AI 行业面临的不是智能问题，而是物理问题——而这正让零售商损失 8900 亿美元
去年，一个时装品牌向我展示了他们新推出的 AI 虚拟试衣工具。他们为此感到自豪——老实说，它看起来确实令人惊艳。用户可以上传一张自拍，挑选一件裙子，AI 就会渲染出一张他们穿着这件裙子的绝美图像。灯光柔和，面料垂坠优美，剪裁完美贴身。
这正是问题所在。这种合身效果总是完美无瑕。
我请他们试一下：上传一张明显穿 12 码的人的照片，然后选一件 6 码的裙子。AI 并没有显示拉链被撑得紧绷。它没有显示面料在接缝处被扯拽。它把裙子扭曲变形，让它完美地包裹住身体——或者更糟，微妙地扭曲身体去迎合裙子。这是一面幻想之镜，而不是一间试衣间。而每一位基于这种幻想下单的顾客，最终都会把商品退回来。
那次演示，让我在 Veriprajna 苦苦思索了数月的一件事豁然清晰。AI 行业面临的不是智能问题，而是物理问题。生成式模型为像素连贯性而优化——为了让图像看起来是对的。但在现实世界中，织物有抗拉强度。声波有版权所有者。而当你在退货上不断流失利润、或面临环球音乐集团（Universal Music Group）的诉讼时，“大致正确”并不能成为一种商业模式。
这就是我们为何放弃了企业 AI 的主流做法、转而构建了一套根本不同的东西的故事。
8900 亿美元的幻想之镜
这里有一个数字，足以让每一位电商高管彻夜难眠：零售业的消费者退货总额估计达到了2024 年的 8900 亿美元，这是美国零售联合会的数据。不是百万，是十亿级别。而服装是其中最严重的重灾区——在线服装退货率始终超过 25% 到 30%，某些高端时装品类在旺季甚至高达 50%。
根本原因并不复杂。人们无法从一张照片判断衣服是否合身。“尺码不对、不合身、颜色不符”占了全部退货的 55%。这种不确定性催生了一种被称为“套码购买”（bracketing）的消费行为——同一款衬衫买三个尺码，在家试穿，退回两件。2024 年，51% 的 Z 世代消费者承认自己会这么做。他们把卧室变成了试衣间，把邮政服务变成了退货传送带。
处理一次退货，平均要让零售商付出商品购买价格的 27%。运输、检验、清洁、重新包装——所有这些成本，换来的却是一件最终可能还是要打折处理的商品。这是一台利润焚化炉。
时尚行业面临的不是转化率问题，而是真相问题。只会奉承讨好、而非如实告知的 AI，只是在加速退货的循环。
于是，行业转向了技术。由生成式 AI 驱动的虚拟试衣工具——GAN、扩散模型，各种武器一应俱全。而这些工具在一件事上表现出色：促成销售。它们为点击率和初次转化而优化。它们兜售的是梦想。
它们只是无法兑现现实。
为什么生成式 AI 会幻觉出“合身”？
我清楚地记得我的团队不再相信生成式虚拟试衣的那一刻。我们当时正拿一套基于扩散模型的系统——资金雄厚的那类系统之一——与实体服装样品进行对比测试。我们有一件牛仔夹克，粗犷而不留情面，是那种基本上完全没有弹性的面料。我们把一张用户照片和这件夹克的图像输入了系统。
AI 渲染出了一个漂亮的结果。夹克完美贴身。而它穿在一个在物理现实中根本连左臂都塞不进袖子的身体上。
我的联合创始人看着屏幕说：“它不是在试穿这件夹克，它是在给这件夹克做 P 图。”而这说得一点没错。扩散模型的目标函数是像素连贯性——让输出图像在其训练数据下看起来在统计上合理。它没有抗拉刚度的概念。它不知道生牛仔布不会拉伸。它对面料根本一无所知。
这会引发三重连锁失败：
合身幻觉。模型扭曲服装去包裹身体，或者扭曲身体去迎合服装。无论哪种方式，顾客看到的都是一个谎言。行业分析对此直言不讳：“虚拟试衣缺乏现实世界的准确性，忽视面料的行为特性，并可能误导顾客对一件服装真实的合身度与触感的判断。”
纹理退化。GAN 会遭遇模式坍缩——蕾丝、刺绣或复杂织法等精细细节会被模糊成千篇一律的图案。扩散模型有时还会凭空捏造出实体产品上并不存在的细节。如今顾客对合身度和外观都感到意外。
纸娃娃效应。大多数基于 2D 的系统只是把一张平面的服装图像贴在用户身上。没有深度感知。不理解面料如何顺着臀部曲线垂坠、或如何在腰部聚拢。对于任何宽松或飘逸的款式——在这种款式里，垂坠感就是风格本身——结果都毫无用处。
