【写在前面】本文源自我跟ChatGPT4o的1个小时对话,主要是我想了解作为AI时尚模型的三大支柱之一数据,以及法规政策,聊的比较跳跃。最后我让ChatGPT4o把所有对话自己整理成一篇文章。

摘要:本文从数据合法性的角度出发,分析其对AI行业的战略意义。将通过时尚类数据集的案例,探讨数据的特性、来源以及它对于扩散模型的意义,最后是对AI行业整体的未来展望。

PART 1

由视觉中国股价过山车引发的思考

2024年12月初,视觉中国(股票代码:000681)股价持续上涨,累计涨幅超过100%。然而,至12月23日,公司股价跌停,换手率为22.09%。 此后,公司股票在12月23日至25日连续三个交易日收盘价格跌幅偏离值累计超过20%,被认定为股票交易异常波动。

除了游资炒作的原因,其在人工智能领域的布局也成为资金追逐的热点。 这一事件也引发了我对AI行业中数据合法性和授权问题的思考。 随着生成式AI技术的普及,数据的来源和合法性问题正在成为影响行业发展的核心议题。 这不仅仅是视觉中国这样专注版权的企业受到关注的原因,在全球范围,像Getty Images 和 Shutterstock也备受瞩目。

人工智能模型训练需要大量高质量的数据,而数据的合法性和授权直接关系到行业的合规性和商业价值。 近年来,围绕数据版权和使用权限的争议不断。 例如,Getty Images 起诉Stability AI 使用其图片进行模型训练却未获得授权。

1R-014 原文插图

数据合法性对AI行业的影响

1,提升行业标准与竞争壁垒

数据合法性的要求迫使企业投资于高质量的内容库,这不仅提高了行业标准,也成为市场准入的重要门槛。拥有版权数据的企业因此在市场中占据了优势。例如,视觉中国在中国市场依靠其丰富的版权资源,巩固了其在AI内容领域的未来地位。而类似的全球公司,如Getty Images,通过积极保护其以质量闻名的内容资产,进一步强化了其与AI公司合作的商业价值。这种数据资产不仅推动了技术进步,也使其成为重要的竞争壁垒。

2,推动数据合作与商业模式创新合规数据的需求促进了AI公司与内容库企业的合作。例如,Shutterstock 向OpenAI 提供数据授权,用于生成式AI模型的开发。这种模式有望成为未来的行业主流。数据授权的商业模式不仅为内容提供商创造了新的收入来源,也为AI企业提供了高质量的数据资源,从而加速了AI模型的开发与优化。这种双赢的合作模式在未来将更加普及,特别是在法规越来越严格的情况下。

3,也增加了中小企业的运营压力

高昂的数据获取成本可能让资源有限的中小型AI企业难以与大型公司竞争,这将进一步加剧行业的集中化。中小型企业可能难以负担高质量数据集的采购成本,也可能无法承担因数据版权问题而引发的法律风险。这种集中化趋势虽然有助于提升行业标准,但也可能抑制创新和多样性。

4,促进数据标注和生成技术的发展

在数据合法性要求日益严格的背景下,企业正在转向新技术以降低对真实数据的依赖。例如,模拟数据(Synthetic Data)和扩散模型技术正成为解决方案的重要方向。模拟数据通过人工生成的方式创建与真实世界接近的数据,可以有效降低对实际内容的需求,同时避免版权争议。而扩散模型通过逐步优化图像质量,为高保真度的生成式AI应用提供了技术支持。这两种方法正在迅速发展,并有望在未来成为主流。

1R-014 原文插图

数据合规与行业可持续发展

在全球AIGC(人工智能生成内容)领域中,特别是图片相关领域,训练图片模型所需的数据主要来源于以下几种:

1. 公开数据集

示例数据集:

COCO(Common Objects in Context):包含标注的自然场景图片。

ImageNet: 一个涵盖多类别图片的大型数据集,用于图像分类和目标识别。LAION 数据集:包括带有文本描述的大规模图像-文本对数据,用于多模态模型训练(如 CLIP)。

