ChatGPT在全球范围内刮起旋风。人们对它很大一部分想象力还停留在搜索交互、内容创作方面，但它的影响力或许可以扩展到我们的实体世界。
原先停留在图片和文字领域的AIGC内容（AI Generated Content，利用人工智能技术来生成内容），如今正深入信息更为丰富的三维领域。至少，它已经开始对消费和商业有了改变。
防晒洗发水、青柑普洱饮料、女神高颅顶洗发水、杜鹃花酸磨皮精华、羽绒小香风……乍一听这些名字，你或许会觉得熟悉又陌生。熟悉的是配方，陌生的是混搭。其实，它们都是AI自动推荐生成的结果，其中一些在真实世界并不存在。
《天下网商》获悉，这是TMIC（天猫创新中心）最新研究方向。基于超10亿用户和海量商品池，能进行深度算法学习的天猫TMIC正在试验一个最新爆款黄金公式A(algorithm)I(intelligence)C(create)I(ideas)，通过已有市场计算验证反推爆款标签，并通过爆款因子从无到有“创作”出全新的商品。
很快，一批由AI生成的新品即将上线，譬如一款防晒洗发水。
此前，消费市场上一个畅销款的诞生，很大程度上依赖商家敏锐的嗅觉和预判。但在供给越来越丰富的存量时代，“拍脑袋”式的决策，存在众多不确定性，一旦选款、推款失误，意味着巨大的资源耗费和库存压力。但是算法和机器，带来了更多可能——一个能穷尽所有品类或商品的公式，更容易推导出下一个爆款。
AI“算”爆品、“造”新物，正在路上。
爆款，从无到有“造”出来
一款防晒洗发水的想法正在酝酿。
防晒原本是面部护理的步骤，将它运用在头皮护理上尚属首创。这是AICI爆款黄金公式的第一个成果，它是如何“算”出来的?
第一步是分析，深入洗发水赛道，找出决定一款洗发水卖爆的决策因子。洗发水的价格、品牌、功效、成分、香味是推动消费者购买的关键元素;
第二步，切入诊断，了解每个细分赛道的增长情况;
第三步，产出黄金公式，算法在遍历所有元素组合后，生产出一个爆款的“画像”。譬如，在成分方面，小苍兰、茉莉花、海藻是更受欢迎的香型;在功效方面，去屑止痒、头皮护理、香氛是更大的需求;而在场景方面，“春夏”“旅行”则是高频词。
更进一步，可以拆解一些黄金公式下的组合，通过与市面上现有的品类比较，了解新品的商品覆盖度和爆款率。
商家开发一个新品，主要会考虑两个方面:一是新品是否有市场，能满足一部分消费者需求;二是，在满足需求的基础上，市场规模的大小。因此一件商品能否成为爆款，除了看用户喜好、需求量之外，还需看市场容量、竞争度。在具体测算中，AICI算法不仅会通过遍历所有元素组合，找出爆品关键因子，还会测算商品覆盖度，分析商品所处领域是否是蓝海市场。
在经过分析筛选后，一款有着小苍兰清冷香型的防晒洗发水诞生了。
人们在炎热夏天出门、或经过长时间日晒后，头皮会变得发痒、微痛、发油。加入防晒功能的洗发水不仅能保护头皮，还能修复晒后受损头皮，舒缓、镇静。
在商品指征明显的标品中，爆款的分析和预测更容易，准确性更高。因此，AICI初期合作的品牌，都偏向快消、食品等爆款红利明显的标品行业。目前，这些领域的一些头部品牌已经通过AICI，锁定了今年春夏的爆款公式。
在最新的试验中，AICI在服饰行业相对偏标品的类目，如羽绒服和防晒服，也做了初步的探索，找到了爆款关键词。譬如，在款式上，派克服、滑雪服、立领、连帽;风格上，个性、基础款、日系;人群方面，中青年、公务员、爸爸;面料方面，复合、牛仔、三防面料等……
整体看来，目前AICI的应用有两方面。
一是将爆款“计算”功能开放给商家，让原本繁琐的商品企划变得更简易且科学准确。在特定市场下，它们能找到更容易成功的品，并找到爆品关键元素以及优先级。第二，自动化推荐，TMIC将算法挖掘到的黄金赛道透传到前端，按照这个方向开发新品。
依照这个逻辑，不久后的市面上，将出现越来越多小众独特的新品。
“造”出爆款的前提，让机器读懂商品语言
此前，市场上一个新品的诞生过程中具有很多偶然性。
一个品牌的企划部，在经过漫长的市场洞察后，开启商品企划，并自动生成一个商品概念卡片（concept card）。但在这个过程中，由于缺少全链数据的支撑，多了拍脑袋的决策，一方面容易漏掉市场机会，另一方面，结果缺少说服力和决断力，流程冗长，效率低。
而如今商品从需求洞察、规划市场方向、形成商品概念，再到最后生成新品的过程，已经可以被“数字化”了——这意味着商品可以被算法计算、创造。
