甲第 前天猫3D试衣负责人 一年服务超千家客户后 他想做的不只是AI效率工具

推荐语

服装，一个永远不缺水大鱼大的万亿赛道，正在等待属于它的“AI革命”。

曾经，Shein靠极其强悍的柔性供应链重塑了快时尚，造就了千亿美金的估值。如今，在AI时代，下一个“Shein”会以怎样的面貌诞生？

前天猫3D试衣负责人、浙大人工智能博士甲第给出了他的答案：用AI将服装行业最核心的底层驱动力——“审美”，进行规模化与工程化。他创立的MuseGate定位“服装内容创作与营销Agent”，——在为B 端构建高壁垒Agent基础设施的同时，又将该能力释放至Prosumer（生产型消费者）端，打造出一键完成服装内容创作的极致体验。

相比于高谈阔论，MuseGate的风格是“潜入泥潭”，用极强的执行力快速迭代。在不到一年的时间里，其付费客户已突破1000家，2026年单品营收预计超5000万。

在AI应用普遍面临商业化挑战的当下，这样的起步速度和变现效率尤为亮眼，也让MuseGate在 B端赛道中占据了有利身位。与此同时，它已将目光投向了更广阔的泛C 端市场。

其产品的核心吸引力究竟是什么？这支阿里老兵组成的团队，将如何用AI Agent撬动服装行业的未来格局？让我们一同探寻甲第的思考与布局。

真正的壁垒往往不是单纯的技术或算法。能让我们走更远的，是在一个极其复杂的业务场景中，通过长期积累打磨出来的专属数据资产，以及不断验证并融入在模型中的行业和场景know-how，这些能力会沉淀下来成为长期的复利。这才是真正的壁垒。

从创业第一天开始，我们关注的就不只是“为企业提效”，而是AI时代下如何为企业和用户创造增量价值。而做C 端体验的前提，是要先掌握行业最底层的核心能力，才能水到渠成。

服装行业的底层驱动是审美。过去工业革命规模化了物理能力，信息革命规模化了信息处理与传播能力，这次AI革命正在规模化人类的认知与决策能力。而服装行业恰好又高度依赖审美判断与内容决策，我认为这里面有非常大的机会。

我认为“竞”和“争”是两件事，“竞”的是能力，“争”的是客户，而这两件事都只跟自己相关。我更关注的是，业内有什么能力是我们没做好、而又是客户很需要的。

服装行业的AI产品核心是三句话：高还原是生死线，高审美是入场券，最终要回答“你能帮我做增量生意吗？”。

创业后，我最大的转变是从讨论“好坏”问题到面临“生死”问题。心态上，我也从一个失控就焦虑的计划型J 人，逐渐变成了一个能享受任何结果的感知型P人，因为大部分事情无法计划，只能靠快速试错和快速学习推进。

很多关键需求不是客户“说出来”的，客户会给你线索，但你不能机械地照做。真正重要的是，你真的理解客户在那个具体场景中的痛苦吗？这看上去是一个需求和方案问题，实际上它首先是一个理解和感受问题。

在某种意义上，商业模式本身也是价值创造能力的映射：如果你只能提供降本提效，你就是一个工具；如果你能稳定创造增量，你才有机会和客户共享收益。

未来的软件体验会从“人操作工具”，变成“人表达意图，AI交付结果”。尤其是OpenClaw的出现，让我看到了这种体验范式升级的确定性，一个新的时代要来了。

很多时候最难的不是技术本身，也不是“有没有新点子”，而是你能不能长期遵循商业常识，不做那些短期有益、长期有害的事情。这个挺难的，因为创业每天都在考验人当下的欲望和恐惧。

