Process

[片头音乐]

大家好啊，咁我是，呃，赵宇谦 Raymond Chiu 啦。咁好多谢，呃，center 俾个机会我，代表 center 去介绍下我们中心，呃，一些关于用 AI 的技术，对于服装方面的，呃，关于制衣方面的事，的情况啦。咁过去一段时间，大概五年到呢，我们会比较，刚才啊，呃，教授都讲过啦，我们都会有做一些关于 river 的工-工作去做，去捡起些布啦。咁但系我们都会花了很多时间上面呢，是做一些关于一些，呃，可持续发展那方面嘅。咁我们 AI development 那边呢，都做了很多关于 AI，关于可持续发展这方面。因为果方面的发展呢，系会影响了究竟果件衫，将来究竟系唔系有机会可以，一件旧衫收回来可不可以做返一件新衫。咁我们就会花了很多功夫去边做，呃，人工智能方面的工作咯。咁，呃，先讲讲，呃，project 之前呢，介绍下我们做 Hong Kong Retail 那个角色先。咁其实我们系一个，呃，政，呃，半政府的机构啦，咁直接由香港创科处，呃，拨款，咁就由，呃，理工大学承办了一个中心。咁我们的宗旨呢，主要就是希望呢，透过一些发展，一些高端的科研技术，同埋透过可以将那些科研技术转化为一些商品化的，呃，呃，物，呃，产-产业，可以推动在成衣方面，就无论香港、中国或其他地区的发展。咁所以都，我们都会同好多教授会合作的，他们会，教授会有好多嘅科研项目啦，咁就申请拨款帮助啦，或者其他嘅工商业机构都会去申请拨款。然后透过这个途径之后呢，呃，政府又俾点钱啦，然后我们就会申请他的专利，啲专利呢，我们就会将它适当地找合作商，可以将那些技术呢，转化未来就会可以帮助各行，呃，各种企业的发展。咁这个就是我们 Hong Kong Retail 主要的，呃，工作啦。咁当然啦，我们自己本身呢，都会有一个研发的团队的。咁，呃，我们的研发团队呢，主要针对有，呃，啲五大嘅主要嘅方向发展啦。咁，呃，绿色物料呢，我们会发展一些绿色物料，本身那些物料呢，本身容易分解的，或者对，呃，会吸 CO2 的，咁这些是一些绿色的物料啦。咁微塑胶的问题啦，我们都会有一 team 人是主要处理啲微塑胶问题的。咁譬如你们都知道成衣呢其实占了三成或以上，在世界上的微塑胶的问题，咁我们都会有专案去处理过，关于微塑胶处理啦。跟着，呃，物料那个，呃，分割技术啦，这个主要是做些咩呢？在成衣回收的时候呢，其实大部分的成衣呢，都会有，呃，有纯棉或者，呃，纯棉，其实纯棉同涤纶占了很多的。但是纯棉同涤纶混纺啊，或者其他加埋尼龙各方面呢，都占了30%或者再多点以上的。咁这个会影响个维修，呃，回收上面有好大一个问题，就是回收之后呢，其实尽量想那些物料可以重新再做的时候呢，想分返开棉就棉，涤纶就涤纶，因为牵涉到染布啊各方面生产的时候呢，就会比较，呃，要分返开会好点。咁但是分个时候呢，要用啲咩技术分，因为它已经在纺的时候已经扭埋在一起了嘛。咁我们都会有一个 team 人的方向呢，就要集中一些有药水的方法啦，有机械的方法啦，又或者其他智能方法呢，咁将啲物料分返开来，棉就棉，涤纶就涤纶，咁都会做到。咁当中都会牵涉到一些 AI sorting 啊。咁刚才讲了，因为我们在，呃，其实欧洲那方面都讲了，有个2030年的展望，希望超过六成或以上的衫呢，可以经过回收的。咁回收要做到最紧要是可以回到皮，赚到钱。咁所以 AI 在这方面的帮助就比较重-重要，因为如果我们还要靠大量的人力、物力去将这些衫去分选的话呢，咁系没办法做到。咁我们只要将，用 AI 技术，将那方面的物料，由电脑去分选，或者自动化仪器去分选，就不需要经过人去参与太多，人啊只是留返啲做返啲更加有价值的工作的话呢，咁先可以回到本，赚到钱嘅。咁最后面呢，performance textile 咯，即系关于一些 functional 的，呃，排，呃，排汗啊、散热啊，或者各方面呢，可以关心。甚至乎我们有些，呃，个别的，呃，香港的运动员的，呃，衣服呢，都经过我们 Hong Kong Retail 去参与设计，同埋俾意见去做返啲衫，等他可以在个运动方面可以保护得更好啦，或者表现得更好嘅。咁这些都是我们本身 Hong Kong Retail 的，呃，工作咯，呃，主要的研发方向啦。好，咁跟着就介绍下我们其实有我们自己的，拣了，我拣了两个的研发项目呢，关于同 AI 有关比较多啲嘅，系一个可持续发展个方面的发展啦。咁，呃，唔知大家有冇听过我们有个叫做 G2G 的 project 嘅。咁这个 project 其实是2018年开始，咁之后2020就完咗的。咁这个 project 做啲乜嘢呢？我们在一个 search 场，找了一个大概一个货柜的位置呢，咁做了一个小型的工厂，那个小型工厂就是做啲咩呢？就是将客户俾我们一件件衫，然后变，呃，将它拆散了，变返一件新的衫俾他的。咁在这个技术入边呢，咁其实入边呢，大型工厂做的技术呢，就好普遍。咁我们要做啲咩呢？我们要做件衫呢，本身它的回收成分是超过50%以上，都是原有那件衫来的。咁这个技术挑战就很大了，因为如果你们大部分啲衫重新再做，你买返去，买返屋企话有 recycle 的原料，除了涤纶之外 迪伦，因为他们通常会拿来化学熔了之后做回新纱，但如果棉的话就很难。因为棉的话，你超过百分之五十以上都是，呃，旧棉的话，件衫做出来的那个 quality 会，可能会比较，呃，难控制一些的。但我们这个 G2G 呢，我们就要特别要挑战那个技术，要做一件事了。那么这个就是你看到这几张照片，就是我们在一个商场里面有个铺位啦，那么真的有个面，有个铺头，有个，呃，有个店面会收客户的衫啦，然后再回收，呃，接着就按客户要求啦，大致上告诉他，他想做些什么款式啦，给回一个生产期他啦。那么里面，在个商场里面已经有卖那些回收机器，在那如何去做回件衫出来的。那么，呃，那个流程是怎样做呢？首先我们会收了客户件衫回来的，那么你看到在，呃，左上角，就是一件本身客户件衫回来了。那么我们都做过一些衫，其实很有一些纪念价值的，有些衫很多都是，呃，家里人的旧衫，譬如爸爸妈妈不在了，他想留回一些衫去用回，他可以自己穿，但是 size 各方面都不适合了，那么他就会拿来给他们，有没有办法可以做回呢？那么我们做回的流程呢，因为我们是要顺，要尽量保持回它的纤维啊各方面的东西，那么我们就会用简，我们的 G2G 的概念就是用机械的方式，将件衫全部，由本身是纱线变回做纤维。变了做纤维之后呢，就会经过一些纺纱的机器呢，就会做了一条粗纱，做了条粗纱之后呢，那么就可以做回一些细纱出来，加回一些细纱已经混了百分之大概五十以下的，呃，新的棉进去，那么就做回，再经过一个叫做3D，呃，纺织技术，就会织回一件新衫出来的。那么所以你看到呢，本身件衫是红色多一些啦，那么经过我们的技术之后呢，我们就会叫做，件衫叫做花灰，因为我们就会混了大概百分之五十以下的原色棉，米白色的衫，再做了花灰出来。好了，那么这一个就是，呃，其中一个针织衫的做法啦。那么除了针织衫之外呢，其实我们还要，因为针织衫呢回收比较容易一些些的，因为针织衫本身织得没那么密啊，我们用机械分割的时候呢，拉开它的时候呢，那个机械不会太伤到它的纤维啊。我们其实连，呃，以，这些叫做梭织布，梭织布是织得很密的，就是譬如一般我现在穿的衬衫啊，都是梭织布，它织得很密的。我们在 G2G 里面呢，我们都可以控制到超过百分之五十，是一些旧有的纱线去做，都经回 opening cleaning，啊，即是 open，即是把纱由本身件衫变回做纤维化，纤维化之后呢，再经过一些机，变了粗纱、细纱，再织回件衫出来。那么当中最复杂的其实是什么呢？我怎样可以将那件衫开松得最好，这个是最难。因为如果我要在做纤维化的时候呢，那么如果部机大力些不就得了，将那些纱全部拉拉拉拉，拉到烂掉，将它变纤维是最简单的。出现的问题是什么呢？我太暴力拉件衫的时候呢，那些纱线就会变得很短。