我们面对的是一项让销售额和退货量几乎同等幅度增长的技术。对利润率的净影响：微乎其微，甚至可能是负的。就在那时，我明白我们需要一套完全不同的架构。
模拟这条裙子，而不是想象它
突破口并不是一个更好的神经网络。而是一个决定：把虚拟试衣当作一个机械工程问题来对待，而不是一个图像生成问题。
在 Veriprajna，我们构建了我称之为“确定性内核、概率性边缘”的架构。其内核——决定一件服装是否合身的那部分——是一个物理模拟引擎，类似于专业时装设计师在 CLO3D 或 Marvelous Designer 等工具中使用的引擎。我们不用服装图像去训练神经网络。我们导入服装真实的 CAD 纸样，并为它们赋予其现实世界面料的物理属性。
这件事的意义比听起来更重大。每一种面料都有可测量的力学属性：弯曲刚度（它是像丝绸一样垂坠，还是像牛仔布一样保持挺括？）、剪切刚度（它在斜裁方向上如何表现？）、拉伸刚度（在张力下它能拉伸多少？）、内部阻尼（它如何在身体上安顿贴合？）、屈曲比（它如何堆叠聚拢？）。我们的模拟会针对所有这些属性进行校准。
其结果是，当一个 12 码的身体在我们的系统里试穿一件 6 码的裙子时，模拟会精确地呈现出在真实试衣间里会发生的情况。应力线出现了。腰部出现任何裁缝都能认出的“X”形褶皱。面料明显无法闭合。这并不讨人喜欢。但它诚实。
我们用一个物理引擎取代了那面幻想之镜。如果服装不合身，模拟会如实告诉你——应力线、扯拽、无法闭合的面料。事实证明，对生意而言，诚实比奉承更有好处。
关于完整的技术架构——PBR 渲染流水线、布料模拟参数、差分渲染合成——我都写在了我们研究的交互式版本里。但核心洞见很简单：物理引擎无法产生幻觉。它进行计算。而计算，与生成不同，是确定性的。
最难的部分并不是物理
有一点是我没有预料到的：物理模拟才是容易的部分。真正棘手的难题，是让结果看起来足够真实，以至于顾客愿意信任它。
一个完全精确的物理模拟，如果配上糟糕的灯光渲染，看起来就像一个被贴到照片上的电子游戏素材。顾客看一眼就会弃之不顾。我们解决了准确性问题，却制造出了一个可信度问题。
正是在这里，我们把 AI 重新请了回来——不是为了生成服装，而是为了解决灯光与融合的挑战。我们使用基于物理的渲染（PBR），用物理上精确的公式来模拟光线如何与面料表面相互作用。用反照率（Albedo）表示基础色，用粗糙度贴图表示光线如何散射（棉布对比缎面），用法线贴图表示微观表面纹理，比如斜纹布的织纹。
但真正的魔法在于，当你把那件 3D 服装放进顾客的 2D 照片里时会发生什么。如果数字裙子上的灯光与顾客房间里的灯光不匹配，整个画面看起来就是假的——就像一张随手贴到图像上的贴纸。
我们在这上面花了好几个星期。深夜里争论着基于 CNN 的环境估计是否足够好、阴影捕捉是否太过激进、服装边缘的光线包裹是否太过微弱。有一个特定的星期四——我记得，是因为我们叫了披萨，结果都放凉了——我们的渲染负责人调出了一组对比：我们的合成图，紧挨着同一个人穿着同一件服装的真实照片。我们四个人里有三个分辨不出哪个是哪个。第四个人能分辨，但那只是因为她注意到一个拉链头上有轻微的色温不匹配。
就在那一刻，我知道我们做出了名堂。
这项技术被称为差分渲染——你计算 3D 物体对场景的影响，而无需重新渲染场景本身。阴影捕捉器、从用户照片中估计出的环境贴图、边缘处用于模拟次表面散射的光线包裹。服装会在用户真实的双腿上投下逼真的阴影。纽扣会反射出与用户眼中相同的那束窗光。
虚拟试衣究竟应该优化哪个指标？
正是在这里，商业逻辑变得有趣起来，而我认为整个行业大多把它搞反了。
生成式 AI 虚拟试衣优化的是转化率。它兜售的是幻想。我们的系统优化的是净销售额——即销售额减去退货额。通过展示真相，哪怕这个真相是“这件衣服不适合你”，我们也阻止了那个扼杀利润的退货循环。