01从阿里P9到 AI创业，一个技术老兵的时代感召与必然选择

ZP： 甲第总您好，我们很高兴今天能请到您。我们知道您在阿里有过一段长达12年的宝贵经历，可以先请您简单讲一下过去吗？

甲第： 我本名叫渠瑜，甲第是在阿里的花名，被叫久了就习惯了。我是浙大人工智能的博士，毕业后加入了阿里，先是在风险管理事业群负责攻防体系的AI升级，后来去了芝麻信用，首次推出了先用后付这个模式，这也是我第一次将AI技术与用户场景结合，找到了一个C 端的PMF（Product-Market Fit）。最后一段在天猫探索了3D虚拟试衣，完成了一次关键验证：3D的交互体验有价值，但商业成本太高很难规模化落地。这个“证实 + 证伪”的过程，对我后来的创业决策影响很大。

ZP： 当时是什么样的契机，让您决定创业呢？

甲第： 我博士最早的研究方向就是神经网络，后来因为算力条件限制，很多方向推进不下去，我就转去做了小模型。直到2022年11月30日，ChatGPT出来那天晚上，我印象非常深，基本一夜没睡。我当时最大的感受是：一个新的时代要来了，而且这次变化的速度和深度可能会远超很多人的预期。

我在2011年加入阿里的时候，其实并没有意识到自己正在进入移动互联网时代。但这一次不一样，我非常清楚的意识到，AI正在打开一个新的时代窗口。我希望自己不只是经历这个变化，而是要作为一个参与者去推动一些改变和价值创造。

ZP： 为什么最后切入到了服装这个垂直的领域？

甲第：主要有两个原因。第一，我在阿里的最后几年一直在做服装相关场景，对这个行业已经有比较深的理解。第二，我过去几段经历给我一个很强的结论是：AI只有落在具体的场景中，才能更好的创造增量价值。无论是风控、先用后付，还是3D试衣，本质上都是“技术能力 × 场景理解”的产物。所以创业第一天，我就决定要做垂直领域。

02以工业革命为鉴，AI将规模化“审美力”，解决行业百年效率难题

ZP： 您对服装行业有什么特别的理解？听说您为了创业还去研究了工业革命史，这很特别。

甲第： 是的。在阿里接触过很多行业后，我发现服装行业特别有意思。首先，它是人类第一大刚需类目，也是全球规模最大的产业之一。其次，它很复杂，非常长尾且非标。你会发现，在这么大且复杂的一个行业里，最核心的东西不是供应链、生产能力甚至不是销售能力，而是一个叫“服装审美”的东西。一件衣服好不好卖，核心是看审美有没有击中它的目标人群。

所以我一直说，服装行业的底层驱动力是审美。

美学给人的感受是非常主观的，我喜欢的风格你可能不一定喜欢。但我们真正做进去后发现，服装审美其实是可以被解构、被AI学习的。这件事一旦成立，它就不再只是“感受”，而会变成一种可以被规模化调用的能力。

我之所以去看工业革命史，是因为我想理解“技术革命为什么总会先在某些行业发生深刻变革”。有意思的是，工业革命最早系统性重塑的就是纺织服装业。从纺纱、织布到工厂化组织，它本质上是把原来依赖专家经验和人工的环节，逐步标准化和规模化。

从这个角度看，这次AI革命和工业革命、信息革命有一个共性：都在规模化某种能力。工业革命规模化了物理能力，信息革命规模化了信息处理与传播能力，而这次AI革命正在规模化人类的认知与决策能力。而服装行业恰好又高度依赖审美判断和内容决策，我认为这里面有非常大的机会。

ZP： 能否为我们描绘一下服装行业的全景，以及您看到的行业核心痛点是什么？

甲第： 一件衣服从设计到销售的链路极长，涵盖：设计、打板、生产、拍摄策划、拍摄、后期修图、线上素材制作、上架和投放等等。在没有AI的时代，这条高度依赖人工协同的流水线面临着三个致命的痛点：

第一，人才非标。各个环节对人都有专业要求，企业寻找、筛选和培养“懂行”人才的时间与沉没成本巨大。

第二，协同损耗。从设计创意到后链路的营销，漫长的人工对接必然导致信息偏差与最终效果的打折。

第三，响应滞后。今天的消费者审美是瞬息万变的，传统的人工协作模式和员工天然的学习曲线，根本无法快速响应这种变化，极易错失市场红利。

因此，今天服装企业共同面临的困局，是传统的协作方式已无法适应快速变化的市场。我们用AI重构这条链路，本质不仅是为了降本，更是为了抹平人才的参差不齐与协作损耗，让企业的响应速度能匹配消费者的变化，从而创造出真正的增量价值。