那么一般来讲，如果纱线，那些 fiber 的长度呢，其实短过16mm 以下呢，是没有可能可以再纺回，做，做回一条纱线，它连做粗纱的机会都做不到，因为没办法，纱那些 fiber 会自己黏连起来，做回一条纱线。那么变成我们的挑战技术就是说，我要开松得来，我又要保持那些 fi，呃，fiber 有特定的长度，才可以做回纱线。那么所以基本上呢，就要控制那个 opening 和 cleaning 的 process 的动作了。那么针对这件事呢，我们在我们这个货，呃，小小的货物空间里面呢，我们就做了一个 AI 的，呃，视觉系统啦。那么如果在其他厂的话，可能他，因为他大批批量做的嘛，他，他不是，呃，如果同一批的衫，那么找个工人开一次，开两次，开三次，就大致到开几次之后就做到，做到 fiber，之后大量生产百几件不就得了。那么这个但完全不我们 G2G 的概念，我们是每一个客人给件衫我们，他只有一次机会而已。那个爸爸妈妈，他旧衫拿过来，只有一次机会。那么我们最重要决定究竟开多少次呢，我们的 AI 系统呢，就会看到开完之后，那个 fiber 那个样貌是怎样，然后譬如好像这个，你看到左手面的图呢，还会有很多纱线在的吧，那么就开得不好的，它没机会可以再纺回粗纱，因为纺出来都会有很多我们有这些叫做棉结在的，件衫是一点都不顺滑的。那么会开到好像右手边那样呢，真的好，好纤维化的时候呢，那么就会好，好很多了。那么这个系统在 AI 方面那个，呃，辨认那里呢，其实辨认一点都不难的。在 AI 上面视觉系统最难是做些什么呢？我们叫做分割那个方法，因为我们要做分，呃，影像分割，sorry，影像分割的方法，因为我们要将那些，那个 AI 呢，要分得很清楚，它要分到一条条线，一条条 fiber，一个布碎。那么如果，呃，在座各位，可能有些同学在做，呃，AI 或者视觉系统各方面的话呢，影像分割技术是另外一个专门技术去，要去研究的。那么在我们呢，就会研究了一个，呃，这样的视觉系统在这里出来这样应用了。那么你看到其实，呃，这部电脑上面呢，那么下面这里 opening 就会直接呢，有个镜头在这里，就，呃，real time 影着出来的那些 fiber 的样子。那么影着的，在个电脑上面呢，左手边就是本身那个 fiber 的，呃，那些 fiber 的形状啦，右手边呢，就会看到即时影像呢，分析那个 fiber 那个 fiber，呃，fiberless 那个情况怎样，有多好。那么绿色的那些 fiber 呢，就是，呃，叫做开得，叫做开完，open 完了。蓝色那些呢，就会看到有些纱线啊，或者是布碎在这里的。那么它透过究竟比对绿色和蓝色的数量多与少呢，就决定那些 fiber 开得好不好啦。那么你-- 用人眼去做呢，就可能容易点分到。要影像去教识，它可以分到边啲叫纱线呢，边啲纤维的话呢，我们都会用了一大段时间去做那个分类的技术呢，才可以做到这一方面的情况出来。咁如果那个 fiber 开得不好，我发现它大部分都是一些蓝色的 area 比较多的话，个系统就会自动跌落个机的当底度，cut 回去拉头度，再做一次。咁就可以确保到，因为得一次机会啫嘛，咁我确保到开到够 fiber 之后，又不会 over open 了，咁就会啲纱线呢，咁就可以令到它会重新可以循环再做到了。咁这个就是我们本身一个，呃，运输的逻-逻辑啦。咁它见到有几多绿色的 area 和蓝色的 area，然后如果个分至一至五的等级啦，通常，呃，五至四呢，我们就已经可以拿回来做回，呃，纺回纱线了。一至三呢，就做不到的。即是透过比对那些，呃，究竟绿色的 area 有几多啊，如果大，呃，或者，呃，透过，透-- 对比那些蓝色的 area 有几多。蓝色 area 如果大过2000的话呢，一般来讲都已经是跌落三了，咁已经做不到，咁就会重新跌下去，再开多次，咁就会看看去不去到四五，去到四五的话呢，就可以做回纺纱了。咁这些就是，呃，当时那个影像的分析咯。咁这个影像上面，其实因为我们主得处理的时候都是一些黑白的系统来，所以不会因为那件衫本身的颜色会有影响，我们会转了做黑白影像，然后再分析它那些纤维，方-方面的那个，呃，成-- 呃，那个分-- 开回之后那个情况好不好啦，然后就可以做回那些纱线了。咁这个是个真实的影像啦，咁其实速度都算快的，因为它是 real time 这么做的话，它差不多呢，一跌下去，一开的时候就已经立刻要做决定，所以它的影像分析的时间呢，其实是少过0.5秒就要 make decision，究竟个 fiber 要不要 cut 回去，回头要重新再开的。咁这里你见到它已经 highlight 了边啲是绿色的部分啦。咁其实如果你是做，呃，AI 视觉系统的话呢，你会发现到我们的视觉系统呢，我们框的时候呢，我们框得很细，我们不是一个方框这样框的。原因其实在视觉系-系统上面呢，都有两个技术的，譬如有些是直接好像人脸辨识那样，就做一个框，框一个人。咁我们其实，我们叫-我们叫做，叫做 pixel 级的。Pixel 级的意思呢，我们是逐点逐点去围，边围全个件，边啲是布碎，边啲是 fiber 去做的。咁这个都是我们本身中心都花了一段时间去研究那些 algorithm 怎么做，令到可以准确，可以分分开 fiber 和布片啦。咁这个是另外一些，见到一些开得不够细致的布啦，咁这些都会跌回去，再做回，再做多次的。好，咁你即时见到，其实个系统呢，一边呢会写着是三的了，如果不 OK，即刚才讲了啦，三不 OK，咁它就会 cut 回去原身，开机那里再开多次。咁，呃，这些就是我们本身做件衫的时候呢，所，呃，其中一些显示的 case 咯。咁其实你见到呢，其实啲衫是各式各样都有的。咁个难度挑战在呢，我们要教识个 AI 系统做。因为如果人呢，因为人在铺面上面呢，呃，会走来走去的，今天可能是研究员 A，咁下一天研究员 B，我没办法可以同时做到那些研究人员呢，大家都是同一个 know-how 的。咁 AI 的帮手呢，就是会令到个 know-how 呢，每一个员工他曾经做过的例子，就会 feed 回下去，去做回件衫是怎样做了。咁刚才讲过其中一个部分，除了讲我们要控制件衫究竟开松情况开得好不好呢，我们还要决定它要混回一些，一些的纤维落去。因为刚才讲了啦，如果纯棉的话呢，都要考虑那件衫纯棉的质地好不好，如果本身质地是不好的话呢，我们未必会混回纯棉的，我们可能混回一些 PC，有些纤-- 有些 polyester 的纤维啦。又或者原本-- 本身那条-- 那件衫是羊毛的，咁我们理想都会想混回一些羊毛啦。但是如果纯羊毛和羊毛混的时候都会有些问题嘛，咁我们可能会混少少尼龙落去啦，咁都，或者 add，或者，呃，poly 啊，或者 cotton 下去啦，咁令到件衫在成功率会高多人。刚才再说回我们只得一次机会而已，如果我们，咁个客人给我们件衫这么珍贵的话，我们不想令到件衫最后 fail 咗的。咁所以就会，我们会有个大数据分析的，透过我们分析那些 case 的时候呢，咁其实个 AI 系统呢会话回给我听，有件新衫过来，给了个影像它，说了它成分，size，是边啲颜色的衫的时候呢，个 AI 系统呢，会即时会话回给你听，你应该要混回边一些纤维落去，然后那些机的参数怎样做，令到它可以成功机会大大增加的。咁这个都是一个 G2G 的例子啦。咁我们这个 project 本身是分开了做 phase one 和 phase two 的。咁 phase one 的时候呢，其实未，呃，有 AI 系统的。咁 a，phase two 呢就是 adopt 我们的 AI 下去了，刚才其实有个影像系统啦。Phase two 我们还会运用一个数据分析系统的。咁利用之前曾经无论成功啊、与否，或者失败的，呃，成功或者失败的例子，摆在 AI 那里。咁它在里面的数据呢，就分析回当时究竟混了什么纤维落去啊，或，呃，各部机的参数怎样做啊，大概有，呃，几百个 case 咯。