×

註明

There was a problem rendering your image gallery. Please make sure that the folder you are using in the Simple Image Gallery Pro plugin tags exists and contains valid image files. The plugin could not locate the folder: media/k2/galleries/4680

AI如何預測時尚未來? 從韓國釜山的研究,到全球最近的3種預測路徑

2025/07/21
資料蒐集=裴嬿

這項研究由釜山大學服裝與紡織學系的李允京教授(Yoon Kyung Lee)領導,研究生柳采熙(Chaehi Ryu)協同進行,聚焦於如何透過生成式AI模型(特別是ChatGPT與DALL-E 3),預測2024年秋季男裝的時尚趨勢,成果於2025年6月發表於《Clothing and Textiles Research Journal》學術期刊。

專業提示詞設計:AI理解時尚的關鍵橋梁
研究首先透過ChatGPT 3.5與GPT-4,分析截至2021年9月為止的男裝流行資料,並以此推論2024年秋季的可能趨勢。李允京表示,這個過程並不只是簡單地詢問「今年流行什麼」,而是透過嚴謹的知識重建,歸納出六大設計分類:「趨勢主題」、「輪廓要素」、「材質」、「關鍵單品」、「服裝細節」與「裝飾技法」。

這些分類不僅反映了時尚語彙的多層結構,也為AI生成任務提供了具體語意框架。研究團隊依據這六類,撰寫出35組複雜且精準的提示詞(prompts),再輸入至DALL-E 3生成圖像,每組提示重複執行三次,共產出105張圖像。

 
ChatGPT能有效利用過去的數據來預測未來的時尚趨勢,而DALL-E 3能夠將這些趨勢融入生成的圖像中。然而,它們也存在各種錯誤,需要時裝設計師提供專業的提示。Image Courtesy of Pusan National University

生成的圖像被置入一個預設的伸展台情境中,包含男模的身形、背景/布景、攝影角度與觀眾數量等細節。這種「完整情境模擬」不僅提升了視覺真實感,也更貼近實際設計發表會的需求。

結果顯示,DALL-E 3在67.6%的情況下能「準確實現」提示詞內容,部分圖像甚至與Vogue公佈的2024年秋季男裝系列相似度極高。尤其當提示詞包含形容詞(如“oversized urban silhouette with military undertone”)時,AI的輸出更具精準度與創意深度。

然而,AI仍存在盲點。例如,性別流動等抽象趨勢難以轉譯為具體圖像,說明單靠關鍵詞尚無法全面涵蓋時尚中的文化與情緒層次。

設計角色的重塑:AI不取代,而是協作
李允京教授強調:「我們發現,提示詞的語言品質決定生成圖像的專業程度,這也證明了時尚專家的語言與判斷力,在AI設計流程中不可或缺。」她本人曾於米蘭創立品牌UginiO,作品曾在首爾與巴黎時裝週展出,對於人類創意與市場節奏有深刻體認。

因此,我們不應視AI不再是威脅,而是一種新的創作伙伴。從蒐集資料、分析趨勢、視覺模擬,到設計提案初稿生成,AI可成為年輕設計師、品牌行銷人員與非專業創作者的助力。

未來應用:從教育到產業的串接藍圖
這項實驗也有更宏觀的啟示。首先,在設計教育中,AI可成為視覺語彙學習的工具,幫助學生快速理解風格組合與視覺表現的關聯。其次,對於中小型品牌而言,AI降低了風格開發的門檻,有助於更靈活地回應市場趨勢。

更進一步,這類模型可導入商品開發決策,例如篩選可能風行的材質與剪裁組合、視覺化商品打樣,甚至模擬不同風格在社群上的潛在反響,建立一種「由設計推導行銷」的反向流程。

 

AI時尚預測所開啟的多重視角

除了韓國釜山大學結合ChatGPT與DALL-E 3進行AI生成男裝趨勢預測,我們也找到不同研究單位,針對生成式 AI 應用於時尚趨勢預測與設計的研究,結果顯示,未來生成式AI將不只是分析工具,更是設計流程與商業SOP的新引擎。

GeoStyle:從街拍洞察時尚的地理與時間脈絡
由康乃爾大學(Cornell University)團隊開發的GeoStyle模型,採用了超過770萬張街拍影像,來自Flickr、Instagram等平台,橫跨44座城市與多個時區。研究團隊透過電腦視覺模型自動辨識服裝屬性(如顏色、圖案、剪裁),建立時間與空間的動態矩陣,進一步預測某項風格的盛行與衰退軌跡。

GeoStyle模型的預測準確度高於傳統方法20%以上,不僅能偵測全球性的趨勢浪潮,也能掌握如節慶、地區文化等引發的"局部風格事件"。這種強調時空交錯脈絡的視角,讓時尚不再只是流行的結果,更是一種地理文化動態的表現。

Fashion Forward:風格嵌入與視覺趨勢的預測演算法
來自美國德州大學(University of Texas)與Amazon合作的研究團隊則提出"Fashion Forward"模型,以80,000筆商品影像資料訓練無監督風格預測演算法。他們不依賴任何人工標註,而是透過影像本身的視覺特徵(如布料紋理、色彩配置、輪廓)抽取風格向量,進一步建構風格混合模型,預測哪些特徵將在未來出現增長趨勢。

其創新之處在於證明"圖像本身"所提供的資訊,往往比商品文字敘述或元資料更具預測力。Fashion Forward成功預測出未來幾季即將風行的色彩或剪裁特徵,並可區分經典持久風格與轉瞬即逝的流行元素。對品牌商品企劃而言,這種方法特別適合大規模商品設計與前端風格篩選。

情緒驅動的時尚預測:從社群心情中預見潮流方向
另一項於2025年4月發表於《arXiv》的研究(由Aayam Bansal與Agneya Tharun共同完成),則將時尚趨勢探索的視野擴展至社群心理層面。研究團隊首先使用Twitter T4SA資料集,先篩選出與時尚相關的約 40,000 則推文,涵蓋近年來社群對時尚的情緒表達。
接著結合自然語言處理(NLP)、時序分解技術、ARIMA 模型與 Granger 因果檢驗,探索情緒波動是否有助於預測時尚主題的熱度趨勢。

結果顯示,尤其在永續時尚(Sustainable Fashion)與街頭風格(Street Style)這兩個主題中,社群情緒波動與趨勢熱度之間存在強烈的雙向因果關係。這代表情緒不僅能預示趨勢,趨勢的發展也可能反過來影響社群情緒。
而且情緒分類模型的平衡準確度達到 78.35%,表明正面情緒通常預示著特定風格的上升。

這項研究也為品牌和設計師提供了一個新的視角,即透過監測社群情緒,更早地感知潛在的流行方向,尤其在重視社群互動和價值觀的風格領域。

您已經超過非會員的免費瀏覽次數。

本文限制VIP專屬

·簡單填寫email,加入免費會員
·每天一杯咖啡,進階VIP會員