靠扒“臟”數據，這家公司干到估值數億

出品|虎嗅科技組

作者|陳伊凡

編輯|苗正卿

頭圖|視覺中國

“AI原生100”是虎嗅科技組推出針對AI原生創新欄目，這是本系列的第「41」篇文章。

一家中國的初創公司正在試圖證明，在最為傳統的服裝制造業，人工智能能夠完成上一代數字化技術未竟的事業。

在東莞長安鎮一間地毯工廠，當下的現實與數字化理想正在進行一場略顯尷尬的碰撞。

七八位工人站在梯子上，拿著機槍在地毯上進行走線，工廠里一間簡陋的小屋，是設計師工作室，擺著的是一張手繪的地毯樣式。出了工廠另一邊的單間，擺放著一臺五米高的自動打孔機的樣機，對著面前的地毯，嘗試按照圖樣進行走線布局，來人的時候，工人會打開這臺樣機，笨拙演示，這種機器效果遠不如人工，老板似乎也并沒有打算把它用到自己的產線。

這是虎嗅曾經走訪過的一家地毯廠商所看到的圖景，這臺五米高的昂貴機器，成為了服裝行業上一輪數字化轉型困境的縮影。

改造服裝行業，聽起來就沒有那么性感，當然也不時髦。這是一個由無數作坊、碎片化數據和個人經驗拼湊而成的古老行當。但周棟和團隊在這件事上，已經跑了好幾年，將這件事做到估值數億元。

他們擁有服裝行業規模最大的數據庫和全國唯一服裝產業垂直大模型的備案資質，申洲國際、即發集團、酷特智能、迪尚集團等中國制造的隱形冠軍，均在其客戶之列。

向量螺旋所解決的，是服裝全產業鏈（從最上游的材料，例如棉花，到面料廠、服裝廠再到品牌商）的溝通問題，再精準一些，就是解決信息增益，把AI變成實質生產力，而不是生產工具。

這件事曾經許多服裝3D廠商嘗試，韓國的CLO最早步入服裝3D行業，不過3D和AI存在本質區別，其中一個最大區別就是成本。3D技術，通過物理設備掃描進3D空間，再進行建模和渲染，最終還原出真實物理特性。還原的精度和真實性是早期AI不可及的，但存在的問題是成本極高。購買這套3D建模軟件的工廠或是品牌方，需要為這套軟件匹配相應的崗位，比如建模師、渲染。另外，3D不具備創造性和泛化性，其作用在于基于面料進行還原和款式設計。

如今，一些服裝3D技術解決方案提供商也提出要進入AI時代，但這意味著他們也需要和向量螺旋一樣，重走一遍數據積累、領域算法、模型訓練的過程。因為3D的數據和底層技術架構和生成式AI，完全不同。

見面之前，他剛結束和投資人的會談。在向量螺旋過往的投資者名單中，幾乎都是產業基金與國資背景的機構。

周棟并非典型的極客創業者。擁有媒體背景、家族在潮汕經營服裝工廠的他，與其聯合創始人邢方舟起初的生意也相當傳統：為網紅KOL提供服裝柔性定制。這門生意雖然有利可圖，卻很難稱得上有巨大的想象空間。

向量螺旋的團建

但有的時候，往往這些不那么“性感”的故事，反而能夠撇去浮華，觸碰到商業真正發揮價值的土壤。

對周棟和邢方舟的青島向量螺旋而言，最關鍵的是2021年，前海信人工智能商用研究所所長馬映輝的加入，為這家傳統的數字化公司注入了真正的技術基因。彼時，GPT的概念雖已問世，但尚未引發全球狂熱。馬映輝帶來的不僅是技術，而是一種視角的轉換。

面料商談論的是克重與材質，加工廠關注的是走線與工藝，而品牌方高談闊論的則是調性與風格。這種語言體系的割裂，導致了巨大的溝通成本和供需錯配。

既然創業的初衷是在服裝領域找到一個新的技術變量，去解決傳統產業的生產力或結構關系問題，而看起來這個叫做“GPT”的AI似乎有希望，周棟他們決定試一試。而事實上也證明，服裝行業或許可以跳過冗長的SaaS普及階段，直接躍遷至AI時代。