许多研究机构和公司提供的大规模开源数据集,用于训练和测试模型。

2. 网络抓取

使用此方法需遵循知识产权法和版权规则。

通过爬虫技术从互联网上抓取大量公开图片,这些图片可能来自社交媒体、博客、新闻网站等。

3. 用户生成内容(UGC)

这些内容常用于分析非专业拍摄的图片数据。

平台用户上传的图片,如社交媒体(Instagram、Pinterest)和内容平台(Flickr)。

4. 合作数据源

与博物馆、图库、科技企业、教育机构等合作获取标注清晰的专业数据集,如医疗影像、艺术品图库等。

5. 模拟数据

使用计算机生成的图像数据,如通过 3D 渲染技术创建的合成图像,用于补充真实数据。

6. 专有数据

公司自有的独特数据集,这些数据集通常由内部团队通过标注、清理等方式制作,具有较高的商业价值。

类型占比(估计)

数据来源 当前占比 趋势预测

公开数据集 30-40% 略有下降

网络抓取 30-50% 逐步减少

用户生成内容 10-20% 受法规限制可能下降

合作数据源 10-15% 稳步增长

模拟数据 5-10% 稳步增长

公司自有数据 5-15% 稳步增长

* 其中所谓的公开数据集,其数据来源和版权合规性也是一个复杂的问题。ImageNet 的数据主要来自公开的互联网图片,例如通过搜索引擎(如 Google 和 Flickr)抓取。COCO图片主要来自 Flickr 和其他在线图像库,LAION通过网络抓取的文本-图像对,主要来自互联网公开内容,如社交媒体、博客和网站。这些数据集本质上也属于表格中的第二类。往往以学术研究为目的,初期的设计和使用可能未完全预料到生成式 AI 的商业化发展,因此其数据收集和版权问题在行业和法规不断发展的过程中受到更多关注。

数据合法性不仅仅是技术问题,更是AI行业赢得社会信任的关键。通过使用合规数据,企业可以减少法律风险,同时向用户和合作伙伴传递负责任的品牌形象。

高质量、合法授权的数据为AI技术的进一步创新提供了坚实基础。无论是扩散模型的训练,还是针对特定行业的应用开发,数据合法性都是保证技术可靠性和可扩展性的前提。

数据合法性已经成为AI行业发展的战略焦点。从推动行业标准的提升到促进商业模式的创新,合规数据的价值正在不断显现。未来,随着法规的进一步完善,拥有高质量数据资源的企业将在竞争中占据更大的优势。而数据标注与生成技术的持续进步,也为行业的可持续发展注入了新的动力。

1R-014 原文插图

PART 2

具体到时尚行业数据集的情况

在服饰时尚领域,数据集的质量和多样性是生成式 AI 模型成功的关键。无论是支持虚拟试穿、个性化推荐,还是服饰设计生成,高质量数据集都是必不可少的基础。以下通过综合分析相关数据集特性与用途、来源方法,以及其在扩散模型中的作用,展示数据如何驱动行业创新。

时尚数据集通常具备以下核心特性:

1,规模大且多样化:如 DeepFashion 提供了超过 80 万张图片,涵盖多种服饰类型与场景,为模型提供了丰富的训练素材。

2,细致的标注:许多数据集(如 Modanet 和 VITON-HD)包含像素级或高分辨率标注,适合精细化任务,如图像分割和虚拟试穿。

3,高分辨率图像支持:数据集(如 VITON-HD 和 Fashion-Gen)提供高质量图片,能够生成真实感强的服饰图像,满足虚拟试穿与设计生成需求。

4,文本与图像的结合:Fashion-Gen 和 Polyvore Dataset 等通过将图像与文本描述关联,为文本到图像生成提供了可靠的数据基础。

通过这些特性,数据集为 AI 模型提供了强大的训练支持,推动了技术在服饰时尚领域的深度应用。

时尚数据集的来源方法主要分为:

1 , 网 络 爬 取 : 通 过 抓 取 电 商 平 台 和 社 交 媒 体 公 开 数 据 ,如 DeepFashion 和 Modanet。这种方法易获取大规模数据,但面临版权争议的风险。

2,用户生成内容(UGC):利用用户上传的穿搭图片和时尚搭配,如 Polyvore Dataset 和 Chictopia10k。这类数据真实且多样,但标注质量参差不齐,需大量后期处理。