我们输出的还有数据，而不只是图像。我们的系统会生成一个合身置信度评分——类似于“腰部匹配度 95%，臀部匹配度 60%”。这会带来一种反直觉的效果：它有时会劝阻顾客下单。但它没有劝阻的那些购买，几乎从不退货。而且顾客下一次会更信任这个系统。信任会复利累积，退货则不会。
人们问我，展示不讨喜的合身信息是否会损害转化率。简短的答案：是的，一开始会。更完整的答案：你失去的那些顾客，本来也会把商品退回来。你并没有失去收入——你失去的只是收入的假象，而这笔收入本就会在两周后退货出现时化为泡影。
另一片雷区：为什么生成式音频是一颗法律定时炸弹
在我们为时尚打造物理引擎的同时，我们也在同步穿行于另一个同样险象环生的领域：音频。而在这里，问题不在于物理——而在于法律。
音乐与配音行业正深陷一场因生成式 AI 而起的生存危机之中。环球音乐集团、索尼音乐以及美国唱片业协会（RIAA）已对 Suno、Udio 等 AI 公司提起重大诉讼。核心问题在于：大多数生成式音频模型都是用从网络上抓取的受版权保护的音乐训练出来的。如果一家企业用其中某个模型来生成一段广告曲，而其输出无意中模仿了某部受版权保护的作品——一种被称为“反刍复现”（regurgitation）的现象——那么这家企业就要为侵权承担责任。而由于这些模型都是黑箱，你无法验证输出内容的来源出处。
情况还会更糟。根据美国版权局（U.S. Copyright Office）当前的指导意见，仅由 AI 创作、没有实质性人类介入的作品无资格获得版权保护。这意味着，如果一个品牌用一款纯生成式工具来创作一个声音标识（sonic logo），它就无法拥有它。它会进入公共领域。竞争对手可以自由使用。对于商业知识产权来说，这根本行不通。
如果你无法证明你的 AI 音频从何而来，又无法拥有它所产出的东西，那么你手里的就不是一项资产——而是一项负债。
我们很早就撞上了这堵墙。一家广告公司找到我们，想为一场营销活动做 AI 生成的配音。他们一直在使用一款流行的文本转语音工具，而且刚刚收到了一封停止侵权函（cease-and-desist letter）。那款工具显然是用某些语音数据训练的，其中包含了一位可辨识演员的样本。没有人能确凿地证明这一点——黑箱——但也没有人能证伪它。这场营销活动就此被搁置了。
你如何才能做出真正合法的 AI 音频？
我们解决这个问题的办法，是彻底摒弃“从零生成”的范式。取而代之，我们构建了一套转化式的工作流程，用到了两项深度技术：深度音源分离与基于检索的语音转换（RVC）。
深度音源分离，是把一个成品音频文件反混合、拆解成其组成音轨的过程——人声、鼓、贝斯、乐器。可以把它想象成把一块烤好的蛋糕“反烤”回原料，这听起来不可能，但现代深度学习已经把它做得相当有效。我们的引擎采用一种在音频频谱图上运作的 U-Net 架构，输出软掩码来分离出每条音轨的频率。我们使用波形域的变体，以避免困扰标准频谱图方法的那种“水声”相位伪影。
这能从既有的、已获授权的知识产权曲库中释放出巨大的价值。一家媒体公司可以把对白从一部电影的管弦乐配乐中分离出来，以制作配音版本。唱片公司可以“解锁”那些原始多轨母带已经遗失的经典母版，创作新的混音或沉浸式的杜比全景声（Dolby Atmos）混音。每一步都尊重既有权利，因为我们处理的是自有或已获授权的源素材。
在语音修改方面，我们使用 RVC——一种语音到语音的框架，它改变一个声音的音色，同时保留原始表演的韵律（节奏、音高、情感）。该系统使用 HuBERT 等自监督模型剥离一个声音中的身份特征，然后用一个以 FAISS 建立索引的、包含目标说话人真实声音嵌入的数据库来重建它。它不是在凭空幻想出一个声音——而是从真实、经许可的录音的微观切片中把它重新拼装出来。
关于音源分离架构和 RVC 流水线两者的完整技术拆解，请参见我们的深度研究论文。
无人谈论的授权基础设施
技术只是故事的一半。真正让它具备企业级可用性的，是围绕它构建的合规框架。
我们不使用那些用抓取来的名人数据训练的公开 RVC 模型。我们构建定制模型，仅用签署了特定《AI 商业化授权书》的配音演员的声音来训练——针对特定用途的明确同意，并且每当他们的声音模型被部署时，版税都会被追踪记录。