咁这几百个 case 里面呢，它就已经帮我们 make 了一个比较好的，呃，decision，怎样去决定，呃，包括它在件衫本身，它那个，我们最后要做些什么纱线出来啦，呃，本身件要做，呃，它例的是否是乌粉衫啦、针织衫啦，究竟它，呃，那件衫那个本身重量是几多呢，因为重量有影响的。因为重量，如果我们发现件衫本身轻飘飘的话呢，咁我们 mix 的时候，本身 mix 回去，已经评估到它 fiber 已经不够做件衫的，我们就已经建议他，呐，要不呢，你就，呃- 不要做件衣服啊，做回一条围巾啊，因为个量不够嘛。那如果不是的话，那就如果你要做回件衣服的话呢，我们就要 mix 回大量的可能其他的纤维啦，那就可能丧失了你本身，譬如你想着多点纤维，一件衣服是件旧衣服，那就变了做不到你的要求了，那给回个客人去决定啦。那变成有个 AI 系统的时候呢，based，based on 这个分析的时候呢，那其实它就已经即刻在现场的客人下单的时候呢，那就已经可以帮到他有一个这样的 decision 做出来了。那这些就是我们的本身那个 look 怎样做的，raw data，跟着 data preproc- eh，preprocessing 啦，analysis 啦，跟着 deploy 了到我们的系统上面去了。那跟着经过这个这样的，呃，本身软件上面的 flowchart 啦，决定回它那些 mix 几多 percentage 的那些这样的情况啦。那在时间上呢，和准确度呢，有了个 AI 系统的时候呢，本身一个，呃，要，我们要决定由 opening 啊各方面的东西，之类之类的东西呢，sp- uh，spending decision 啊，要成三十分钟左右才可以做到决定，因为要开开，要看一看啊，做不做到的。那用了 AI 系统的时候呢，我们都很少会将件衣服开开来看的，那就直接用个 AI 做 decision，十分钟就做完所有东西，就做完 data insert 啊，就那件衣服，给回多点资料啊，那这个直接是 AI 帮到手要做些什么的。那另外，那就当然要牵涉到成功率了。那以前呢，其实会譬如我们做，呃，拿了其中，呃，之前有，呃，四十九件衣服的 case，里面有三十件衣服呢，是 fail 了。Fail 的意思就是说，不是，它不是真的做不到件衣服，做完衣服之后呢，发现衣服织出来呢，有些小洞在这里，那其实个客都 OK 接受到的，但那些小洞对于我，我们来讲呢，都是一个 mistakes 来的，那我们就说一个叫做 fail case 啦。那这些小洞是产生一些什么呢？就是纱线的强度不够啊，它在织，针织的时候呢，就会拉断了。那所以呢，我们做到这些 case 摆了进去之后呢，那就，呃，deploy 了一个新系统的时候呢，个 case 呢，就原本由可能，呃，呃，得五十，呃，有五十九个 percent 会，呃，fail 了啦。那去到，落到那个新系统里面呢，那就有二十，一百零五件衣服里面呢，就有二十二件衣服呢，就会 fail 了。Fail 了的意思就是有些小洞在这里，那都做回件衣服出来的。那就变了我们大大呢，就 improve 了。那这个就是个 AI 的系统帮到手了。那其实，呃，个 AI 系统还有个好处，因为个系统做出来呢，它会不断地有个数据，它自己 learning 嘛，那它会继续优化啦。那变成其实个好处就是说，我不是做完一次之后 one off 的，如果你靠人的话呢，可能每次都会有人去 make 个 decision，可能会 make 啱，make 错，这样可能都一直都 keep 着，但至少五五五五，我们叫做五五开啦。那如果给个 AI 去做的话呢，那就会，呃，for，呃，个准确度以及可靠度就会高很多啦。那这些这样的技术呢，那正正呢，都是对这个，呃，回收来讲呢，非常之重要的。因为回收其实面对的问题呢，就是刚才讲了啦，欧洲是打算超过六成或以上的纤维可以回收再用的嘛。如果你没有一个好的 AI 系统帮你去，呃，分析，怎样每一次有一批新的单出来的话呢，那你怎样去决定的话呢，那你可能个成本会很高的。那如果 AI 就帮到你，就是刚才讲的那个 opening 啦，如果我们将那个技术，其实都有同一些，呃，厂商谈，就会将这个 opening 的技术直接 apply 在他的机器上，那他直接决定究竟要 open 多少次，那就可以解决到他们的，呃，fiber 过，呃，开得太多啊，或者开得不够的问题了。又或者就是，呃，在个数据分析上面决定了，已经本身已经大致上已经知道，虽然他本身的客户已经有特定的要求，但是个，它系统都会给到些 decision 告诉他知道，机的参数怎样做，可以做到解决到他们的问题啦。那这个就是我们其中一个关于 G2G 那个，呃，project 上面的那个营运了。那，呃，个 project 其实就完了的啦，那2018年去到2025年，那所以，呃，大家如果对这个 project 有兴趣的话呢，那以前我就会，呃，建议你们可以去全马我们的 workshop 看啦。那如果你们现在对这个关于 project 有各方面有兴趣的话呢，你们可以全，随时联络回我们的 center，我们可以给回多些方面的资料给你啦。好了，那讲完关于一个，呃，刚才讲关于怎样利用 AI 去 support 那个纤维，怎样可以令到它开得好点啦，令到那些，呃，呃，和数据分析可以帮助成功率那个改善之外呢，那另外就是另外一个，AI 那个 sorting 的技术方面了。那刚才讲了啦，你们回收的衣服，其实有些回收商收回来的时候，其实是各式各样，什么情况的衣服都会有的。它可以是，呃，纯棉啦，可以是，呃，涤纶啦，你们运动衣服通常是涤纶啦，那，呃，有尼龙的 jacket 啊，风衣啦。那通常回收的衣服回到去，呃，一个回收的，呃，中心啦，他们是一个 big，包含了一堆的衣服在里面。那欧洲或者印度大陆的做法都是传统的做法，都是有一堆人走过去，将那些衣服靠他去分咯。那如果你们去过，有机会见过有些，譬如好像越南啊，或者其他地方，他，呃，大陆的呢，他分，怎样分那些衣服是涤纶啊，还是棉呢？拿个火机，一拿个火机出来烧一烧，看看它究竟个火是即即熄啊这样。那搞不定啊，我，还要在厂里拿个火机，不行啊，我们整个厂全部是纤维啊，那不行的嘛。那所以呢，我们其实已经在，呃，大概，呃- 四年前左右啦，那就研发了一个叫做用高光谱技术，那就去分析究竟什么。高光谱呢，是一个技术呢，可以就这样透过反射那个红外线纤维呢，那就反-反射那些红外线的光谱呢，已经大致上知道它究竟是纯棉啦，呃，涤纶啦，呃，还是其他的纤维。这样就可以帮助到那个在材料分析上面呢，这样就做到了。另外呢，我们都会做了另外一个影像系统呢，就可以知道那件衣服拿起来的时候呢，究竟那件衣服究竟是 T 恤啊、 jacket 啊、裤啊，这样东西的。那么这个都对这个成衣回收上面呢，都有很大的好处。因为其实在欧洲的例子呢，譬如举个例子就是说，有个客人可能同一间回收厂讲，你给一吨牛仔裤我，跟着呢，那间厂，传统的厂呢，就会有些工人走，他就在那个，在那些垃圾里，Sorry，不是垃圾，回收衫里面呢，就捡回他们所需要的牛仔裤去做。那，呃，如，未有可以影像分析究竟那件衣服是不是牛仔裤的时候，那怎么办呢？第一次有这个物料的时候呢，或者颜色呢，那个系统呢，就会，自动系统就会认，究竟有多少件是蓝色的，就当它是牛仔裤啦。那就，呃，denim 的颜色，那就牛仔裤，这样去分啦。那其实那个误差，都会有一定误差，因为其实有些 denim 的颜色，可能蓝色、深蓝、灰那些，有很多其他。那我们的影像系统呢，那，呃，已经，当时就已经可以做到，究竟 pick 一件衣服呢，它会大致上知道它是裤啊、T 恤啊、衣服啊，那些的情况。那我们培训的时候呢，总共会有，呃，二十七个不同的种类耶。但是如果讲准确度要很高，超过百分之九成以上的话呢，我们会有五类，四至五类呢，是超过，呃，九成以上的。那就可以大大，呃，帮到，可以减省到那些人手去做各方面的事的啦。那但是，只是单单做这件事是不够的，因为其实呢，赚-赚钱是很难的，你做回收衫的话。