訓練AI需要數據，而這正是服裝行業最匱乏的資源。在這個極其依賴非標經驗的行業里，真正的數字化企業（如李寧、安踏、申洲國際）占比不足1%。對于絕大多數中小企業甚至是服裝作坊而言，微信就是他們唯一的數字化管理系統。

于是，向量螺旋開始了漫長的“臟活”階段。由于缺乏現成的結構化數據，團隊不得不采取最原始的方式：爬取全球互聯網上的公開圖文；向產業伙伴定向搜集，甚至親自深入工廠，拍攝紙質版單，再通過人工清洗將其轉化為計算機可讀的“配對數據”，即包含面料、設計稿、成品圖及模特上身圖的完整數據鏈。

在通用大模型眼里，一件衣服只是一堆像素的集合；但在向量螺旋的數據庫中，一件衣服是一條嚴絲合縫的邏輯鏈：一張面料的顯微照片，必須對應一份結構化的設計手稿，再成為一張成衣的工業版單，最后成為模特的上身效果圖。

這種“四位一體”的數據結構，正是上一代數字化轉型失敗的癥結所在，因為彼時系統只能處理孤立的數字，無法理解需要深入行業的行話——例如由于面料克重變化而導致的垂感差異。而周棟他們所做的，是通過數百萬組這樣的配對數據，訓練AI，掌握一種行業通用的話語體系。

這場“臟累活”耗時兩三年，數據就緒之后，他們選擇了日本市場作為切入點，驗證自己的初步應用產品能力。截至今日，他們在日本的客戶已經有了數百家，第一階段的PMF的驗證成功，他們著手進入中國市場。花了兩個月時間，他們進入了申洲國際的供應鏈。

未來的AI 應用服務引擎，在周棟的計劃中，將會是一個“技術中臺”，一個提煉了行業Knowhow和工程化經驗，能將非標需求沉淀為標準化技術模組的交付平臺。

服裝行業可以直接跳過SaaS進入AI時代

虎嗅：你們在2021年轉型開始做垂直領域的AITOB ，是因為業務發生了一些變化還是因為發現大模型出來了？

周棟：兩方面都有。我們最開始做的是給市面上所有KOL提供一站式服裝定制服務。當時的出發點是，2019到2020年，自媒體在各個渠道，公眾號、抖音、B站等都發展得很迅猛，因為自媒體的變現方式發生變化，很多大V開始做電商，偏向做個人IP或品牌文創，服裝則是比較容易切入的品類。但當時市面上沒有一家服務商，既能搞定服裝產業鏈，又能把不同IP的文化轉化為服裝設計，還能整合全部供應鏈提供服務，最開始我們就切入這個方向。

2021年底，我和搭檔都在思考：繼續做下去的這個市場規模是否足夠大。另外，我們還是覺得這個業務不夠性感。

我們創業的初衷，就是想在服裝領域找到新的技術變量，嘗試解決傳統產業的生產關系或結構問題。

虎嗅：什么契機促使你堅定轉型？

周棟：真正堅定轉型是在2021年底，我們請到了一個關鍵人物前青島海信人工智能商用研究所所長馬映輝，就是現在公司的CTO，他一直對產業AI很感興趣。他加入后，跟我們提到了類似GPT這樣的東西，和更多有關計算機視覺方面的思考。

虎嗅：你怎么判斷這是一個行業的真問題或者真正痛點？

周棟：服裝行業鏈條特別長、涉及主體特別多，行業內最大的問題就是各方的語言和共識體系完全不一樣。

這帶來的最顯性后果就是行業上中下游的溝通效率和共識效率極低，這就引出了行業最本質的矛盾問題：任何上下游兩端甚至多端的供需交易效率低。

虎嗅：這件事在SaaS時期為什么沒被解決？

周棟：沒有。因為我剛才說的是行業最底層的本質矛盾，而從這個矛盾再往下抽象，造成這個問題的原因有這幾點。

第一，服裝行業是所有實體產業里最非標的一個。我剛才介紹的產業鏈條里有多個環節，每個環節在我看來都是一個獨立行業，面料是一個行業，加工是一個行業，品牌是一個行業，零售是一個行業。