3,品牌合作与专业拍摄:与时尚品牌合作或通过专业团队拍摄高质量图片,如 VITON-HD 和 RunwayML Collections。这种方法提供了高分辨率且合法性明确的数据,但获取成本较高。

4,整合与模拟数据:通过整合多源数据或使用模拟数据技术生成训练集,如 FashionAI Dataset。这种方式在确保数据合规性和满足特定需求方面表现突出。

尽管来源多样,数据合法性仍是核心挑战。法规日益严格的环境要求数据来源清晰、授权明确,企业需加大对合规数据的投入,以降低运营风险。

数据集与扩散模型的结合:推动技术边界

扩散模型因其逐步去噪的图像生成能力,在服饰时尚领域展现了广泛应用价值。结合高质量数据集,扩散模型在以下方面表现尤为突出:

1,虚拟试穿的真实感提升

扩散模型与 VITON-HD 数据集结合,能够生成高度逼真的试穿效果。相比传统方法,扩散模型在服饰纹理和人体贴合度的生成上有显著提升。这种技术广泛应用于在线零售和个性化定制服务,既优化了用户体验,也降低了因退货带来的物流成本。

2,从文本到图像的服饰生成

借助 Fashion-Gen 数据集,扩散模型支持根据文本描述生成高质量服饰图像。这种功能为时尚设计提供了强大的辅助工具,设计师可以快速将创意转化为可视化图像。同时,这种生成能力也推动了服饰定制化的发展。

3,高分辨率服饰图像生成

扩散模型支持 1024x1024 或更高分辨率的图像生成,在品牌广告、商品展示等领域广受欢迎。例如,通过结合 RunwayML Collections 数据集,模型生成的服饰图像不仅细节丰富,还符合商业展示需求。

4,时尚搭配推荐的智能化

结合 Polyvore Dataset,扩散模型能够生成具有高度兼容性的穿搭方案。这种技术为时尚推荐系统提供了全新动力,同时满足了消费者对多样化穿搭建议的需求。

数据集 数据描述 主要用途 数据来源 是 否 数据来源方法 是 开源网址 名称 适 用 否 于 扩 开散 模 源 型

DeepFa 图片数量:80万张以上;类别:多种服饰;标 服饰识别、推 香港中文 是 网络爬取、电商 是 http://mmlab.ie.c shion 注:类别、属性、分割,包含详细属性标注和商业 荐系统、属性 大学 平台数据、品牌 uhk.edu.hk/proje消费服装对。 预测。 合作。

cts/DeepFashion.html

Fashion 图片数量:7万张;类别:10类服饰;标注:无。 分类任务、特 Zalando 否 电商平台数据 是 https://github.co-MNIST 征提取。 研究 (Zalando)。 m/zalandoresear ch/fashion-mnist Modane 图片数量:55,176张;类别:13类街拍服饰;标 图像分割、服 eBay与加 是 社交媒体爬取 是 https://github.co t 注:像素级分割。 饰识别。 州大学戴 (Flickr)、人 m/eBay/modanet维斯分校 工标注。