其实买二手衫呢，是会反而最帮到忙的。那所以刚刚我们过去那两年系统集，呃，我们公司集，呃，中心集中在研发什么呢？就是件衣服一放进去系统的时候呢，究竟 check 那件衣服里面有多少的 defect，有没有那些黄色渍，有没有那些洞啊，或者它的 logo 是什么啊，有没有回收价值。那针对这个 project 呢，其实我们已，呃，已经差不多完成了研发的系统，我们同一间本地的回收的品牌，它是专门做 resell，做 business 的。那我们和他合作的时候呢，他每个月大概给七、八千公斤的衣服给我们啦。他告诉我们，这些衣服是 down cycle 的。另外，他另外再给一些衣服我们，是一些叫 up cycle，即是可以回收再卖的。那我们透过 AI 系统要学它，影像分析，本身这些衣服如果是 down cycle 的话，一定有，上面有 defect 的嘛。那它在上面学它的 defect。而有其他他觉得没问题，可以 resell 这些衣服，我们就要拿回一个 sample。因为不是，不是没有 defect 的衣服代表可以 resell 到。因为其实你买一件衣服决定它有没有 resell 或者 donate 呢，那是一些人的，就是有些 knowhow，或者其他不同的厂商里面呢，都有一些不同的意见。因为譬如他买的衣服，譬如有一件，如果纯正品牌呢，是不行的。就是你，呃，H＆M，哦，这里不是，一些标签，不要以为 Adidas、Nike 的衣服一定会有人买。其实 H＆M 有一些特别的衣服呢，一拿出来呢，你觉得这件衣服 H＆M 想着没机会用，欸，那个，那个款式挺特别的喔，其实已经可以做二手。那么 AI 呢，都要学会这些这样的人的分析去做的。那首先我们的系统呢，第一件事就会 check 回它的那个 logo 啦，它的 design 啦，和它的，呃，那些，呃，cutting 啦，以及它上面有没有一些 strain 啊，有没有 peeling。Peeling 呢，是一种很直接的方法，究竟分辨件衣服是新还是旧的。譬如举个例子，如果件衣服穿得越久呢，任何一件衣服 peeling 最多的位置是哪里呢？领位。没得骗的。你外面的那些位置呢，就代表你背个袋，背得多不多而已。那其实呢，所-所以我们的 AI 系统呢，我们会针对 check 领位，是不会错的。衣服穿得越久的话呢，领位是一定会出 peeling 的。那出 peeling 的话，很简单，一出得 peeling 的话呢，其实都没什么机会会有二手价值。我们会选，就算没有洞洞，都会选去 donate，会比较多点的。那起码衣服可以穿得回，但是你不会有二手价值，不会浪费了商场位置啦。那所以我们会集中去 check，呃，领位的那些 peeling 啦。那以及领位也会 check 到它的 logo 啊，各方面，banding 啊那些东西。还有那些纽扣啦，纽扣其实烂了，不代表不可以二手的，因为其实烂了件纽，那就 trim 了它，换回件新纽都用得的嘛。只要衣服不是一些大的损伤，或者最 concern 就是，呃，yellow strain 啦。如果有黄色的渍的话呢，是不可能放进去二手市场，因为那个是和潮湿有关，有些渍在那里，你不会有人用，亦都不应该给人用。那所以你会集中这三方面做比较多点的研发啦，测试系统。那这个就是 yellow strain 啦。那 yellow strain 呢，其实我们要做这里的时候呢，我们都要考虑了很多的方案，我们包括用了 UV 灯啊，各方面的，R，呃，IR 的技术啊，看回都是 yellow strain，它的难点就是，如果一件，你想一下，一件浅绿色的衣服，里面有 yellow strain 呢，我要做影像分割的时候呢，是很容易有误差的。所-所以我们都会加了一些，呃，UV lighting 的 support，或者油渍啊各方面呢，其实会容易一些，很显然容易一些。呃，包括 RGB 镜头啦，UV 的 lighting 啦，那样会比较容易些分析那个究竟是不是一个 strain 啊，或者油渍啊，或者那些 pattern。那所以呢，呃，基于这个技术呢，我们基本上最难做是做什么呢？你们有没有见过一些扎染的衣服？扎染的衣服呢，又要分到它有没有 yellow strain 呢，其实一个，如果没有人工智能是搞不到的，因为扎染的衣服本身的颜色都是不- 周围都什么都是的啦，还要在里面分 yellow string 喔，咁所以是很难。咁我们现在的系统呢，我们可以要在杂染上面都要分到 yellow string 的。咁跟着就会到 peeling 了。peeling 呢，其实在镜头上影呢，如果在实-实验室里做的时候，拿着逐块逐块布就很容易看啊，你这样手摸就摸不到的啦。咁但我们的系统大致上要三秒内就要辨认到它有多少 peeling。咁所以在前处理，影像前处理方面呢，我们也都加了很多这些，呃，edge 的法，呃，edge de-detection 的新的 method 呢，去拿回那些数据出去做的，咁就解决了一个 peeling 的问题了。咁最后尾了，咁啊时间关系，咁我就 show 一条片，这个在我们，呃，一个，呃，我们在将军澳的中心啦。咁我们就这样，这件衫摆下去，挂到系统里面，咁它就研发人员就，呃，按个键，件衫走去的时候呢，咁它另外后面那个，那个机台呢，就其实信号就会更新，就显示了它上面有哪些位置，那个 logo 是什么啊， defect 在哪里啊，peeling 位置在哪里啊，yellow string 在哪里啊。咁这个就是我们已经，呃，那个 project，因为9月，上9月完的了，咁我们的个，来，今年9月完的。同它会分到这件衫究竟是属于 Type 1 还是 Type 2。标签上面有个叫做 GCI 的一个 index，GCI 呢，我们就叫做一个叫做，呃，可以回收重新再卖的一个 index。如果 good，呃，去到11呢，那个分数呢，是很低的，根本就不是100了。11的话是，件衫基本上是只可以 downcycle，将它拆散去重新再做啦。咁所以它写着是 Type 2 的，Type 2 就是说 downcycle。如果 Type 1 的话就可以 resell 或者 donate 啦。好了，咁再另外一条片就是这条啦。咁我 show 一条，你这里呢，就见到呢，这个本身是一件杂染的衫来的，其实它已经三秒内呢，就显示了它，框住了它究竟有 peeling 的位置在哪里啦，呃，哪些是 broken hole 呢。见到杂染这个位呢，其实呢，如果肉眼上就这样望镜头也未必分到它是 broken hole 还是什么，因为我们有加了 UV 系统呢，其实容易点望到的，咁就要分析到的。咁这个就是很短的时间内，你会见到我们的研发人员呢，其实就是好像教授所讲的，其实只要配回一个 hanger 的系统呢，件衫是不停地 feed 下去的。咁我们在想那个系统同外面欧洲，其实接下来今年6月，呃，6月尾呢，在，呃，比利时有一个很大的叫做回收展呢，咁我们也同当地回收商会推进一个这样的系统的。咁要，呃，回收的人员将衫 pack 在一起，挂在个挂架上，用回那些 hanger 系统，行进去的时候，咁它不断地，那件衫呢，不断地 feed 入去，feed 入去，咁件衫就会告诉你们，究竟它有哪些 defect，有哪些位，跟着出回究竟件衫究竟可以重新再用啊，还是，呃，重新再卖啊，还是要 downcycle 啦。咁这个就是那个系统啦。这个比如有件 Polo 恤的衫啦，它都会很快框了它究竟 logo 在哪个位置。一，我们也收过很多衫呢，是，呃，Burberry、Polo 那种。其实呢 Burberry，其实 Polo 那种，其实有一点 defect 呢，都有二手价值的。咁所以我们要框了它 Type 1 呢，咁都会 make 回 decision，去给回它，去摆回另一个篮，去回收再用咯。咁大致上呢，咁，呃，这个呢，就是我们选了，呃，集中在关于可以，呃，制造方面重新再用的关于，呃，将来怎么可以令到 manufacture 帮到，可以赚到钱，因为最重要赚到钱，赚不到钱的话呢，你回收行业很难会继续可以 sustained 下去的。咁就多谢各位，看看大家有没有其他问题想问呢。