但这是个长久积累的过程。
首先，数据的丰富度是基础。一个AI需要被“投喂”足够多信息和数据。天猫10亿商品池及其背后的市场行为洞察，每年又有近2亿新品“冒”出来，源源不断提供丰富商品信息。
但光有商品信息还不够，下一步是需要将海量商品标签化，形成算法可以识别的语言。
每个行业都有关键决策因子，并有一套符合产业常识和生成研发言语的商品要素标签。如服饰行业，常与风格、款式、颜色、面料强相关。而美妆的成分、功效，以及食品的口味、成分则颇为关键。
要使得算法测算结果更准确，一方面需要更全面的数据，另一方面，是“表述”和“转化”的精确性。
自成立起，TMIC在的一项主要任务便是翻译“商品”，将商品的信息转化成机器能读懂的语言，也就是给商品“打标”。这是一项专业、繁琐、庞杂的工程。一些标品或许可以进行快速定义，譬如饮料的口味、洗发水香型。但是在更多时候，这是一个模糊的地带——譬如很难定义一款口红的具体颜色和质地。很多时候，商家在描述一个商品的时候会做“联想式”表达，譬如“太空泥唇釉”“雾面哑光丝绒唇釉”等。光是梳理标签，TMIC就花了2-3年。
在更难被标签化的非标行业服务，TMIC除了与品牌和专家重新构建一套风格体系外，还深度运用了AI生成图片的能力，将标签翻译成图像，让机器去解读“图片风格”。
正因为拥有一套完整、覆盖亿量级商品的要素标签，同时标签既要符合品牌的货品逻辑，也要能满足消费者需求，才算是建立了商品语言的“基础设施”，AICI爆款公式这才得以运行。
再接下来，算法能力决定了结果的准确性。只有深度构建和建模学习能力，才能基于庞大商品数据，找到货品与货品之间的关系、货品不同属性之间的关系，产出爆款公式。
海量商品，穷尽计算，推导出一件爆款的黄金公式，整个过程对背后的算力提出了极高的要求。而背靠阿里强大的算力，TMIC多模态深度学习网络和超大规模决策归因模型，基于对市场10亿+商品产业要素和用户偏好行为的全面洞察，帮助品牌从上千亿潜在组合中自动高效遍历，才能计算出爆款画像，帮助商家更精细运营，抓住市场机会。
一场电商的效率革命
为了让AICI能落地到具体商家应用层面，必须考虑不同商家本身的能力以及目标。
不同商家的体量、商品分析能力、研发新品阶段不同，AICI需要贴合不同商家的情况进行分层运营:一些商家希望通过爆款带来营收现金流，因此“高转化”是其目标;有的商家希望通过爆款为店铺和品牌带来“人气”，他追求的就是高复购、高拉新。只有明确自己的目标，才能让AICI“吐出”对的结果。
如果商家只是在探索新品开发方向的阶段时，AICI会扫描整个赛道并自动推荐爆款元素，商家可以通过“看板”进行判断。以研发抗老眼霜为例，输入目标市场后，系统会显示出爆款率最高的成分、价格和包装形态。
如果商家已经进入新品研发概念期时，AICI会针对赛道体更精细化挖掘，并提供自定义分析和交互。一些颗粒度更细的市场洞察也能被兼顾到。譬如市场筛选维度，品牌可以只聚焦局部人群，或者某一细分市场，也可选择只分析一二线高价位市场。同样是研发一个眼霜，AICI可以提供“20-30岁，眼部肌肤有过敏问题、同时兼具抗老需求的眼霜”所对应的商品形态。
上述两个版本，分别是AICI的基础版和进阶版，更广泛的覆盖到商家的不同需求，商家可以根据自身情况灵活体验。
2017年10月成立的TMIC天猫研发中心，初衷是基于淘宝天猫的消费者洞察，让品牌研发新品更简单高效。它将原本需要4-6个月的市场洞察、用户调研等过程，缩短到了1-2周。
2020年之后，TMIC除了与头部大品牌合作之外，还深入到更上游的供应链端原料商，通过在原料生产过程对市场先一步的预判，辐射到范围更广的中小品牌，带动整个市场向前跨越。
在TMIC负责人添琦看来，AICI代表了TMIC最新能力扩展——商品企划。这意味着TMIC从原本只基于市场洞察定方向，到如今能给出具体的商品形态和概念，以及爆款画像，进入到全新的阶段。
AICI应运而生，本质是以更有效的数据支撑，找准爆款机会。全局数据以及穷尽解析带来的结果更具全面，精确、扎实，将显著提升新品研发的确定性，商品更快速迭代。
“AIGC能火是因为人脑可以处理的信息量有限，记忆关联构建的能力有限，但机器是无限的。它可以拿到近乎全量的可能性，因此不错过任何一款爆款。这是对人有限创造力和分析能力的补充，或许是商家的新红利。”添琦称，这会是一场效率革命。
在这场“革命”下，打破思想边界的新品会不断出现。
（举报）
