。它需要品牌投资于数字资产，而不只是数字营销。它需要在精确与美观发生冲突时，选择精确。
我知道自己在为哪一种未来而构建。扩散模型不知道一条腰线是72厘米。它不知道一种面料每平方米重200克。它什么都不知道——它只是预测像素。而预测，无论多么逼真如照片，都不是理解。
物理才是理解。而理解，是唯一一样真正解决过问题的东西。