本文是《人工智能的未来》系列文章的一部分，该系列探讨人工智能将如何塑造时尚与美容产业。
今年早些时候，科技领袖们开始强调品味的重要性。2月，Y Combinator联合创始人保罗·格雷厄姆预言："在人工智能时代，品味将变得更加重要。当任何人都能创造任何东西时，关键区别在于你选择创造什么。"同月，OpenAI总裁格雷格·布罗克曼将品味称为"一项新的核心技能"。
对时尚和许多其他创意领域而言，"品味并非一直至关重要"的观点是荒谬的。然而，在生成式人工智能时代，品味的概念被放大并重塑，这种备受争议的审美判断迅速成为流行语。"现在每家公司都想谈论品味，每位科技思想领袖都想在Substack上撰写关于品味的文章，"视觉灵感平台Cosmos创始人安迪·麦丘恩表示。
这一趋势表明，人工智能领域的领导者并未脱离人类对高雅品味的追求。但如果品味和个人风格本质上是人类的特质——通过书籍、电影和人际交往的经验培养而成——人工智能能否真正理解用户的个人风格或形成自己的品味？这对时尚产业至关重要，因为这种本能影响着从服装设计到穿搭推荐的一切，而其中许多环节已由人工智能驱动。
科技界部分人士对此持乐观态度。"我不想打击大家，但你的品味很可能不如人工智能，"一位产品负责人在X平台上写道。一位人工智能公司首席执行官同样调侃道："未来几年内，人工智能拥有比我们更好创意的可能性很大。"
科技圈外人士则更为怀疑。"品味和个人风格需要时间和真实生活经验来培养，"趋势预测师曼迪·李指出，"缺乏与现实世界的接触点恰恰是培养个人品味的对立面。所以他们讨论的与品味风格根本不是一回事。"
消费者也尚未信服。根据《Vogue Business》的调查，目前仅3%的消费者使用人工智能聊天机器人获取时尚灵感，而57%的人仍依赖杂志（印刷版和数字版），其次是街头风格（47%）、时尚博客或Pinterest（36%）以及网红（35%）。
斯坦福法学院教授、《着装规范：时尚法则如何创造历史》作者理查德·汤普森·福特认为，个人风格长期以来一直是人们表达抱负、在社会中塑造个人身份的方式。人们通过借鉴和融合生活各个方面的元素——从不同社群到历史时期——利用艺术、电影、名流或网红提供的熟悉形象作为灵感。汤普森·福特解释道，好品味并非复制，而是"引用经典套装的微小部分，将其与其他元素结合，以表达至少对自己而言独特而个性化的内涵。"
随着人们越来越多地借助人工智能进行探索，这可能会重塑他们培养个人风格的方式。时尚科技初创企业对人工智能简化这一过程的能力持乐观态度。人工智能购物平台Daydream正致力于此。联合创始人丽莎·亚姆纳表示，其用户不一定是高级时装爱好者："找到我们的人更多是基于实际需求；与其说是'给我看罗意威最新秀场'的类型，不如说是时尚爱好者。"
近半数受访者将选择过多列为购物时的最大挑战，因此人工智能在筛选和简化方面的作用可能愈发重要。由于45%的用户专注于利用现有衣橱搭配服装并在预算内寻找风格，超过三分之一（36%）的人会考虑使用人工智能工具探索下一季趋势也就不足为奇。但人工智能能否真正理解品味和风格，达到人类策展水平？
行业资深人士表示怀疑。拥有十年趋势预测分析经验的李认为，依赖人工智能会损害她的工作，因为人工智能缺乏对塑造时尚偏好的文化事件和影响的洞察。"以现有技术，人工智能无法完全把握事件、社会经济因素、金融和世界政治如何影响趋势和时尚，"她解释道，"超越美学层面，这些才是真正驱动趋势的力量。这不仅关乎时尚——更关乎其周围的一切。"