多谢 Raymond 精彩的分享。如果各位有问题呢，现在都可以举手提问。如果没有呢，咁我们可以完这个会之后呢，再，我们有时间再同 Raymond，呃，继续聊啦。多谢。[掌声] [片尾音乐] Find out more about us at www.hkreta.com。

刚才我们有学者啦，研究员啦，去分享 AI 的发展。来到今天我们最后一位的讲者啦，我们非常荣幸邀请到，呃，Style3D 首席营运官陈恩平先生 Alvin，为我们介绍一下 AI 和 3D 技术的产品创新之路。那，呃，Style3D 其实是一间，呃，科技推动的创新企业啦，那通-透过先进的 3D 技术呢，和人工智能解决方案去重塑回时装产业。那，呃，Alvin 请。

OK，呃，Good afternoon, everyone。I am，呃，Alvin from Style3D。I am the CEO of Style3D，in charge of the，呃，global strategy in this company。And I have been serving for this thing for around seven years。呃，so for，呃，you know，呃，because I want to ensure I explain more precisely，so I will explain in Chinese if that is okay。Okay, cool。So，呃，today my，呃，今天我的主题呢，就是还是我们底层，因为大家都知道我们公司其实是做仿真起家的，然后刚刚跟刘教授讲的很多是比较有关联，我们做的其实就是变形体的仿真，deformable。那主要是两类，一类是人体，对吧？第二类其实就是 fabric。那 fabric 相关的产业呢，基本上就是以我们的这个 fashion 为主，然后也有 home textile，也有包括这个汽车内饰。那我今天讲的核心的方向还是讲，呃，涉及到开发这一端，因为坦白，坦白来讲，在，呃，我们说这个版型出来以后怎么样去做制造这个领域，其实我们不是专家。呃，我相信刚刚像几位 professor 他们讲的，他们是专家，或者杰克啊，他们是专家。我们更多的做的事情呢，我们说有三端，一端呢，就是我们的营销端，那第二端呢，其实就是我们的设计开发端，end to end，就是 from inspiration to pattern generation，就这个是我们做的这个，呃，端到端的这个地方。那第三个地方其实就是我们说的这个偏这个，呃，我们说还是偏这个开发的这个领域吧。然后我们公司其实一直在做仿真啊，就差不多是十年了。那，呃，最-最-- 就以前可能我们说做仿真跟现在，现在讲这个，呃，世界模型讲的这个仿真还是有区别的。现在的仿真已经变成了一个更大领域的一个 topic。那以前讲的仿真本质上就是说我们把很多物理世界，物理世界的这些参数可以通过一些方式把它我们说映射到我们的虚拟世界，或者我们的数字世界里面。但现在自从我自己的感觉，就自从像英伟达等等，大家开始在炒作物理 AI 的这个概念以后，这个仿真就变成了更大领域的一个范畴。因为比方说就拿刚刚刘教授讲的这个机器-- 泛机器人的这个领域，这个仿真已经变成了从简单的我们说 CV 方向的视觉到了触觉，到了味觉，甚至到了其他的一些感官上的东西。所以现在这个仿真这个 topic 会非常非常大。那我们这家公司呢，其实因为是做这个图形学起家的，我们里-里面所有的做算法的同学，其实基本上全是做这个图形学跟 CAD 的。所以我们所-所谓的仿真呢，依旧还是比较偏这个物理参数的一个仿真，啊，就物理概念的是这样。那现在呢，其实可能我用一个更简-简单的单词来表达，就我们想做的事情其实有三个 label。第一呢，就是我们一直在讲的就是科技跟人文啊，就像 Steve Jobs 讲的，就科技必须需要跟人文学科有交叉，才是一个有巨大商业机会的事情。那可能很多的外界对 Style3D 的理解也是一家在 fashion 领域服务的很好的一家科技公司啊，这个是我们其中的一个 label。那第二个呢，其实我们做的是 3D 加 AI，那这两个技术我等一下会解释啊。这两个技术它的特点是完完全全不一样的。那我们底层做的很多的智能体也好，还是一些工作流也好，就本质上它是 3D plus AI 啊。第三个还要强调的就是我们做的事情还是偏我们说虚拟 AI 跟物理 AI 的这个交汇处。怎么样理解这个事儿呢？就是我们自己觉得，就是慢慢地像从22年啊，就是这个 AIGC，就是开始，就是 GPT 出来，ChatGPT 出来以后，其实整个虚拟 AI 感觉到了今年，到了明年，无论是大语言还是多模态，其实我们感觉热度是稍微有一些下降的。那未来大家会去炒作什么热点，基本上就是物理 AI，因为这个就是一个更散装的、更包罗万象的一个概念。所以我们做的这个 integration 基本上也是围绕虚拟 AI 跟物理 AI 的。所以我觉得从两方面来讲，一方面就是我们看我们的产业啊，纺织服装这个产业，就是我右手这一侧，就我们觉得其实这个产业未来的分化是非常非常明显的。就第一类企业基本上就是以，呃，我们有几类讲法，一类，一类我们说叫感性品牌跟理性品牌，就无论是衣食住行慢慢地都会有这样的分化。那第二种叫法呢，像国内也有一个叫法，我们叫动能品牌跟势能品牌。当然我们还有另外一种叫法，就是一类是依旧是以人驱动的，就设计师驱动的一类品牌。第二类呢，其实就是 data 驱动或者 AI 驱动的品牌。而且这个分化的趋势越来越明显。那以哪些公司为代表？比方说以 Shein 为代表。简单来说，在它里面就是一个非常非常用软件构造起来的一个 systematic 的这么一个 system，包括它的供应链，包括它的设计，包括它的开发，包括它的这个 order testing，它的测款是这样子。 对吧？这一类品牌原则上未来都会成为主流，就未来是一个，用我的话说是一个 SKU 爆炸的时代，就会有非常非常多的 SKU，大家会去做策划，做 testing 等等一系列的这个动作。第二类呢，还是会有小部分的市场空间给到我们所谓的这个感性品牌，以人驱动的品牌，比方说以这个 Chanel 啊，或者国内像以什么江南布衣啊这样的品牌为主，他们依旧可能还是非常 rely on 这个设计师。那设计师呢，他本质上也需要 info，对吧？他比方说去刷这个 Instagram，或者他去看那些呃，秀场等等诸如此类的。所以产业的变化我们觉得非常非常确定性的，就是一边是 fashionable player，另外一边其实是 technology player，啊，这个其实是很确定性。那再看回我们 tech 这一侧啊，tech 这一侧一方面我们看到，就大家对 AI 的 forward 的情绪是非常大的，就无论是我们的一些，呃，就我们说一些传统行业也好，非传统行业也好，怎么样用 AI 去改造现在的 process，其实这个变化会非常非常快。第二个呢，就是我们说现在 AI 的概念，从刚刚说的 AIGC 到 AGI，到 Agentic AI，到物理 AI，到巨生智能啊，其实短短几年的时间，我觉得有两个观点，第一个就是 AI 一定是在往就是智能体的方向在发展，这是其一。第二呢，其实很-很明确的一点，就是，就是它跟我们的产业的结合度是会越来越强。所以我们看回过去的商业机会，从大模型慢慢地其实到 coding，对吧？然后现在第三个热点其实是泛协作的 AI 智能体，就比方说飞书啊、Slack 等等这样的一个产品的形态，或者我们的 HR 的 SaaS。