ZP： 您对服装行业未来5年有什么大胆的预测？

甲第： 我判断未来5 年，行业会发生三个深刻变革：

第一，核心能力的平权：AI Agent将弥补行业巨大的人才断层。服装产业高度数据化且非常依赖经验决策，但现实是，专业的高端人才大多流向了互联网等新兴产业。未来，AI Agent将成为企业的“超级外脑”，它不是简单的执行工具，而是能大幅提升普通员工单兵作战能力的硅基专家，让普通人也能做出专家级的业务决策。

第二，“小单、甚至零单快反”，将从巨头的特权，变成行业的普世基建。零库存喊了十几年，为什么过去只有Shein、Zara能做到极致？因为彻底打通前端设计、营销到后端供应链，需要极高的人才密度和资金密度去砸系统，普通企业无法承受。但今天，AI能够以极低的成本将这条链路串联起来，实时捕捉消费者的趋势变化。这意味着，每一个普通的服装企业，都有机会借助AI跃升为具备“Shein级”快反能力的超级公司。

第三，组织形态的彻底重构。当AI既补齐了高端人才的缺口，又解决了跨环节的协同效率，传统科层制分工的组织形态将成为最大的瓶颈。未来的服装企业会变得轻量化，组织形态会围绕“人 +Agent”的协同方式进行重构。

03 AI产品的价值三段论：生死线、入场券与增量生意

ZP： 回到我们的业务上，AI模特图是个很火，并且供给很充分的方向。我们如何脱颖而出？

甲第： 最关键的还是“服装审美”。其实在2023年下半年，我们一度判断图片市场已经饱和了，所以我们最开始尝试的是视频方向。但当我们和客户深度沟通后发现，没有一家能用起来，我们当时还用SD出了些图给客户看，有人说“姿势不对”，有人说“脸的感觉不对”，有人说“场景不对、气质不对”。

但我们把这些反馈放在一起看，发现他们其实在说同一件事：服装审美不对。那一刻我才真正意识到，“审美”不是一个模糊概念，而是服装AI产品能否进入业务场景的门槛。也正是从那个时候开始，我们明确了自己核心的价值三段论。

我们内部把它总结成三句话。第一，“高还原是生死线”。如果一件衣服的细节都还原不对，那这张图在商业上就不可用。这一条就过滤掉了市场上90% 以上的通用AI方案。第二，“高审美是入场券”。这衣服还原的不错，但你知不知道我这种风格的衣服应该出成什么样子？你不知道，还是拿不到入场券。这个门槛，又过滤了剩下10%中的绝大多数。第三，当你拿到入场券之后最终要回答：“你能帮我做增量生意吗？”，这是所有商家最关心的事，也是AI产品能真正立足并成为行业基建的核心。

ZP： 您刚提到全网都没有服装审美的数据，那我们是怎么解决这个问题的？这听起来就是最大的壁垒。

甲第： 是的，我们最大的壁垒本质上是：建立在服装审美know-how之上的服装审美模型能力。

首先，我们在长期服务客户过程中不断积累对服装审美的理解；其次，是把这些审美理解结构化、数据化、模型化。

比如我们现在会把一张服装模特图，从服装摄影的视角分成多个流派，再进一步抽象成“人、衣、景”三个维度，并继续解构成几十个子维度去描述。仅“人”这一个维度里，模特类型、妆容风格、姿态等等，都可以继续被拆解和标注。除此之外，我们还会从消费者风格偏好的角度打标签，比如“松弛感”、“老钱风”、“熟女风”等。最终一张图会同时带有行业视角和消费者视角的标签，模型才有可能真正学到“审美决策”。