Street2 图片数量:40,000张街拍+400,000张商品图片; 街拍到购物推 康奈尔科 否 街拍与电商数据 否

Shop 类别:多种服饰;标注:街拍与电商商品匹配。 荐、相似商品 技学院 结合、匹配算

搜索。 法。

Fashion 图片数量:未知;类别:48类服饰;标注:294种 多任务学习、 时尚领域 否 品牌与设计师合 否

pedia 属性细分。 时尚分析。 学术研究 作、人工标注。

与商业应

用

LookBo 图片数量:未知;类别:穿搭风格多样;标注:无 个性化穿搭推 电商数据 否 用户生成内容、 否

okHQ 具体标注。 荐。 资源 网络爬取。

Fashion 图片数量:20万张以上;类别:服饰领型、袖型 属性识别、时 阿里巴巴 是 电商平台数据 是

AI数据 等;标注:详细属性标注。 尚推荐。 天池平台 (阿里巴巴)、

集 人工标注。

Runway 图片数量:未知;类别:高端时尚与T台服饰;标 时尚生成、风 Runway 否 品牌与秀场合 否

ML合集 注:无具体标注。 格迁移。 ML开放资 作、专业拍摄。

源

ATR 图片数量:17,700张;类别:18类服饰部件;标 图像解析、服 中国科学 是 社交媒体与街拍 是

注:像素级分割。 饰分割。 院 结合、人工标

注。

Chictop 图片数量:10,000张;类别:多种服饰;标注: 属性识别、时 Chictopi 是 用户生成内容 否

ia10k 颜色、属性信息。 尚分析。 a时尚网 (Chictopia 时

站 尚社区)、网络

爬取。

VITON 图片数量:19,000张;类别:模特和服装;标 虚拟试穿、服 学术研究 是 模特拍摄、数据 是 https://github.co注:虚拟试穿的匹配图像。 装重建。 与开源社 模拟。 m/xthan/VITON区

VITON- 图片数量:13,679个图像对;类别:女性正面图 高分辨率虚拟 学术研究 是 高分辨率模特拍 是

HD 像和衣服图像;标注:高分辨率虚拟试穿。 试穿、服装生 与开源社 摄、数据模拟。

成。 区

*以上数据统计表由AI生成,是基于公开的文献、研究论文和数据集官方网站的描述,截止时间大致为2023年底。

服饰时尚类数据集与扩散模型的结合正在重新定义行业的技术边界。从虚拟试穿到文本到图像生成,再到个性化推荐和高分辨率生成,这些技术的应用不仅提升了行业效率,还为消费者创造了更丰富的体验。未来,随着数据合法性要求的强化和技术的不断进步,高质量、合规的数据集将成为行业竞争的核心资产,而扩散模型等生成式技术也将继续推动服饰时尚领域的创新发展。

1R-014 原文插图

PART 3

AI行业动态与未来展望

数据合法性趋势引发的行业变革

随着生成式人工智能(AI)的高速发展,数据合法性问题正逐步成为行业发展的核心议题。法规的日益严格不仅规范了数据的使用方式,也为行业带来了新的商业机会和技术挑战。全球主要市场的监管趋势表明,数据的合规性已经不再只是法律要求,而是决定企业竞争力的关键因素。

在美国,2024 年被视为美国人工智能监管的关键年份,联邦和州层面都在积极推进相关立法。《人工智能未来创新法案》明确规定,所有用于模型训练的数据都必须是合法获取并经过授权的。这一法律条款从根本上改变了AI企业获取和使用数据的方式。包括阿拉巴马州、加利福尼亚州、科罗拉多州等 12 个州已颁布法律,委托政府或相关组织研究人工智能立法,特别关注数据使用的合法性和授权问题。对于那些依赖网络爬取和用户生成内容(UGC)的企业而言,这项法规可能意味着经营模式的颠覆。

在欧洲,《AI 法案》进一步强调了透明性和合规性,明确禁止任何未经授权的数据用于商业用途。这种严格的法律环境迫使企业重新评估其数据来源,并推动了市场对合规数据集的需求。而在中国,《生成式人工智能服务管理暂行办法》的实施,不仅规定了数据使用的边界,还对网络爬取和未经授权的数据使用提出了明确限制。模型训练数据需合法、合规,不能侵犯他人知识产权或隐私,AI 生成内容必须标识为机器生成。这一政策留给野蛮生长的中国创业者时间窗口并不长。

地区 法规重点 短期(1-3年) 中期(3-5年)

美国 版权、透明度、隐私 标识要求、版权纠纷裁定 全面版权法,明确数据授权要求

欧盟 AI 透明性、数据合法性、版权 AI 法案落地 细化版权与隐私法规中国 数据合法性、透明性、版权保护 已有法规实施,进一步强化 加强执行及行业覆盖日本 版权归属、行业自律 指导性法规 更具体的版权和数据使用要求

其他地区 数据隐私、AI 责任归属 探索阶段 或将推出初步法规扩散模型与模拟数据的崛起

扩散模型作为生成式AI的技术新星,已经展示出其强大的潜力。与传统的生成对抗网络(GAN)相比,扩散模型通过逐步去噪的方式生成高分辨率图像,其在细节处理和纹理生成上的表现更为优异。这一特性使扩散模型在多个领域实现了突破性应用。