那第三个热点呢，我们的去-- 我们的这个，这个认知，可能它就会 apply 到 fashion，因为 fashion 是一个最大的垂直行业，而且它对 AI 的这个容错其实是会比较低的。相比于 automotive，相比于其他的 aviation 等等很多其他的行业，其实 fashion 是一个，大家可能觉得我的衣服要 accuracy 要做得非常的好，其实不是这样，其实本质上这个要求没有，没有那么的高。所以我们觉得可能这几年慢慢地 fashion 也会成为，就是 Agentic AI 落地的一个非常大的应用场景。啊，所以那这个我也不说了啊，我们很多做 AI agent 的，呃，这个，这个公司其实大概也都知道，基本上就是最早这个 concept 就是两三年前 Anthropic 提出来的，就是怎么样去构建智能体。本质上它有两个事儿，一个就是我们说是 context engineering，对吧？这个是一个核心，就你的智能体做得好不好，类似于像 Starclaw，类似于像这个，这个 Manus，类似于像 LlaVA，基本上它是在，呃，这一块应用的一个典范。第二个呢，其实还是表达了，就是它解决的其实更多的是一个交互，它底层的 data infra 其实不会有太大的变化，但是它会改变很多的交互。比方说从 Manus 到今年的 Open Cloud，其实本质上它改变的是人机-- 机器跟机器的一个交互的范式。当然现在可能 token 的调用啊，目前还是会有很大的这些问题，比方说我解决一个比较简单的问题，可能它会去到--调用大量的，就是这个 useless 的 token，然后会甚至这个，这个，这个，这个 ROI 会非常非常低，但是我们觉得这个范式其实已经是被彻底地改变了啊。所以这个也是我们，我经常会分享的一张，一张图表，就是到底 AI 的商业机会在哪里？从最早的可能我们说 GPT 开始火，就是我们说有点像这个自动驾驶，从 level one 到 level five 一样，然后到 coding。啊，2025年年初，可能大家觉得 AI coding 的成熟度只有六十分，到了现在，其实对所有的做这个，这个写代码的同学来讲都是人手一套啊，Codex 或者其他的这个产品等等。到了现在，其实就是 Agentic AI 在每个产业，在每个应用场景落地的这个阶段，那再往未来可能是更多的，我们说这个 robotic 等等等等啊。然后看一下我们是做什么的啊，就基本上我们做的还是叫一个 AI 加3D加 AI 的这么一个方向啊，从设计研发到开发，然后到影像。这个 demo 其实我们是在2023年做的，但其实我发现就是它的整个用 AI 集成的这个怎么说呢，呃，这个应用的方向，就2023年到现在其实是没有变化的。那变化的是什么？其实就是 accuracy。就简单来说，每个品牌都会跟你讲，我需要我的 AI 去知道我的 DNA，我需要用我的 AI，可能说得直白一点，更好地去抄款，对吧？上次我去 TRB香港，他就跟我说，他说我说我现在有 AI 这个 agents，然后他说怎么做，他-- 然后我说你，你需要我怎么样地做 live demo，然后 TRB的这个 designer 他就跟我说，这样你去 ZARA 里面，然后抄一个款下来，然后我就需要相应的 style 跟相应的 pattern。所以现在的整个 fashion 本质上它就是，就是这么玩的，这就是一个通用的大量的需求。所以他们想要解决的其实第一就是还是 accuracy，就是怎么样的这个，比方说我的款式图设计出来以后，到版型的这个得到，还是尽量地 ready for production，或者说尽量地可以符合我的组货的-- 商品组货的这个要求。啊，所以这个就是我们另外的就是现在在 AI 这一块，结合我们就我们核心的一个建模软件啊，去年，去年发的它的九点零的版本，然后我们就用很多 AI 的功能去强化了它很多的模组。就简单来说，我们传统的类似于像 Adobe 这样的就是软件，它其实背后都可以集成很多 AI 的能力来加速这个，我们说这个 create 的这个过程，包括去降低这个门槛。 然后包括它的呃，图案的生成啊，辅料的生成，面料的生成，然后包括它模特的生成，面-- 脸的这个，这个，这个外形的这个生成，都可以通过 AI 去做这个快速的控制跟得到。包括这些是工艺啊，因为我们觉得可能 AI 很多时候的问题，我们经常说的多模态的 AI、Gemini 等等，它是懂图，但是它不懂布，对吧？它也不懂服装。所以本质上我们做的应用方向其实就是需要用 AI 怎么样更懂布，以及说 AI 怎么样地去懂服装啊，这个是我们核心的这个 research，包括应用的这个方向。当然因为我们本身也做打堆牌、打板啊，这个，这个，呃，这个排料啊，包括推码啊等等 grading 啊这些，所以我们也会把这个 progress，这个 process 整体地集成到就是你 pattern 出来以后，后面怎么样对接裁床的这一部分。然后包括对于品牌来说，它得到了一个 single asset 以后，怎么样去做 mix match，去做 BND。那随着我们的持续的推进呢，我们在去年也衍生出了一个另外其他的业务啊，跟-跟刚刚跟刘老师讲的是有点像的。那等一下我会解释为什么我们从去年开始去这个进入整个......呃......我们说这个机器人这个泛化的这个领域啊，包括机械臂，包括人形。其实这里面看的就是一个简单的动作，不同的这个物体交互，但是它其实是一个不同的泛化的场景，就无论你是光线的变化，还是里面的胶着的物体的变化，包括它的动作等等，包括它无论是夹爪还是云挑手等等。所以这个 SynReal 呢，也是我们在机器人领域里面孕......这个，这个孕育的一个新的牌子。那结合我们在柔肌仿真的这个......呃......江湖地位吧，就是我们也是英伟达在 deformable 就变形体，solver 就是变形体的这个求解器里面的唯一的一家商业公司。那第二家其实是北京大学，第三家是CDH。啊......去年这个 GTC 的时候，其实英伟达会有展出。那刚刚那个机器人其实就是宇树的那个，它的这个就本体加上的黄仁心的那个衣服的模拟做的一个展示啊，在去年的 GTC 有展示。所以基本上我们已经形成了几大业务模块啊。Fashion 其实依旧是我们可以说是最成熟的啊，我们其实刚刚礼拜四、礼拜五也是刚刚在杭州举办了大概1300人左右的一个针对于 fashion 的 fashion tech 的这么一个行业会议啊。香港其实也有很多人过去，像 BRB 啊、Puma、欧特华，然后包括像很多我们这边也有在啊，就我们香港的有些 OEM、ODM，包括像理工大学的老师啊等等，很多的其实都有去我们这里。所以 fashion 我们在这里已经服务了超过2000多家企业吧，国内国外。第二个就是电商啊，因为电商天然就对无论是跨境还是国内，它天然就会对我们说这个 AI snapshot、AI 上新有一个天然的这个诉求。那杭州大家也知道是电商之都，对吧？所以我们 anyway 跟场景是非常接近的。那第三个呢，其实就 CG 领域，就 animation，那这里，这里其实有三大板块，第一是数字人，第二呢其实是游戏的皮肤啊，第三其实是番剧，就是怎么样类似于像《哪吒》这种电影。那为什么要做这块？比方说像 Nike，像 Dior，Dior 他们还是会有一个部门，他们叫 immersive designer 交互设计师。交互设计师是解决什么问题的？就是把我的衣服最终穿到《王者荣耀》，穿到《堡垒之夜》里面。因为我觉得像 Nike 这样的企业，他们都——我去年波特兰我也去了三四趟，他其实想得很清楚，他觉得10后的这些小孩未来的消费就是在游戏里面，他们会买大量的皮肤，对吧？大家都知道《王者荣耀》里面你，你花的主要的钱都是在买皮肤，所以他们需要把他们的资产，无论你是做 PR，还是你真的要做线上跟线下的对齐，都需要把这一块应用到这个我们说 CG 这个领域。