但更核心的壁垒，其实是大量重投入的基础工程。

第一是数据清洗。我们筛选了千万级的图片数据，但真正能进入训练的数据占比不到20%。为了提高数据质量，我们自建了十几个CV模型做识别和过滤，把大量不符合要求的数据剔除掉。这个过程很耗时间，也很不“性感”，但它决定了模型能力的上限。

第二是标签体系和打标迭代。数据有了，不代表模型就能学会。我们需要不断验证“模型到底该学什么”，这件事只能通过反复迭代：先小规模人工标注，训练模型看效果，再扩大标注，再根据结果review看是标签定义有问题，还是数据清洗策略有问题。这个过程很笨，每一步都很dirty，但没有捷径。

所以我一直觉得，真正的壁垒往往不是单纯的技术或算法。能让我们走更远的，是在一个极其复杂的业务场景中，通过长期积累打磨出来的专属数据资产，以及不断验证并融入在模型中的行业和场景know-how，这些能力会沉淀下来成为长期的复利。这才是真正的壁垒。

ZP： 一个典型的客户，是怎么用我们的产品去产生价值，实现您说的“增量生意”的？

甲第： 我们最开始切入得很简单：帮客户生成符合他服装审美的模特图，先解决“可用”和“效率”问题。但随着对行业理解的加深，我们发现客户真正要的不是一张图，而是从设计到营销整条链路上的经营结果。

所以我们开始沿着这个链路，逐步扩展能力。

比如“后期处理”，客户会明确告诉我们：羽绒服表面处理得更光滑，点击率会更高。那我们就做相应功能，让他在AI流程里直接实现这种效果，而不是再切回修图流程。

再往前，我们做了“款式设计”。以前一个设计师一个月要改几十个款，从月初忙到月尾。现在借助AI，我们在一天之内能帮助他快速生成多个改款方案，设计师的效率会大幅提高。

我们还做了“拍摄策划”。很多企业没有成熟的拍摄策划能力，我们就让AI参与：你告诉我平台、风格方向、目标人群，系统可以给出模特类型、场景建议、拍摄建议，然后再进一步生成内容。

再往后，我们在做商详页和素材优化的相关能力。你可以看到，我们并不是从“功能数量”出发，而是沿着设计到营销的全链路不断推进：切入点是模特图，但关注点始终是客户的增量生意。

另外我特别想说的是：很多关键需求不是客户“说出来”的，而是要在真实场景里和客户一起工作过一段时间才会发现的。客户会给你线索，但你不能机械地照做。更重要的是，你真的理解客户在那个具体场景中的痛苦吗？这看上去是一个需求和方案问题，实际上它首先是一个理解和感受问题。

ZP： 这个“增量”具体是怎么衡量的？

甲第： 从生意的视角，我们内部会把“增量”理解成三类：

第一类是时间增量。

过去服装在上架前，光拍摄就要花一个多月，而今天使用MuseGate想上新就能上。并且，现在服装SKU的生命周期也就一到两个月，用了MuseGate等于多卖了一个多月，时间窗口本身就是生意。你比别人早上新、早测试、早迭代，这就是增量。

第二类是人群增量。

同一件衣服，以前因为拍摄成本高，企业通常只能拍少数几套素材，覆盖的人群有限。现在借助MuseGate，可以针对不同年龄、不同场景生成多风格内容，把同一件货卖给更多细分人群。我们有客户在跨境平台上就明显体现出了这一点：以前素材和店铺策略覆盖有限，使用我们后可以更精细的做多人群、多场景经营。

第三类是效果增量。

也就是更直接的经营指标，比如点击率、转化率、投放ROI等。这一类增量更容易量化，是我们今年继续推进的重点方向，也是我们更擅长的部分。

所以我们说“增量”，不是一句口号，而是可以拆成时间、人群、效果三类指标去看。

ZP： 您怎么看从服务B端到计划推出C端产品的战略跳跃？

甲第： 我们不把它看成一次战略跳跃，而是一个水到渠成的事情。

从创业第一天开始，我们关注的就不只是“为企业提效”，而是AI时代下如何为企业和用户创造增量价值。而做C 端体验的前提，是要先掌握行业最底层的核心能力。

这也是为什么我们先从B 端做起。因为在B 端真实业务场景里，我们才能持续沉淀服装审美模型、行业know-how和整条链路的理解。与此同时，我们也发现一个很重要的事实：很多企业里的真正高频使用者，其实是设计师、视觉美工、策划师，以及博主这些prosumer。当底层能力成熟后，我们就把这些能力在前端交互和Agent能力上重新组织，自然就可以服务他们。

