AI 產業有個物理問題——正讓零售商付出 8,900 億美元代價
去年，一家時尚品牌向我展示了他們全新的 AI 虛擬試穿工具。他們對此很自豪——老實說，看起來確實令人驚艷。使用者可以上傳一張自拍、挑選一件洋裝，AI 就會算繪出一張他們穿上這件衣服的華麗影像。光線柔和，布料垂墜得優美，版型完美無瑕。
這正是問題所在。版型總是完美無瑕。
我請他們試一件事：上傳一張明顯是 12 號身材者的照片，然後選一件 6 號的洋裝。AI 沒有顯示拉鍊被撐開，沒有顯示布料在接縫處緊繃。它把洋裝變形，好完美包覆身體——或更糟的是，悄悄地把身體變形來配合洋裝。那是一面幻想之鏡，而不是試衣間。而每一位根據那份幻想下單的顧客，最終都會退回商品。
那次示範，讓某件我在 Veriprajna 苦思了數個月的事情變得清晰起來。AI 產業沒有智慧的問題，它有的是物理的問題。生成式模型追求的是像素的一致性——為了讓影像看起來正確。但在現實世界中，布料具有抗拉強度，聲波則有著作權所有人。而當你正因退貨而大失血利潤、或面臨環球音樂集團（Universal Music Group）的訴訟時，「大致正確」並不是一種商業模式。
這就是我們為何放棄企業 AI 的主流做法，轉而打造出根本不同之物的故事。
8,900 億美元的幻想之鏡
這裡有一個應該讓每位電商主管夜不能寐的數字：零售業的消費者退貨總額估計在2024 年達 8,900 億美元，根據美國全國零售聯合會（National Retail Federation）的資料。不是百萬，是十億。而服飾是最嚴重的罪魁禍首——線上服裝退貨率一貫超過 25-30%，某些高端時尚品類在旺季甚至衝上 50%。
根本原因並不複雜。人們無法從一張照片判斷衣服是否合身。「尺寸不對、版型不佳，以及顏色問題」佔了所有退貨的 55%。這種不確定性催生了一種消費者行為，人稱「囤買式購物」（bracketing）——買同一件襯衫的三種尺寸，在家試穿，退回兩件。2024 年，51% 的 Z 世代消費者承認自己這麼做過。他們把臥室變成了試衣間，把郵政服務變成了退貨輸送帶。
處理一筆退貨平均要讓零售商付出商品購買價格的 27%。運送、檢驗、清潔、重新包裝——而換來的商品最終可能還是得降價出售。這是一台利潤焚化爐。
時尚產業沒有轉換率的問題，它有的是真相的問題。只會諂媚而不告知實情的 AI，只是在加速退貨的循環。
於是產業轉向了科技。由生成式 AI 驅動的虛擬試穿工具——GAN、擴散模型，整套軍火庫。而這些工具在一件事上極為出色：促成銷售。它們為點擊率與初始轉換率而優化，它們販賣夢想。
它們就是無法兌現現實。
生成式 AI 為何會幻覺出合身效果？
我清楚記得我的團隊不再相信生成式虛擬試穿的那一刻。當時我們正拿一套以擴散模型為基礎的系統——資金雄厚的其中之一——與實體衣物樣本做對照測試。我們有一件丹寧夾克，粗獷而不留情面，那種基本上毫無彈性的布料。我們把一張使用者照片與這件夾克的影像餵給系統。
AI 算繪出一個漂亮的結果。夾克完美合身——套在一具在物理現實中連左臂都穿不進袖子的身體上。
我的共同創辦人看著螢幕說：「它不是在試穿這件夾克，它是在用 Photoshop 修這件夾克。」他說得一點也沒錯。擴散模型的目標函數是像素一致性——讓輸出影像在其訓練資料下看起來具有統計上的合理性。它沒有抗拉剛度的概念，它不知道生丹寧不會伸展，它對布料根本一無所知。
這造成了三種接連的失敗：
合身幻覺。模型把衣物變形以包覆身體，或把身體變形以配合衣物。無論哪一種，顧客看到的都是謊言。業界分析對此直言不諱：「虛擬試穿缺乏真實世界的準確性，忽略布料的行為，並可能誤導顧客對一件衣物真正合身度與觸感的認知。」
紋理劣化。GAN 會有模式崩潰的毛病——蕾絲、刺繡或複雜織法等細節會被模糊成通用的圖樣。擴散模型有時還會憑空捏造實體產品上並不存在的細節。如今顧客會同時對合身度與外觀都感到意外。
紙娃娃效應。多數以 2D 為基礎的系統，只是把一張平面的衣物影像貼在使用者身上。沒有深度感知，不理解布料如何順著臀部的曲線垂墜、或在腰際聚攏。對於任何寬鬆或飄逸的款式——那垂墜感就是其風格所在——結果毫無用處。