啊......所以 CG 这个领域我们是在2022年开始孵化的。那第三呢，就是我们从去年开始孵化的做机器人的板块，那底层呢，还是我们说我们底层的能力啊，soft line simulation、渲染，然后包括 CAD 的技术，包括 AI 的技术等等。这个我就不说了啊，这个就是我们——其实我们在 CVPR 这个啊，我相信像刘老师应该很熟的，我们在 CVPR 这个基本上会已经发了超出50篇的 paper，超出50篇的 paper。大概每年我们在......呃......SIGGRAPH、CVPR，包括 NeurIPS，每年大概我们会有10篇左右的 paper。这个在中国我相信是不大有的。啊......现在 Nvidia 他们在 SIGGRAPH，当然这个也不是他的主要的事情啊，他主要还是为了炒股，对吧[笑]？但是他每年在 CV......呃......在，在 SIGGRAPH 的话，每年的 paper 大概是在30篇左右。所以我们在整个 simulation 这一块，我相信的确做得还是......呃......相当的不错的啊。然后这个就是我想讲的，就是我们在纺织服装领域啊，包括其实很多其他领域都是这样子的，就是他们可能可以去做很多 AI snapshot，啊......可以去做很多的 B2C 的......呃......customer service，啊......他也可以去做很多的 inspiration to style creation，但最终他跟生产这块其实是断的，对吧？因为你所有的行业，至少目前为止，我们还是要谈，还是要聊这个实现 fulfillment 还是比较重要的。所以我们基本上就是围绕着这个方案在构建，就是一方面我们需要建设一个 bridge，就当我得到我的款式以后，我通过我们叫 AIGS，就是 generate pattern，generate style 去形成你跟色卡 包括，呃，面料，然后包括版型之间的这个 bridge。那第二个基于那个，我们再来，再来形成我们 enhance 的这个，我们说这个 marketing material，然后用这个东西去做你线下的，比方说订货会，或者门店的营销，或者线上的这个 e-commerce。那这样的话呢，我们觉得它才是一个同时兼顾了创意，但是同时又能兼顾 production 的这么一个方向啊。因为这两种技术本来其实我相信大家其实这里面很多都是专家，其实都是知道的。对3D来说呢，其实它最大的好处就是它的资产，我们说可以说是对机器人来说是 team ready 的资产，对吧？第二个，对我们做生产的人来讲，3D的资产它其实是就是 one，one to one mapping 到我的具体生产的这个物料的，这个我觉得是3D最大的价值。但3D呢也会有它最大的问题，就比方说我们说也[背景人声]这个技术其实两千年左右就有了，对吧？很多的以色列人等等一些大学在那个时候开始做，但是它到15年的时候才开始变得更 popular。像这个 Target，像 Walmart，像这个，呃，那时候可能像这个，这个，还有很多的 outdoor的，outdoor的那些牌子，像 VF 啊，像这个 Nike，还有像 PVH、拉夫劳伦等等。它也就到二五年才开始普及，但普及在疫情以后，这个市场是一下子就上去了。当然我们公司也说白了也是有这个运气啊，就疫情以后大家就开始用3D在做 collaboration，那我们也做了很多的客户。但是疫情以后呢，到了二三年、二四年，3D的市场其实就，就这个上涨的速度其实就开始放慢了，因为本质上就是因为这个技术本身它是有门槛的，就不是说是这个我是一个个体户，我都可以快速地去构建这个资产，它还是有个 ROI 的这个问题，对吧？然后第二个呢，像 AI 大家都知道 AI 其实是一个概率模型，它本质上虽然说是 GC，但其实本质上在我理解目前为止，它所谓的真正的这个 create 的这个能力还不是那么强啊，更多的它其实是一个我们说结合它学的这个字典，结合它的字典来推断出最大概率有可能是一个什么样的这个结果。所以它的好处可能是比较容易得到，对吧？比较简单，门槛比较低，但它比较大的问题也是在于它的可控性、延续性，以及说怎么样地跟我的交互物去做关联。所以我们的底层逻辑呢，就是把这两个技术的 advantage 跟 disadvantage 去做一个 balance，最终形成我们的智能体，去服务于我们纺织服装或其他产业的一个那个什么。然后为什么刚刚说机器人那个领域我们要去做呢？因为机器人，我相信这个刘教授也比较了解，就机器人里面其实它是我们说有两块啊，一块叫幻觉，一块叫现实。就吹牛的同学就一直在吹牛说啊 VOA、世界模型、反正合成数据等等等等啊，这个大脑训练什么等等，但是他卖的东西，像语数资源，大家都知道现在国内的这个机器人的出货量大概是占了百分之八十啊，语数加资源机器人，但他们实际卖的东西其实很多都是预编程的啊，所以我们要很分得很清楚。虽然像很多头部的客户都在讲，啊，我这个是用，呃，我用这个 pipeline 去做我的大脑的训练，我用这个方式去解决我小脑的运控问题，但本质上很多东西都是打广告啊，我们要很清楚。第二个，的确它是一个很大的行业啊，国内其实经常说一句话，就是机器人行业是手机的数量乘以汽车的价-单价，所以这个产业的确是很大的，是国家出口新三样。啊，简单来说，第一是光伏，啊，那光伏基本上现在已经是趴下了对吧？第二是新能源车，那新能源车大家也看到不断地有新能源的这个汽车公司开始破产，那本质上它也是到达了对它的这个，这个，这个边际。那第三个国家想拉动，无论是中国还是美国，就是5G啊，就是机器人。所以这个是中国跟美国的国家意志。就无外乎大家也知道里面有 bubble，但 anyway 里面有很多钱，也有很多的人才，是这样。所以我们做机器人一方面是为了解决我们说机器人数据这个训练的泛化的这个问题；第二个也是解决刚才像刘教授提到的，我怎么样从视觉，从 CV 到交互，对吧？也[背景人声]的这些产品，我的皮肤，我的手。现在主要的应用大家都看到还是假爪，对吧？那现在有很多零巧手的公司，那这个零巧手的公司怎么样跟具体的这个物体去做交互，这个就是离不开这个 simulation。所以我们这家公司去做这个机器人这个行业，我觉得也是非常的顺其自然的。所以我们基本上就是有三类产品啊，第一类就是我们用 AI 底层这个做好的这个产品，第二个就是我们说像很多的，呃，digital asset management 跟这个 AI 的白牌啊，然后包括很多的智能体的 measures。那基本上回到我们这个行业，我觉得基本上就是几个问题吧，就未来拼是拼什么？第一一定是设计能力，第二是我们说商品的主获的能力，第三就是我们 AI 运营的能力啊。现在大部分，呃，因为 AI 的整个应用在国内其实是比较快的，那我觉得大部分现在大家已经在 AI 应用上形成了三个方向啊，我自己觉得还比较清楚。第一就是 AI 怎么解决我产品的问题，就我的 SKU 多快好省，我的 SKU 爆炸的时候，我的 accuracy 怎么做到，这个是一个最最 fundamental 的 competence，对于所有的 fashion brand 来说啊。第二个，其实他们解决的是 AI 的流程再造问题，就很多的企业的内部流程、客户服务流程，我的 OA 协作流程等等一堆很多的流程，大家都觉得可以用 AI 再做一遍啊。第三解决的其实是一个 AI 的 compliance，就是这个，这个法务啊，合规啊等等，很多东西大家都知道，现在律师包括很多的咨询啊，其实现在都比较难找工作，因为说白了就是很多通过智能体就解决了这个合规的这个问题。 所以我相信在传统行业这里面基本上已经形成了这样的一个应用方向。