所以我们的B到 C不是“换赛道”，而是“同一种底层能力，不同的用户界面”。

04客户数一年破千，深度合作头部品牌，只做与客户增量收益挂钩的生意

ZP： 我们目前主要服务的客户画像是怎样的？

甲第： 这个画像其实是逐步变清晰的。最早我们切入的是模特图这个单点能力，几乎所有服装企业都需要图，所以一开始客户的覆盖面很广：线上线下、内贸外贸、货架直播、批发零售，童装、男装、女装都有。当时我们只对客户规模有要求：至少是中型以上企业。因为只有他们才有美学know-how，我们才能在服务他们的过程不断积累 。

但随着我们把核心价值锚定在“增量生意”，客户画像就收敛到了线上客户。因为只有在线上，数据链路才是完整的，我们才能基于结果，反向去帮助客户优化设计、素材和投放。

有意思的是，当我们带着产品走进这些企业做调研时发现，目前从设计到营销的工作链路上，AI的实际渗透率还不到5%。大家都知道要用，但不知道怎么用。按照目前的趋势，未来3 年渗透率达到80% 是大概率事件。到那时，AI就不再是服装行业的“效率工具”，而是一个“生存底线”了。

ZP： 方便透露一下目前的客户和收入体量吗？以及商业模式是怎样的？

甲第： 我们在不到一年的时间里，累计服务的付费客户数已经超过1000家了。这些客户里既有线上头部品牌，也有头部的出海企业，还有一些社媒的头部博主。按目前节奏看，2026年单款产品的收入预计会超过5000万。

当前的商业模式以“先充值、后消耗”为主，这对我们来说有两个意义：

第一，它是当前阶段更高效的产品化交付方式；

第二，它能帮助我们持续验证需求——不是我们觉得客户需要什么，也不是客户说需要什么，而是他是否愿意付费。

但从长期来看，我们并不把自己定义成一家传统SaaS公司。SaaS是当前阶段的产品形态，不是终局。随着Agent能力增强，客户会越来越在意“结果交付”和“经营增量”，而不只是购买一个功能模块。

我们从创业第一天就在思考：AI时代下，企业的生意增量和用户的体验增量是什么。对于企业来说，能不能做与客户增量收益更强绑定的模式，比如分润或结果导向的合作。只有当我们真正为客户创造了增量生意，这种合作关系才成立。

在某种意义上，商业模式本身也是价值创造能力的映射：如果你只能提供降本提效，你就是一个工具；如果你能稳定的创造增量，你才有机会和客户共享收益。

ZP： 您如何评价现在的团队？在招人上有什么偏好？

甲第： 我的创始团队都是在阿里长期共事过的同学，彼此非常信任，也知道在高压环境下彼此怎么协作。

我的联合创始人路微，也是阿里的P9，她一直在平台型业务里做营销产品与用户增长。她是最早百度凤巢的产品经理，后来加入京东，从0到1帮助京东搭建了广告产品体系。再后来加入了阿里，先是负责阿里妈妈的广告业务，不到一年就因为工作出色被调入淘天集团的会员事业部。在她的带领下，淘天的88vip会员在不到两年时间实现了4 倍增长，打造了到目前为止依然是电商行业付费会员体系的标杆。所以你可以看到，我们之间很互补，我更擅长产品技术从0 到1 的突破，她更擅长大规模用户增长的产品和运营。