我們眼前的這項技術，讓銷售增加，也讓退貨以大致相同的幅度增加。對利潤的淨影響：微乎其微，甚至可能是負的。就在那時我明白，我們需要一套完全不同的架構。
模擬那件洋裝，而非想像它
這項突破並不是更好的神經網路，而是一個決定：把虛擬試穿當作一個機械工程問題，而非影像生成問題來處理。
在 Veriprajna，我們打造了我稱之為「確定性核心、機率性邊緣」的架構。其核心——也就是判定一件衣物是否合身的那個部分——是一具物理模擬引擎，類似專業時裝設計師在 CLO3D 或 Marvelous Designer 這類工具中所使用的引擎。我們不是拿衣物影像去訓練神經網路，而是輸入衣物實際的 CAD 版型，並賦予它們現實世界布料的物理性質。
這件事的重要性超乎它聽起來的程度。每一種布料都有可量測的力學性質：彎曲剛度（它會像絲綢般垂墜，還是像丹寧般挺立？）、剪切剛度（斜裁時它如何表現？）、抗拉剛度（在張力下它能伸展多少？）、內部阻尼（它如何在身上定型？）、挫曲比（它如何堆疊與聚攏？）。我們的模擬會針對這一切進行校準。
結果是，當一具 12 號的身體在我們的系統中試穿一件 6 號的洋裝時，模擬會精確呈現實體試衣間裡會發生的情況。應力線浮現。任何裁縫師都認得的、腰際那個「X」形皺褶。布料明顯無法闔攏。這並不討喜，卻很誠實。
我們用物理引擎取代了幻想之鏡。如果衣物不合身，模擬就會呈現給你看——應力線、緊繃、闔不上的布料。事實證明，誠實對生意而言比諂媚更有益。
我曾撰寫過完整的技術架構——PBR 算繪管線、布料模擬參數、微分算繪合成——就寫在我們研究的互動版本中。但核心洞見很簡單：物理引擎無法產生幻覺，它只會運算。而運算，不同於生成，是確定性的。
最難的部分並不是物理
以下是我沒料到的：物理模擬才是容易的部分。真正困難的問題，是讓結果看起來夠真實，真實到顧客願意信任它。
一個完全準確的物理模擬，若配上糟糕的光線算繪，看起來就像把電玩素材貼到照片上。顧客瞄一眼就把它打發掉。我們解決了準確性的問題，卻製造了一個可信度的問題。
就在這裡，我們重新請 AI 上場——不是為了生成衣物，而是為了解決光線與整合的難題。我們使用基於物理的算繪（Physically Based Rendering，PBR），用物理上準確的公式來模擬光線如何與布料表面互動。以反照率（albedo）表現基本色彩，以粗糙度貼圖表現光線如何散射（棉布相對於緞面），以法線貼圖表現如斜紋織法般的微觀表面紋理。
但真正的魔法，發生在你把那件 3D 衣物放進顧客一張 2D 照片的時候。如果數位洋裝上的光線與顧客房間裡的光線不吻合，整個畫面看起來就是假的——就像一張隨手貼到影像上的貼紙。
我們為此花了好幾週。深夜裡爭論著以 CNN 為基礎的環境估計是否夠好、陰影捕捉是不是太激進、衣物邊緣的光線包覆是不是太微弱。有一個特定的星期四——我之所以記得，是因為我們叫的披薩都冷掉了——我們的算繪主管調出了一組對照：我們的合成影像，擺在同一個人穿著同一件衣物的真實照片旁邊。我們有三個人分不出哪張是哪張。第四個人分得出來，但只是因為她注意到拉鍊頭上有些微的色溫不吻合。
那一刻我就知道，我們手上有了點名堂。
這項技術稱為微分算繪（differential rendering）——你計算 3D 物件對場景的影響，而不必重新算繪場景本身。陰影承接器、從使用者照片估計出的環境貼圖、在邊緣進行光線包覆以模擬次表面散射。衣物在使用者真實的雙腿上投下逼真的陰影。鈕扣反射出的，正是映在使用者眼中那同一道窗光。
虛擬試穿究竟該為哪個指標而優化？
商業論證有趣的地方就在這裡，而我認為業界多數人把它想反了。
生成式 AI 虛擬試穿追求的是轉換率。它販賣幻想。我們的系統追求的則是淨銷售額——也就是銷售額減去退貨。藉由呈現真相，即使真相是「這件你穿不下」，我們也能避免那扼殺利潤的退貨循環。
我們輸出的還有資料，而不只是影像。我們的系統會產生一個合身信心分數（Fit-Confidence Score）——類似「腰部吻合度 95%、臀部吻合度 60%」這樣的東西。這會做出一件違反直覺的事：它有時會勸阻一筆購買。但它沒有勸阻的那些購買，幾乎從不退回。而顧客下一次會更信任這套系統。信任會複利累積，退貨不會。