這帶來的第一個問題是企業組織結構差異極大，不像互聯網公司那樣分工明確：運營就是運營，產品就是產品，研發就是研發。在服裝領域，你經常會看到這種情況：一個人在A公司做的是企劃工作，到了B公司卻做設計工作，這就是組織結構的差異性。

第二點是業務流程缺失，這個行業有很多反共識的地方。服裝行業是一個金字塔的結構，大家提到服裝行業，天然會想到安踏、李寧這些知名品牌；提到加工廠，可能會想到申洲國際，但要知道，這些企業在中國服裝產業里占比不到1%，剩下99%的服裝企業都是中小規模或小作坊。公開可查的中國服裝相關企業一共有17萬家，但其中組織結構完善、有數字化基礎的，不管是品牌類還是生產類，都鳳毛麟角。絕大部分服裝企業唯一的數字化系統就是微信。

虎嗅：SaaS并沒有解決根本問題，那么AI能解決嗎？或者AI能讓服裝行業直接跳過SaaS進入AI時代嗎？

周棟：我認為會。我們現在篤定的一件事就是我們在服裝行業做AI就是以某種形式直接跳過“數字化和信息化”。但最本質的差異在于，上一個時代的SaaS和AI時代要解決的問題完全不同。前者本質是想把企業的線下業務流程線上SOP化，但這個前提是，企業線下得先有完整的業務流程、有SOP才行。但遺憾的是傳統服裝行業是感性主導驅動的，它們流程混亂、標準不一，難以聯動。

上一代SaaS失敗根本不是工具好不好用的問題，而是沒意識到：以服裝行業為例，人和組織才是這個行業最大的非標變量。沒先解決這個問題，工具做得再好也沒用。

到了AI時代，但出發點和SaaS完全不同。我本質上不是想做一個標準化工具，幫企業把線下流程線上SOP化，而是帶著AI這個全新的生產力，幫他們重構新的業務流程，從而讓企業內部人員可以利用AI實現增收或完成以前完成不了的任務。對他們來說，這是新的生產力，看待業務的視角完全不一樣了。

虎嗅：這個AI帶來的生產力怎么落地到業務上，舉個例子？

周棟：就以這件衣服為例，面料商手里只有面料，他們會找到客戶后上門，拿一塊面料給對方看，說自己的面料多好，再給一些色卡，說能做多少種顏色，用這種方式推銷。這個過程里他能傳遞給下游的信息總量很有限。

用上AI之后，AI可以先為這塊面料生成適配不同服裝品類的款式設計；下一步還能基于這塊面料設計出一整套企劃提案，甚至還能生成模特圖。然后面料商就可以帶著這些AI創造的新信息增量，去跟客戶溝通。

這里最關鍵的變化是，客戶獲得的信息總量完全不一樣，客戶能直接看到這塊面料最終做成衣服和配上模特后的效果，這能給面料商創造新的增益。

從零開始搭建服裝行業專屬數據

虎嗅：這里面有大量非標數據，你們怎么解決數據工程？

周棟：服裝產業的數據都沉淀在人的大腦里，而不是數據庫。他們可能連信息化系統都沒有，是個數據荒漠；第三是客觀相對的來看，這個行業整體從業人員素質偏低，這自然會導致兩個結果，學習意愿低，使用新工具的成本比其他行業高得多。所以我們做AI，也繞不開這三個問題，從做AI的第一天起，就要思考怎么解決。

我們分不同階段解決數據從哪來、用什么行業Knowhow進行處理、不夠的高質量配對數據如何解決。我們會通過公開信源合理抓取，外加產業伙伴定向收集，不乏下廠把紙質的衣服版單收集回來再做結構化處理；我們會有自己多年積累的產業知識庫做標注和關聯重構。不夠的高質量配對數據，我們自己拍，或者通過數據合成的方式補齊。