在招聘上，我们抛弃了唯背景和学历论，彻底转向了“实战导向”。现在的面试，就是直接现场问题拆解加AI Coding。这种选人标准带来的结果，就是团队具备了极强的交付能力：大功能3 天跑通上线，小功能当天开会晚上发布。 在技术范式剧变的今天，只有把AI当作超级杠杆和极速迭代的实战能力，才是公司真正的生命线。

ZP： 您认为MuseGate长期的竞争对手会是谁？

甲第： 我觉得很多时候大家把“竞争”误解了。我认为“竞”和“争”是两件事情，“竞”的是能力，“争”的是客户，而这两件事情都只跟自己相关，跟他人无关。客户选择我还是别人，比较的是谁的能力更能解决他的问题。所以比起盯着所谓的“友商”，我更关注的是，现在有什么能力是我们没做好、而客户又很需要的。还是要回到自己。

快问快答

ZP： 如果用三个词来定义MuseGate的2026年，会是哪三个词？

甲第： 我看到这个问题，脑子里直接就出来了三件事：B端商业化规模、C端产品创新和组织进化。2026年我们to B的商业化增长是相对确定性的；同时，C端产品也会快速迭代，验证PMF。在这两件事之上，组织能力会变得尤为关键。对创业公司来说，团队就是一切，我们必须把组织进化成更AI Native的状态。

ZP： 从大厂高管到创业公司CEO，您个人最大的转变是什么？

甲第： 最大的一个变化是，之前在大厂，讨论的都是“好坏”问题；创业以后更多是“生死”问题。以前觉得世界是有地图的，只要科学的找到方法就能走出来。创业后发现没有地图，地图要自己画，而且得一边走一边修正，画不对你可能就挂了。心态上，以前我是个典型的J人（计划型），事情失控会焦虑。创业后发现，很多事情不是靠计划推进的，而是靠快速试错和快速学习推进的。现在我反而能更平静地接受结果，变成了P 人（感知型），也开始享受这个过程。

ZP： 过去一年，AI领域最让您兴奋的技术突破是什么？

甲第： 是vibe coding和 OpenClaw。之所以兴奋，是因为它让我更确定一件事：未来的软件体验会从“人操作工具”，彻底变成“人表达意图，AI交付结果”。尤其是OpenClaw的出现，让我看到了这种体验范式升级的确定性，而这种升级才有机会推动终端设备的范式换代，可能没这么快，但确实很兴奋，一个新的时代要来了。

ZP： 除了工业革命史，最近对您思考公司战略影响最大的一本书是什么？

甲第： 段永平的《大道》。我看完后写了一句话：投资和创业是一个硬币的正反面，成事的关键是对自我人性的修炼。这本书讲的是投资，但放在创业里同样成立。比如“做对的事情”，很多时候最难的不是技术本身，也不是“有没有新点子”，而是你能不能长期遵循商业常识，不做那些短期有益、长期有害的事情。这个挺难的，因为创业每天都在考验人当下的欲望和恐惧。如果你能尽量不做错的事情，跟着时代的大方向走，长期下来公司的底线就不会低。这本书对我在创业和经营上的影响很大。

ZP： 回到创业第一天，如果能给当时的自己一个建议，您会说什么？

甲第： 全力去创造，不可辜负了这个时代。

这两年我越来越清晰地感受到，我们正处在一个伟大变革的前夜。而这种级别的技术与社会变革，在人类历史上总共也只发生过几次。

春节期间看《太平年》，有一个很深的感触：和平年代在人类历史中，是稀缺的。回头看五代十国那样的战乱，你会强烈地意识到，能生在一个太平年景是件多么幸运的事。

还有国运。国家越来越强大，营商环境也在变得更公平，创业者才有机会发挥能力，为社会创造价值。

时代变革、太平年景、国家强大——这三件事，每一件单独看都是一个极小概率的事件，而我们何其有幸恰好同时身处其中。

所以我会对当时的自己说：一定要全力去创造，去做些真正能改变的事吧，不可辜负了这个时代。

注：文/龚作仁，文章来源：Laborer，本文为作者独立观点，不代表亿邦动力立场。