有人問我，呈現不討喜的合身資訊會不會傷害轉換率。簡短的回答：會，一開始會。較長的回答：你失去的那些顧客，本來就是會把商品退回的那群人。你並沒有失去營收——你失去的，是一場幻覺——一份本會在兩週後、退貨上門時蒸發的營收。
另一片雷區：生成式音訊為何是一顆法律未爆彈
在我們為時尚打造物理引擎的同時，也在另一個同樣險惡的領域中摸索：音訊。而在這裡，問題不在物理——而在法律。
音樂與配音產業正陷於一場因生成式 AI 而起的存亡危機之中。環球音樂集團（Universal Music Group）、索尼音樂（Sony Music）與美國唱片業協會（RIAA）已對 Suno、Udio 這類 AI 公司提起重大訴訟。核心問題在於：多數生成式音訊模型都是用從網路抓取的、受著作權保護的音樂訓練而成的。如果一家企業用其中一個模型生成一段廣告配樂，而那段輸出無意間模仿了某件受著作權保護的作品——一種稱為「反芻（regurgitation）」的現象——這家企業就要為侵權負責。而由於這些模型是黑盒子，你無法驗證輸出內容的來源。
情況還會更糟。根據美國著作權局（U.S. Copyright Office）目前的指引，完全由 AI、在沒有實質人為介入之下創作出來的作品，無法享有著作權保護。這意味著，如果一個品牌用純生成式工具創作一個聲音商標，他們就無法擁有它。它會進入公共領域，競爭對手可以自由使用。對於商業智慧財產而言，這根本行不通。
如果你無法證明你的 AI 音訊從何而來，也無法擁有它產出的東西，那你手上就不是資產——而是負債。
我們很早就撞上了這面牆。一家廣告公司找上我們，想為一檔行銷活動製作 AI 生成的配音。他們一直在用一款熱門的文字轉語音工具，而且才剛收到一封停止侵權警告函。這款工具顯然是用包含某位可辨識演員樣本的語音資料訓練出來的。沒有人能明確證明這一點——黑盒子——但也沒有人能反證這一點。那檔行銷活動於是被束之高閣。
你要如何做出真正合法的 AI 音訊？
我們解決此問題的方法，是徹底揚棄「從零生成」的典範。取而代之，我們打造了一套轉化性的工作流程，運用了兩項深度技術：深度音源分離（Deep Source Separation）與檢索式語音轉換（Retrieval-Based Voice Conversion，RVC）。
深度音源分離，是把一個完成的音訊檔案解混成其組成音軌的過程——人聲、鼓、貝斯、樂器。可以把它想成「把烤好的蛋糕還原成原料」，這聽起來不可能，但現代深度學習已讓它出奇地有效。我們的引擎採用一種在音訊頻譜圖上運作的 U-Net 架構，輸出用以分離各音軌頻率的柔性遮罩。我們使用波形域的變體，以避免困擾標準頻譜圖法的那種「水聲般」的相位假影。
這能從既有、已授權的智慧財產目錄中釋放出巨大的價值。一家媒體公司可以把對白從電影的管弦樂配樂中分離出來，製作配音版本。唱片公司可以「解鎖」那些原始多軌母帶已佚失的經典母帶，創作新的混音或沉浸式的杜比全景聲（Dolby Atmos）混音。每一步都尊重既有的權利，因為我們處理的是自有或已授權的原始素材。
至於聲音的修改，我們使用 RVC——一種語音對語音的框架，它會改變聲音的音色，同時保留韻律（節奏、音高、情感）等原始演出的特質。這套系統會用 HuBERT 這類自監督模型從聲音中剝除身分特徵，再用一個以 FAISS 建立索引的、目標說話者真實聲音嵌入的資料庫來重建它。它不是在幻想出一個聲音——而是從真實、經同意的錄音的微觀切片中，把聲音重新組裝出來。
若想了解音源分離架構與 RVC 管線兩者的完整技術剖析，請見我們的深入研究論文。
沒有人談論的同意授權基礎架構
技術只是故事的一半。真正讓這一切能用於企業的，是圍繞它的那套合規框架。
我們不使用那些以抓取來的名人資料訓練的公開 RVC 模型。我們打造的是量身訂製的模型，只以簽署了特定「AI 商業化授權書」的配音員來訓練——針對特定用途的明確同意，並在他們的聲音模型每次被部署時追蹤權利金。