目前總數據量規模已經做到2億原始圖像數據以上。

虎嗅：數據工程搭建好之后，你做了什么事？

周棟：有了數據之后，我們做了第二件事就是訓練服裝行業的專項模型。我們是全球第一家做出服裝行業各類專項模型的公司。

例如我們在2023年就訓練了自己的多視角模型，比如讓AI生成一件衣服各個角度的模特上身圖，當時通用大模型也能做到，但大多只能出正面圖。在服裝行業的實際需求里，需要360度多視角展示，得看側面、背面的效果，更難的是要保持各視角的一致性，否則就沒有可用性。我們內部把這部分工作定義為“產業模型工程”，也就是數據工程加產業模型工程。

第二件事是從2022年底到2023年，也就是各類通用LLM、VLM大模型出來之后啟動的，我們稱之為基于通用模型的“持續預訓練架構和自動評估體系”。我們很清楚自己沒有資本去做基礎大模型，我們的核心是產業模型，規模相對較小。但通用大模型出來了，并且迭代速度很快，肯定要借助它的能力。

虎嗅：那你怎么確保大模型未來就不會做這件事？萬一哪一天大模型效果越來越好，生成圖像越來越對了怎么辦？

周棟：大模型一直在迭代，生成的圖片會越來越好看，但解決不了“越來越對”的問題。比如它生成服裝款式或模特圖時，可能會丟失面料質感、出錯工藝細節，這對B端客戶來說是無法接受的，相當于產品變了，完全不可用。

虎嗅：有沒有一個節點，能明顯感覺到模型效果突然變好了？

周棟：第一個階段是2024年，因為我們借了早期通用開源大模型的東風，結合我們的領域算法和數據工程，構建出了屬于我們自己的服裝產業垂直大模型，再加上我們的產業專項模型，當時就明顯感覺到我們的AI能力整體上了一個臺階。

第二個階段是今年。VLM和多模態領域都有更多特定性能更好的開源模型，發展也更迅猛，我們就做了模型遷移。我想表達的是，對我們來說這件事不復雜，因為我們背后有一套成熟的技術架構和自己的benchmark評估體系，只要市面上出現更好的開源大模型，我們就能以最快速度判斷和遷移，把我們的AI能力再往上拔高一個層次。

先在日本市場找到MVP，再進入中國市場

虎嗅：商業模式是怎么設計的？因為最早你們是產業互聯網的思維，當時的收費模式可能跟現在不太一樣？

周棟：我們從一開始就規劃了三個商業階段。

第一個階段先做了SaaS，有兩個客觀原因。第一，我們當時的綜合技術還沒牛到能直接做AI Agent或者更符合愿景的產品；第二，我覺得得先有一個MVP，先初步驗證PMF，投向市場看一看，找到一個入口和方法，獲取行業內真實客戶的使用反饋和know-how反饋。所以我們做了SaaS，然后確定了切入的市場。

虎嗅：切入哪個市場？

周棟：日本市場。相比于歐美和中國市場，日本市場的競爭沒那么激烈；第二，日本的服裝企業非常規范，數據質量相對更高；第三，我們當時看到了日本的國家政策，能明顯感覺到日本不想錯過這一波AI浪潮，雖然它趕不上中美，但當時日本政府對日本企業有一些補貼政策。我們在日本認識一家做服裝貿易的日企商社，直接選擇它做我們的代理商。這樣一來，我們有好的AI產品，切入了市場空白，又找了日本本土有服裝資源的企業做信任背書幫我們銷售，天時地利人和。

今天日本所有能叫得出名字的服裝大企業，幾乎全是我們的客戶，其中一家最大的零售品牌客戶總部相關負責人到我們公司，他們說，已經調研了全球幾十家AI公司，最后選擇了我們。

日本電視臺對向量螺旋的報道

虎嗅：日本市場驗證成功之后，接著你們怎么做？

周棟：我們其實是同步啟動了第二個市場，中國市場，我們先確定了生產型企業切入，確定兩個趨勢作為切入方向：第一個是“二代接班潮”，第二個是“供應鏈出海潮”。

國內市場的客戶對我們來說更寶貴的一點是，國內業務場景和需求標準更復雜，他們的上下游會不斷提出各種苛刻的新要求，因為國內的產業鏈更完整。我們在中國市場的策略是“不求量大，但求做細做深”。現在我們有底氣說，在國內規模以上的服裝生產型集團客戶中，我們的市占率絕對是第一的。