那么，人工智能能否真正理解这些现实世界的动态？
**数据局限**
人工智能输出高雅内容的最大挑战在于其输入数据。人工智能依赖数据集，通用人工智能引擎从互联网抓取海量数据，这些数据可能嘈杂且未经筛选。福特汉姆商学院副教授周依璐指出，即使是专为时尚打造的人工智能工具也面临困难，因为时尚相关数据集往往不足。她自2013年以来一直在时尚与人工智能交叉领域工作。
周依璐的早期研究表明，时尚分类法缺乏标准化。"每位设计师都使用不同的语言。他们可能有两个非常相似的设计，却用完全不同的术语描述——有时是故意的，"她说道。产品描述中嵌入的品牌语言——如海德·艾克曼用"玻璃效果"描述透明塑料西装——对人工智能准确预测和解读时尚趋势构成重大障碍。周依璐强调，数据标准化是创造有用人工智能的第一步。"否则，人工智能将基于有偏见的数据，导致有偏见且无意义的输出。"
专家还指出，人工智能依赖的数据可能具有误导性，尤其在时尚领域。"某些内容可能在社交媒体上疯传，获得大量分享，但这不一定意味着人们会购买，"WGSN首席预测官弗朗西斯卡·马斯顿表示。例如2023年秀场的可见内裤趋势或预测的2025年胸衣趋势——两者的点击量预计都高于实际销量。此外，除非专门编程，人工智能往往无法考虑季节性。"如果数据分析师不懂时尚，他们可能误判某个趋势已经消失，而实际上它明年将会回归，"周依璐解释道。
这正是人类判断力至关重要的地方——解读人工智能经常遗漏的叙事。"人类能更好地将零散信息置于背景中，串联线索，识别未来趋势的机会，"马斯顿说。周依璐赞同这一观点，并补充道，需要人类专业知识来判断人工智能何时偏离轨道或"产生幻觉"以填补不完整数据集的空白。
像Daydream这样的专用人工智能模型旨在通过与用户的个人风格保持一致，提供更好的基础。亚姆纳回忆推出该平台时用户的反应："他们会说，'我在ChatGPT上尝试了同样的搜索，结果很糟糕。'"理论上，专门针对时尚数据训练的人工智能应提供更相关、更准确的洞察。Daydream使用自有品牌映射系统来理解品牌在风格、美学和定位上的关联。结合个人用户信号，该平台能够推荐既相关又出人意料的品牌——且不受任何广告或付费排名影响结果。
**编程品味**
即使人工智能接受了正确数据的训练，一些人仍怀疑它能匹配人类品味。"通过正确的训练数据，人工智能或许能近似模拟个人在特定情境下的行为，但我认为它永远会滞后，"一位专家表示，"作为人类，你的影响来自街头、偶然相遇和广泛来源——有些已数字化并可供人工智能使用，有些则没有。我怀疑所有塑造品味的因素，尤其对那些具有强烈审美感的人而言，都能立即被人工智能获取。"
人工智能也倾向于关注社交媒体或购物头条中的广泛趋势。但更有趣的是本地兴起的风格，这对人工智能而言更难察觉，周依璐指出。
编程人工智能以匹配用户的特定风格也可能变得过于狭隘和规定性，限制了对常规偏好之外的探索。"如果你没有一千美元买包，我们就不会展示千元包款，"亚姆纳说。然而，许多时尚爱好者曾从标志性设计中获得灵感，如尼古拉·盖斯奇埃尔2000年代初期的巴黎世家机车包或菲比·菲罗执掌的赛琳，即使当时负担不起。这种灵感仍然重要。虽然Daydream会根据购买意图进行价格筛选，但它可以利用菲罗的美学作为信号，以更易接受的价格推荐具有相似氛围的单品——这是该平台重视的民主化形式。
同样，仅关注时尚品牌和趋势是有限的，因为个人风格往往由其他文化领域塑造。例如，WGSN的趋势预测在开始追踪食品和体育等行业后有所改善。"人们不只穿衣服。他们还吃东西、住房子、使用化妆品，并参与消费科技或体育等其他领域，"马斯顿说。仅关注产品意味着错失驱动趋势的许多因素。