而对于法律抗辩最为关键的一点在于：由于 RVC 系统使用一个检索数据库，我们可以用数学方法证明是哪个声音模型产生了任何给定的输出。如果有人声称“这听起来像名人 X”，我们可以审计 FAISS 索引，证明每一个嵌入都来自经许可的配音演员 A。这不是一种“我们相信”式的抗辩——而是一种密码学意义上的抗辩。
而且，由于输出是一件基于人类表演和人类创作的作品之上的衍生作品，它有资格获得版权保护。企业实际上可以真正拥有最终的资产。你试试从一个文本转音乐的生成器那里得到这一点。
有那么一刻——我想那是在与一家媒体公司法务团队通话时——他们的总法律顾问停顿了一下，说：“等等，你们真的能给我们展示是哪个声音被用在了音频的每一毫秒上吗？”当我说是的时候，出现了一段长久的沉默。然后是：“你知道我们在 AI 生成内容的法律审查上花了多少钱吗？”就在那时，我明白了：合规基础设施不是一项功能，它就是产品本身。
企业为什么不能直接用 GPT 来做这件事？
我经常被问到这个问题。通常来自投资人，有时来自那些看过基础模型供应商令人印象深刻的演示的潜在客户。答案是架构层面的，而非哲学层面的。
当你在第三方 API 之上进行构建时，你就继承了那个模型的随机性本质。如果模型产生了幻觉——错误的合身度、一段受版权保护的旋律、一个被克隆的声音——你无法修复它。权重是专有的。你无能为力。你还很可能泄露了专有数据：上传到云端模型的未发布时装系列，最终可能进入它的训练数据。我们的系统用 Docker 和 Kubernetes 进行容器化，可以完全部署在客户的私有云或本地服务器内部。它们不需要联网。它们不会向外回传数据。这种气隙隔离并非偏执多疑——而是我们合作过的每一个严肃的企业客户提出的合同要求。
此外还有可防御性的问题。PitchBook 的分析师直言不讳：市场上充斥着过多毫无结构性护城河、只是“基础模型的薄壳套壳”的初创公司。这些公司被夹在两头之间：一头是掌控底层智能的超大规模云服务商，另一头是可以一夜之间转投下一个套壳产品的终端用户。当 OpenAI 改变其定价或能力时，套壳公司毫无还手之力。
AI 中可持续的价值，不会归于那些转售 API 访问权限的公司。它将归于那些解决了通用模型在结构上无力解决的、艰深的、特定领域问题的公司。
我们也针对延迟做了优化——模型量化让我们的 RVC 流水线能够在消费级硬件上运行，延迟低于50 毫秒，从而消除了昂贵的云端 GPU 往返开销。我们生产的每一张图像和每一段音频剪辑都带有一个不可见的水印，其中编码了授权 ID、用户 ID 和时间戳。如果某项资产遭到泄露或受到质疑，水印就能证明它的来源。
“大致正确”的终结
我在 Veriprajna 已经做了足够长的时间，能够清楚地看出其中的规律。企业 AI 的第一波浪潮关乎兴奋——生成式模型能够做什么？而我们如今正在进入的第二波浪潮，关乎问责——它们应该做什么，以及当它们出错时会发生什么？
在时尚领域，“大致正确”意味着 30% 的退货率和一位再也不会回头的顾客。在音频领域，“大致正确”意味着一场诉讼和一项你无法拥有的资产。套壳的做法——快速、廉价、概率化——用于原型开发和低风险的消费级应用是没问题的。但对于任何准确性、合规性和可防御性都至关重要的领域，它不是一条捷径。它是一项负债。
我们在 Veriprajna 构建的架构并不光鲜。物理引擎的演示效果不如生成式 AI。合规框架也做不出激动人心的路演文稿。确定性系统不会产出那种能在社交媒体上疯传的、神奇而令人惊喜的输出。
但它们管用。当裙子不合身、而顾客需要在下单前知道这一点时，它们管用。当配音演员理应获得报酬、而法务团队需要证据时，它们管用。当企业需要拥有自己的资产、并把数据保留在自己的高墙之内时，它们管用。
AI 行业终将明白，最难的问题不是靠把模型做得更大来解决的。它们是靠把解决方案做得更深来解决的——在物理重要之处扎根于物理，在法律重要之处扎根于法律，并扎根于那种不光鲜、耗费心血的工程工作：打造讲真话的系统。
这就是我们正在构建的东西。不是最令人兴奋的 AI 公司。而是最诚实的那一个。