以下是對法律辯護最關鍵的部分：由於 RVC 系統使用檢索資料庫，我們能在數學上證明任何一段特定輸出是由哪個聲音模型產生的。如果有人主張「這聽起來像名人 X」，我們可以稽核 FAISS 索引，證明每一個嵌入都來自已同意授權的配音員 A。那不是一種「我們相信」式的辯護——而是一種密碼學上的辯護。
而由於這段輸出是一件基於人類演出與人類創作作品的衍生作品，它符合著作權保護的資格。企業真的能夠擁有最終的那份資產。你倒是試試看，能不能從一個文字轉音樂的生成器那裡得到這一點。
有那麼一刻——我想是在與一家媒體公司法務團隊通話時——他們的總法律顧問頓了一下，說：「等等，你們真的能讓我們看到哪個聲音被用在了每一毫秒的音訊上？」當我說「可以」時，全場一陣長長的沉默。接著：「你知道，為了審查 AI 生成的內容，我們在法律審查上花了多少錢嗎？」就在那時我才明白：合規基礎架構不是一項功能，它就是產品本身。
企業為什麼不能直接用 GPT 來做這件事？
我不斷被問到這個問題。通常來自投資人，有時來自那些看過基礎模型供應商令人印象深刻示範的潛在客戶。答案關乎架構，而非哲學。
當你建構在第三方 API 之上時，你就繼承了那個模型的隨機本質。如果模型產生幻覺——錯誤的合身度、受著作權保護的旋律、被複製的聲音——你無法修正它。那些權重是專有的，你無能為力。你很可能還洩漏了專有資料：上傳到雲端模型的未發表時裝系列，最後可能進入它的訓練資料。我們的系統以 Docker 與 Kubernetes 容器化，可以完全部署在客戶的私有雲或地端伺服器之內。它們不需要網際網路連線，不會回傳資料。這道實體隔離（air gap）不是被害妄想——而是我們合作過的每一個認真的企業客戶都提出的合約要求。
還有可防禦性的問題。PitchBook 的分析師直言不諱：市場上充斥著過多「僅是基礎模型薄殼包裝（thin wrappers）」的新創公司，毫無結構性的可防禦性。這些公司被夾在掌控底層智慧的超大規模雲端業者，與能在一夜之間轉用下一個包裝工具的終端使用者之間。當 OpenAI 改變它的訂價或能力時，這些包裝公司毫無退路。
AI 中可持續的價值，不會累積到那些轉售 API 存取權的公司身上，而會累積到那些去解決通用模型在結構上無力解決的、困難而特定領域問題的公司身上。
我們在延遲上也做了優化——模型量化讓我們的 RVC 管線得以在消費級硬體上運行，延遲低於50 毫秒，省去了昂貴的雲端 GPU 來回傳輸。我們產出的每一張影像與每一段音訊，都帶有一個隱形浮水印，其中編碼了授權 ID、使用者 ID 與時間戳記。如果某項資產外洩或遭到質疑，這道浮水印便能證明它的來源。
「大致正確」的終結
我在 Veriprajna 打造事物已經夠久，久到足以清楚看見這個模式。企業 AI 的第一波浪潮關乎的是興奮——生成式模型究竟能做些什麼？我們如今正進入的第二波浪潮，關乎的則是當責——它們究竟該做什麼，以及當它們出錯時，又會發生什麼？
在時尚領域，「大致正確」意味著 30% 的退貨率和一位再也不回頭的顧客。在音訊領域，「大致正確」意味著一場訴訟和一項你無法擁有的資產。包裝式的做法——快速、便宜、機率性——用於製作原型與低風險的消費者應用綽綽有餘。但對於任何講究準確性、合規性與可防禦性的領域，它就不是捷徑，而是負債。
我們在 Veriprajna 打造的架構並不光鮮亮麗。物理引擎的示範效果不如生成式 AI，合規框架撐不起令人興奮的簡報，確定性的系統也不會產出那種會在社群媒體上瘋傳的、神奇而令人驚豔的輸出。
但它們管用。當洋裝不合身、而顧客需要在下單前知道時，它們管用。當配音員應當獲得報酬、而法務團隊需要證據時，它們管用。當企業需要擁有自己的資產、把資料留在自己的高牆之內時，它們管用。
AI 產業終將明白，最困難的問題不是靠把模型做得更大來解決的，而是靠把解決方案做得更深來解決——在物理重要之處紮根於物理，在法律重要之處紮根於法律，也紮根於那些工程出會說真話的系統之中、不光鮮卻費盡心力的工作。
這就是我們正在打造的。不是最令人興奮的 AI 公司，而是最誠實的那一家。