一些创始人认为，人工智能可以通过人类输入来定义"好品味"。Cosmos的麦丘恩认为，通过正确的编程，人工智能可以学习品味。他对Cosmos的目标是打造一个"反劣质内容平台"。"人工智能可以在搜索和推荐等领域支持创意工作者，"他表示。Cosmos的机器学习团队构建了一个"美学预测模型"来决定用户看到的内容。该模型接受了前1万名测试用户（包括设计师、创意总监和建筑师）保存的图像训练，并使用了"非常糟糕"的数据集作为负面样本。现在，每张上传图像都会根据这些样本设定的美学标准进行评分。
"我们设定了底线阈值，任何低于该阈值的内容在搜索和推荐中都会降级，"麦丘恩解释道。他强调这不是强加单一品味，而是提升质量。视觉文化正变得越来越同质化，但Cosmos不仅突出顶级内容。"我们更多将其作为基线过滤器，以清除垃圾和低质量材料，"他解释道。机器学习在Cosmos的策展中发挥了关键作用，为周依璐对时尚"不良数据"的批评提供了小规模回应——尽管Cosmos不仅限于时尚。
收据分享应用Selleb也对人工智能技术与人工监督的结合持乐观态度。联合创始人克洛伊·李和克莱尔·李将人工智能视为最终由人类审查的基础工具。用户不仅如创始人最初预期分享时尚收据，还分享咖啡馆、交通、航班、杂货等收据。"我们更广阔的愿景是在线映射所有这些不同产品，并追踪每个人在多个因素上的品味，以更接近捕捉难以捉摸的品味——我仍然认为这很难定义，"克莱尔说。
Selleb强调跨类别数据对更好理解个人品味、偏好和风格的重要性。新用户连接邮箱并提交数千张收据。"这些收据——消费时间、所属类别、花费金额——揭示了我作为购物者的许多信息及独特身份，"克洛伊指出。用户关注被姐妹称为"品味分身"的人：基于应用构建的"品味图谱"，在多个类别中具有相似偏好的人。通过全面分析用户收据，后端人工智能能够识别公开在线数据中不可见的模式，从而提供个性化的时尚和其他推荐。
**回顾过去**
人工智能基于过去数据预测和识别趋势，这意味着无论技术多么先进，它都无法超越这些输入。"人工智能不擅长处理新奇事物——而趋势往往依赖新奇性，"WGSN的马斯顿说。
现实中，人们的风格和品味随着人工智能无法预测的环境变化和文化变迁而演变。"趋势极其复杂，以多种不同方式发展，"马斯顿解释道，"人们多少次说过'我永远不会穿XYZ'，并因过去的联想强烈反对某个趋势？然而，当该趋势在新背景下重现时，它突然变得有吸引力。"如果过去数据表明某种造型可能失败，人工智能会照单全收。但人类能够质疑背景，并认识到复兴可能的原因。
@DataButMakeItFashion的马德·拉普埃尔塔表示，对某些品牌或美学的兴趣往往由随机或统计上不太可能的事件引发，这是人工智能无法解释的。她举例说，去年11月道奇队球员米格尔·罗哈斯——甚至不该轮到他击球——击出改变比赛的全垒打赢得世界大赛时，梵克雅宝的关注度激增。"因为人工智能驱动的预测模型完全依赖过去模式，它们无法预见未来或理解什么会引起共鸣。"
这是李对使用人工智能预测趋势或品味变化的主要担忧。"人工智能'预测'趋势的方式并非真正的预测——它只是反映当前正在发生的事情，"她说。
**人类优势**
这种人类优势至关重要。人工智能对历史的依赖……数据显示，人工智能可以根据"是什么"识别内容，但无法理解"为什么"。正如马斯顿所言："人工智能可以编纂品味，但只能以合成的方式。"