虎嗅：什么時候在國內跑通了第一個標桿客戶？

周棟：申洲國際。讓他們認可我們并簽約大概兩個月。

虎嗅：你們是直接跟老板談，還是跟業務部門談？

周棟：大多都是直接跟老板或者有決策權的負責人談。

虎嗅：申洲國際已經是服裝行業里數字化程度很高的公司，為什么還要購買你們的AI服務？

周棟：他們的數字化確實非常完善，服裝行業除了3D軟件，還有CAD打版軟件、印花分色軟件等等各式各樣不同環節的軟件系統…… 申洲的數字化系統非常豐富和完備，但仍然無法解決內部數據的流通，以及直接交付結果這件事。

我們嘗試幫他們做的第一件事是在不丟失已有數據系統的基礎上，打通散亂數據資產的可復用性和可利用性，另外就是循序漸進幫他們做AI Agent，例如用他們已經積累的面料、材料和工藝的能力，直接生成一套企劃方案給到品牌方，為他們直接創造更多服務生產力的增量。

從技術中臺到數字工種

虎嗅：第一階段的商業模式還是SaaS的形式，第二階段和第三階段的商業模式會有什么迭代？

周棟：2025年已經打造了一個新的產品，我們把它叫做“技術中臺”，當客戶不滿足于標準化、產生個性化需求時，就可以用技術中臺，把所有非標需求轉化為技術層面的標準化組件，從而更快地實現交付和履約。另一方面，也可以把技術中臺開放給客戶，如果客戶自己有IT團隊和產研團隊，他們可以自己在上面搭。

第三個階段的商業產品，現在已經在做demo了，我們叫“數字工種”。不管是SaaS還是企業級Agent，最終都是客戶員工在使用工具，這仍然沒有完全打破我剛才說的那個魔咒，還是AI配合人，且決策人本人通常對AI的實際效益價值是沒有直接體感的。

我們想解決的核心問題是：既然前者都是AI配合人，人是關鍵變量，那我能不能倒過來，讓AI主動完成工作，人來配合AI？決策人考核“它”的方式，跟考核“人”是完全一致的。

這背后的邏輯是，上一個時代的工具類產品，搶占的是每家To B企業的IT預算，而企業的IT預算可能只占總預算的3%、5%。但我們想換個方式，我們提供數字勞動力，要搶占的是企業的人力預算。

我們換了個視角來打開更大的賽道，我搶占的不是全球服裝企業的IT預算，而是全球服裝企業的人力預算。

虎嗅：你們先做了什么崗位的數字員工？

周棟：在服裝產業圖譜里，會有不同的數字員工解決不同環節的問題。這些所需的know-how，就來自我們做SaaS、做大客戶項目過程中持續積累的know-how，再把這些know-how抽象成不同的數字員工，對應解決不同的行業問題。比如我們的第一個數字員工，名字叫“電商內容專員”。

虎嗅：為什么先選擇做“電商內容專員”這個數字員工？

周棟：因為它離錢最近。

虎嗅：現在的營收情況方便透露嗎？

周棟：商業化第一年只做了半年，營收大概大幾百萬人民幣；后面是每年實現三倍增長。

虎嗅：三倍增長目標是基于什么判斷的？是不是因為明年你們要推出那個技術中臺？

周棟：主要基于三個方面。第一，因為我們的技術和產品能力會越來越強，自然能獲得更多客戶的認可；第二是區域擴展，除了日本和中國，我們已經開始拓展美國、法國、德國這些歐洲市場；第三就是新的項目形態的增量。

現在營收的絕對值不是最重要的，更應該關注每年的增長是否是穩步上升的狀態。

本文來自虎嗅，原文鏈接：https://www.huxiu.com/article/4827386.html?f=wyxwapp