在服饰时尚领域,扩散模型结合高分辨率数据集(如 VITON-HD),可以生成高度逼真的虚拟试穿效果。这种技术不仅改善了用户体验,还减少了在线零售中的退货率。此外,扩散模型还可与 Fashion-Gen 数据集结合,根据用户输入的文本描述生成符合要求的服饰图像。这种文本到图像生成的能力为时尚设计提供了无限的创意可能性。

在医疗行业,数据隐私和合规性要求推动了模拟数据的开发。例如,扩散模型可以生成高分辨率的医学影像,用于病理分析和医学研究,而无需涉及患者的真实数据。这种技术不仅保护了隐私,还大大加快了医学影像数据的获取速度。

在自动驾驶领域,扩散模型和模拟数据正在重新定义训练和测试的方式。通过模拟生成各种驾驶场景,企业可以高效训练自动驾驶模型,同时避免实际道路测试的高成本和潜在风险。

此外,扩散模型在电影和游戏设计中的应用也备受关注。生成复杂场景和角色的能力不仅降低了制作成本,还缩短了设计周期。这为影视制作和游戏开发提供了新的创意工具,也为数字娱乐行业注入了技术活力。

与此同时,模拟数据(Synthetic Data)的快速发展为AI行业开辟了新的可能性。通过算法生成的模拟数据不仅能够降低对真实数据的依赖,还能彻底规避版权争议。在自动驾驶、医疗影像和服饰设计等领域,模拟数据的应用已经展现出巨大的优势。例如,在自动驾驶仿真中,模拟数据能够提供多样化的驾驶场景,而无需采集实际道路数据,这既节约成本,又保证了合规性。

尽管模拟数据有诸多优点,但其生成的质量与真实数据的相似度仍是一个关键挑战。高质量的模拟数据需要强大的计算能力和算法支持,而这对于许多中小型企业而言是一个门槛。然而,随着技术的进一步成熟,模拟数据的潜力将得到更广泛的挖掘。

1R-014 原文插图

未来展望的机遇与挑战

在数据合法性政策的推动下,高质量的合规数据集正在成为生成式AI领域不可或缺的核心资源。这些数据集不仅为模型训练提供了稳定支持,还成为许多企业竞争的主要领域。例如,Getty Images 拥有的大量授权图片,正在被用于多种生成式AI应用,其商业价值因法规的加强而显著提升。

与此同时,数据授权模式的兴起也为行业创造了新的商业机会。通过出售高质量的数据包或提供订阅服务,内容库企业正在开发新的收入来源。对于 AI 公司而言,与这些企业合作则大大减少了数据合规的风险,并为其模型性能的优化提供了高质量支持。这种双赢的合作模式将随着法规的进一步完善而更加普及。

机遇:合规数据的商业价值进一步提升。拥有高质量数据资源的企业将在竞争中占据优势。模拟数据和扩散模型的技术进步为行业开辟了新的应用场景。法规的完善为行业创造了稳定的发展环境,并吸引更多资本的关注。

挑战:数据获取的成本持续上升,这可能限制中小型企业的参与。技术与法规之间的平衡仍需探索,如何在创新和合规之间找到最佳方案是行业的长期议题。全球法规的不一致性为跨国企业带来了复杂的合规挑战。

未来,技术突破和法规完善将共同塑造一个更加透明、高效且富有创造力的AI生态系统。中期(3-5年):数据合法性将成为市场的关键门槛,合规企业可能占据更多市场份额,而非法数据来源将逐步退出。长期来说,高质量、独特内容库将变得更加稀缺,其提供者将在市场中占据核心地位。

请在手机微信登录投票

如果现在抄底长期持有,你会选? 单选

视觉中国 0票 0%

Getty Images 1票 50%

Shutterstock 0票 0%

股市有风险,入市需谨慎 1票 50%

【提醒声明】本文部分事实没有Fact Check,对话中ChatGPT4o肯定还存在幻觉,比如他第一次谈到视觉中国是说是新三板公司,对于我比较明确知道的,我都一一让它重新回答,但也只能保证80%应该没问题,可以说是基本反映行业状况,如有错漏欢迎评论区指正。