汤普森·福特也认为这过于模仿性。"说'我想看起来像拉夫·劳伦去年的系列'是一回事——人工智能或许能做到。但如果我想看起来像某人今年尚未创作的系列，我怀疑人工智能能做到设计师或时尚人士所做的事。"
即使是像麦丘恩这样的技术乐观主义者也对此提出质疑。"本质上，模型必须基于过去的某些东西进行训练，"他解释道，"人类可以展望未来并创造新趋势和美学。模型将永远反映过去——我相信只有人类才能真正展望未来。"
专家表示，人工智能模仿这一点的唯一方式是获得感知能力——这是一个激烈争论的可能性——即便如此也不确定。麦丘恩补充道："我相信生成式人工智能将能够培养品味和风格，但这将是现在或过去的品味风格。它不会展望未来并创造感觉时尚的新事物。"
对人工智能不太乐观的李也认为，其无法展望未来是一个主要限制。对她而言，这意味着没有感知能力的人工智能永远不会培养真正的品味或风格。"你必须走出去，看看人们穿什么，听听他们在谈论什么，看电影，听音乐，关注时事和政治，"李说，"这些才是塑造时尚和风格的因素。不仅仅是衣服——而是关于你作为一个人的一切。如果你依赖人工智能告诉你你是谁，你将永远不会有风格。"
即使人工智能有一天获得感知能力并摆脱人类输入，它仍然缺少一样东西：人类的身体。没有可操作和装扮的身体，培养品味和风格似乎几乎徒劳。"人工智能没有的是身体，"汤普森·福特指出，"很难想象人工智能能培养出通过自己的身体在世界中移动并与他人互动所产生的直觉——除非再次通过模仿。"
李表示赞同。"我相信它会改进，但人工智能永远不会成为人类。所以我认为，真正理解世界事件及其如何转化为时尚是不可能的，"她说，"我从事这行十年了，有时我甚至在某些事情上出错或落后。机器人永远不可能比我更擅长这个。"
**常见问题解答**
人工智能能否真正理解品味
**入门级问题**
1 本文中"品味"指什么？
我们指的是人类复杂的味觉体验，它结合了嗅觉、味觉、质地、温度甚至个人记忆和情感。这不仅仅是化学分析。
2 人工智能能像人类一样品尝食物吗？
不能，至少无法以人类体验的方式进行。人工智能没有意识或主观感受。它无法享受美食或拥有个人偏好，只能分析关于味觉的数据。
3 那么人工智能在味觉方面能做什么？
人工智能可以处理海量数据——如食物中的化学成分、食谱、消费者评论和感官小组结果——以预测风味特征、创造新食谱组合、优化食品产品并推荐你可能喜欢的菜肴。
4 人工智能如何学习味觉？
通过数据集训练。例如，它可能被展示数千个标有风味描述符的食谱，或链接化学结构与感知风味的数据。它从中寻找模式以进行预测。
5 这方面有现实世界的例子吗？
有。公司使用人工智能开发新零食风味、精酿啤酒配方或创建个性化营养计划。植物肉公司等应用使用人工智能分析分子结构以模仿肉类的口感和质地。
**高级实践问题**
6 阻止人工智能真正理解味觉的主要限制是什么？
意识与感受质的难题。味觉是一种主观的第一人称体验。人工智能可以关联数据，但无法体验甜味的感觉或风味唤起的怀旧之情。它缺乏具身的主观意识。
7 人工智能能解释品味中的文化和个人差异吗？
它可以尝试，但这是一个挑战。通过训练多样化的、特定文化的数据集，人工智能可以学习群体内的常见偏好。然而，捕捉个人最喜爱食物背后深刻的情感文化背景极其困难。
8 在食品科学和开发中使用人工智能有什么好处？
人工智能能够加速风味创新、优化食品生产、减少浪费，并通过个性化推荐改善消费者体验。它还可以分析复杂数据以预测市场趋势，并帮助开发更可持续的食品选择。