那我们这家公司呢，主要还是解决前面的那部分问题，就怎么样解决我可以做出来更好的产品，那产品变成商品又会有其他问题，因为产品就是产品，如果你要变成商品，就是会有你的核价，对吧？会有你的怎么样跟你 consumer 的这个匹配性、accuracy 等等一系列的这个问题，包括组货啊，包括我怎么样的每一季的它的这个我们说叫售罄率啊，动销率啊。所以基本上我们解决就是产品到商品的这一块的问题。当然在生产制造这一块，这几位 professor 都是专家，我们可以合作，我们可以成为你的 seller，帮你去卖货，是这样。所以我们整体上觉得大-- 这张大图就表达清楚了，就是现在的行业的一个 upstream 跟 downstream 的一个玩儿法。那我们公司呢，基本上就是从面辅料开始，就是像 YKK 啊，像很多的这个，呃，就是 Pacific Textile，就很多的面料企业开始，然后帮他们去服务他们的开发，服务他们的 trading，帮他们去服务他们的 OEM、ODM 的 collaboration，然后又帮 OEM、ODM 去服务他们的 buying office，然后又帮 buying office 去解决他的 merchandise planning，包括他的设计，包括他的 B2C 啊。大概我们就是在对于服装行业的这个应用，我们基本上就是在这个范畴了，然后里面会有不同的产品组合。那基本上我们的价值定位就是三块，第一就是我们在刚刚说在设计端怎么样变得更高效，这个问题其实现在我觉得是很难回避的，因为大部分的老板在应用这个工具的时候，其实他们会非常直接，就我设计师能不能少三分之一，我的版房的规模能不能缩短一半，虽然大家不爱听，但这个是真的在发生。就像 AI coding 一样，现在原来的程序员，我-我相信这里应该也有会做 coding 的同学，原来我没有 coding 的-- AI coding 工具的时候，可能我一天能做三个实验，但现在有了这个工具以后，我一天能做三十个实验。所以现在就是 coding 这个东西，对于我们很多 junior programmer 他们带来这个巨大的 impact 是这样子。那我们就觉得对 fashion、对 design、对开发来说也是会有这个问题。第二，我刚刚一再强调就是还是要生产啊，那最终呢，就是我们怎么样地在做我们的 marketing sales activity 的时候，可以变得更 agile，变得更快啊。这个我觉得现在你像为什么现在你像希音这样的企业，如果你不通过一些手段，你根本就拦不住，因为它就是太快了，它就是太快了。啊，我们现在跟-跟-跟希音的一些在合作的项目，呃，我可以说他的目标是非常非常的疯狂的，他们甚至希望两年内，未来比方说我们在开发这一端，这个我们关系端来讲，他说我连产前样我都不要做，就是直接就是一版设计出来，直接去测款，测完了以后直接生产。那这个效率的话，我相信就是也是全世界人为什么那么讨厌中国人啊，因为你做得太快太便宜，[笑声] 就是我觉得这个就是，就是一个硬币的正反面。但是 anyway，我们觉得这个，这个 trend 其实是不可阻挡。所以回到我们的这个企业的生存的问题啊，对于我们很多的 retailer，包括我们很多的品牌来说，基本上就是这四个问题。那智能体的构建呢，基本上就是围绕这四个，四个问题去解决的。第一呢，就是我要怎么去做我的市场洞察，对吧？就我要分析什么，我要看哪些数据，对吧？我要去做哪些标签。第二个就是我要去，我们说 create 什么，对吧？第三其实就是怎么生产，啊，最终就是怎么办。其实基本上就是这四件事儿。那我们做的，呃，我刚刚也一再有-有-有强调，我们做的基本上就是围绕这个 ecosystem 在构建我们底层的 infra。那快速看几个案例啊，这个其实国内的运动品牌，我们帮他们做了差不多一年左右的这个智能体，就解决基本款的一个局部的改款，然后包括到最终的这个生产。比方说它是一件这个 T 恤套路卫衣，然后它怎么样去做局部的改款，然后最终到，呃，工艺的这个打样，结合 PLM，结合它的这个 Adobe，也就是 Creative，去做一个端到端的流程。就这里面我们基于的底层算法，我们去年在，呃，CVPR 上其实都有 paper，其实大家可以去看。我们有两-两个路径，一个我们叫 Style Code，第二个叫 Image Code。Image Net 基本上是基于原来 Image Net 的那个路径，那它解决的是一个什么，用什么样的逻辑啊？就通用来讲，我们就是希望把一个衣服变成一堆代码，然后通过这个识别去识别这堆代码，然后你去做 pre-training，它输出来的也是代码，然后这堆代码再经过一些手工的调整，变成你最终要生产的这个物料跟这个款式。就简单来说就是把一件衣服变成代码，啊，然后它驱动的其实也是代码本身。然后这个是另外一个，这个我们说内衣的一个案例啊，这也是结合了一些手工，然后一些 pad 的这个交互，包括一些3D的能力跟 AI 的能力来解决内衣的这个开发的问题。所以大家看这里面其实有些地方我们是控制掉的，就简单来说那个模特，然后包括模特的 pose，因为比方说我们服务加拿大的有一家企业叫 Remence，就它其实有做很多的大码女装，那它在北美，原来它用 AI 做生成的时候，其实它碰到一个问题，就比方说我用 AI 做 try on，然后我就把这个衣服就穿上去了，那这个图片就很漂亮，但是它发现这样的大码，其实模特其实在北美是没有这样的体型的，就简单来说，它会觉得我这个东西是误导消费者，虽然我的图片- 穿在这个大码的模特上面，就是 e-commerce 看着很漂亮，但最终这样模特的体型在我加拿大其实没有这样的体型。所以简单来说，你需要通过一些手段，把你的胸啊，跟你的肚子，跟你的屁股很多的曲线去做一个相对合理的定位，然后再用 AI try on 的一些技术，比方说去改你的脸，改你的背景等等，来形成一个 AR 加3D 的这个 e-commerce 的这个物料，最终才能解决一方面我快速地去做上新，但同时呢，我又不会因为我是误导消费者来形成这样的问题。当然还有另外一个品牌是他们本来就是做低端的，那他无所谓，对吧？我 AI 直接上，反正我的消费者也是很-- 就是买的东西也很便宜，这个复购率也很低。所以我相信有高端的群体啊，也有这个低端的群体。那这个是我们就是今年发的啊，就简单来说，就我们已经结合了现在最新的 Open Cloud 的一些能力，通过 MCP 去调取，就是软件的这个操作。就比方说以前这个软件的操作，其实坦白来讲其实需要就像你做 CAD 一样，需要你人去点来点去的。现在你通过一段语言，直接通过 MCP 的指令，就可能去做相应的设计跟开发。简单来说，不再需要非常专业的版师或者设计师去操控这个软件，而是可能能-能结合你的一些思考，它就快速地能帮你去做一些原来你做不了的事情，比方说你也不知道哪个是前哪个是后，去做缝合，包括去做这个 try on，包括去做这个，这个，这个 placement。所以基本上全部由智能体在右边帮你去做所有的 operation。所以我们也是希望把这种专业软件的这个门槛啊，去把它降得这个越来越低。所以基本上，呃，这几年发展下来，我们在国内其实已经是，呃，非常有知名度了啊。然后在国外我们也服务了很多头部企业，像-像前-- 上个礼拜，像 Puma 的，他的同学也去了，VF 的同学也去了，包括像美国最大的游戏开发公司 Activation，就是暴雪啊，包括 Carhartt、S.

Oliver，包括很多的院校，我们在那个英国、法国很多头部的 fashion 的院校，我们都是有很好的合作。那这个是我们的当前的这个，这个，那个啥。好，我的分享就到这里。好，谢谢。[掌声]

谢谢 Alfie 精彩的分享。如果大家有问题，现在可以举手发问，或者稍后我们也有时间继续跟 Alfie 进行交流。谢谢 Alfie，可以先就座。[掌声]