靠AI生成超逼真模特兒，95% 的人都無法分辨！從試穿衣服到棚拍都沒問題|數位時代 BusinessNext

AI生成超逼真模特兒，95% 的人都無法分辨！從試穿衣服到棚拍都沒問題

傳統型錄製作相當耗時費工，現在連模特兒都可以靠AI生成！讓換衣服、試裝到印刷的工作流程加速許多，而且與真人相似度極高，大約95%的人都無法分辨。

Artificial Talent

位於美國芝加哥的 Artificial Talent 是全球第一個 AI 模特兒公司，透過 AI 及 3D 技術，經過數千個真實頭部、臉部分析後，其開發的 Adonis® 臉部生成引擎可大規模生成完全客製化的逼真 AI 模特兒，進而幫助零售品牌降低成本、縮短產品推出時間，並協助解決目前廣告相關社會責任議題（族群平等與多樣性）。

企業用戶可先與該團隊聯繫討論以現有 AI 人像素材組合塑造或是客製專屬品牌模特兒，並將服飾寄給 Artificial Talent 進行拍攝及 3D 塑型。團隊完成合成後，企業用戶將收到登錄帳戶資料並像查看傳統照片那樣檢查及確認所需照片。

這時候你可能腦中浮現的是過去看起來僵硬、虛假的臉部模擬圖，但事實上經過測試，即使在已告知兩張照片其中一張是 AI 模特兒的前提下，仍有 95% 的測試者無法分辨出模特兒真實與否。

Lalaland

Lalaland 是一家位於荷蘭的新創公司，主要為服飾電商提供逼真的AI生成模特兒及合成照片服務。

企業用戶可先上傳新產品設計圖片，接著根據品牌形象、產品人物誌（Persona——行銷規劃或商業設計上描繪目標用戶的方法，用來分析並針對不同用戶類型設計策略）設定身形、年齡、膚色、種族等以塑造所期待的AI模特兒，接著在發布使用後，更可以針對成單成效、AB測試等評估，回到第二步驟優化圖片，改變姿勢及妝容等再次成圖。

Lalaland 指出，從實體拍攝轉至AI模特兒後，將節省70% PDP攝影費用，整體成圖時程較過去加快230%，點擊率（CTR）增加 140%，進而提升轉換率，並使營收增長 15%！

用AI模特兒打造雙贏

電商、時裝零售商通常會為同一種款式服裝提供多種顏色選擇，有時甚至一件連帽上衣就提供多達 10 種顏色選項，透過這類 AI 生成模特兒服務，企業即可利用 Photoshop 等相容工具，輕鬆點擊按鈕於幾秒鐘內為模特兒換上不同顏色的衣服。

電子商務消費者都希望能在下單前便全方位地了解產品在自己身上可能呈現的樣貌，以減少退貨麻煩。為滿足消費者的期望，少量、單一的模特兒展示圖片模式將成為過去，在不大幅提升模特兒、照片組數以控制成本的情況下，AI 生成模特兒或將成為最佳選擇之一。

本文授權轉載自：FC未來商務

過去兩年，人工智慧技術以史無前例的速度翻轉企業營運與競爭態勢，從客服、知識管理到軟體開發，越來越多企業將大型語言模型（LLM）導入企業營運流程，隨著應用程度的深化與廣化，越來越多發現，真正的挑戰早已不只是「選擇哪個模型」，而是如何管理算力、控制成本、確保資料安全，以及讓不同世代GPU、模型與AI應用可以持續共存與調度。

代理式AI崛起後，AI應用從回答問題進展為執行任務、操作系統以及串接流程，連帶拉升對AI基礎設施的需求與架構複雜度，而這意味著，想要發揮AI綜效，光只有模型與技術尚不夠，必須將整體IT環境逐步升級為AI基礎建設（AI Infra）。

深耕AI管理領域多年的數位無限（INFINITIX），近年積極布局軟體定應AI基礎建設（Software Defined AI Infrastructure）市場，除持續深化與GPU、伺服器與AI硬體生態系的合作關係，如於2021年取得NVIDIA Solution Advisor全球夥伴資格，2025年亦獲AMD GPU生態建設夥伴獎，也因應市場需求推出AI-Stack與ixCSP兩大產品線，協助企業、雲端服務供應商（CSP）與新世代AI雲端業者，更有效率地管理跨世代AI算力資源。

數位無限執行長陳文裕表示：「我們的目標是協助客戶打造軟體定義AI基礎架構，讓其可以視需求向下整合不同世代GPU、儲存與網路設備，同時，向上鏈結模型、Token跟AI應用，加速企業的AI創新轉型腳步。」

從AI模型到AI經濟，企業競爭焦點轉向算力與Token調度能力

過去市場談AI，焦點多半放在模型參數、推論效能與模型能力，但在大型語言模型推論需求暴增的現下，AI Infra早已從單純GPU採購演變成涵蓋機櫃、網路、儲存、散熱與電力的整體工程；企業真正需要的，不是更多GPU、而是如何更有效率地調度與利用算力。

尤其在NVIDIA提出Token Factory概念後，全球AI產業正逐步從模型競賽轉向「AI經濟」，亦即，影響企業AI決策的再也不是使用哪個模型、部署多少GPU，而是消耗多少Token、產生多少AI服務，以及算力是否能被有效共享與調度。

換言之，在AI新世界，算力調度能力的重要水漲船高。對此，陳文裕十分認同的說：「企業想要提升AI競爭力，不僅要掌握模型與應用，還必須進一步思考如何有效切割GPU資源、讓不同部門甚至集團子公司共享算力、延長舊世代GPU的使用壽命，甚至是如何將閒置算力轉變成可交易的資源等。」

事實上，這也是大量AI資料中心（AIDC）跟新世代AI雲端服務（Neo Cloud）業者出現的原因，包括CoreWeave、Nebius、Lambda Labs、GMI Cloud等業者皆試圖以更具彈性的方式，提供企業所需的GPU服務與AI算力平台。

看準這波趨勢，數位無限除透過AI-Stack提供GPU切片、模型部署、模型管理與MLOps等服務，協助客戶提升GPU使用率，更進一步推出ixCSP平台，讓雲端服務供應商與新世代AI雲端業者，能從過去單純販售GPU資源轉型為提供GPU as a Service、Token as a Service與Model as a Service等創新AI服務。

以Software Defined AI Infrastructure助企業以「通用化、鬆耦合」迎戰瞬變AI世代

因應AI新世代帶來的挑戰：模型快速升級、算力需求攀升、GPU世代交替迅速，企業在追逐AI落地的同時，勢必得面臨基礎建設更新速度過快、硬體投資壓力升高，以及資源利用效率難以最佳化等挑戰。

為協助企業在AI快速演進與基礎建設投資之間取得平衡，數位無限的作法是，透過AI-Stack將底層硬體抽象化，以Token或模型服務形式提供，讓企業客戶、AIDC與Neo Cloud業者可以延長不同世代與不同品牌的AI硬體設備的生命週期、創造更高的使用價值、甚至是展開更多元的營收模式。

例如，高雄醫學大學附設中和紀念醫院便透過數位無限的AI-Stack解決GPU資源調度效率不彰問題，加速39項AI模型進入臨床應用階段，成功建立起「從模型開發到臨床落地」的完整生態系統。而日本精密製造大廠–Union Tool Co.–則是透過AI-Stack簡化GPU資源共享、加速AI模型的開發與測試腳步，為提升生產效率做最佳準備。

「如果大型企業或AIDC業者擁有閒置資源，也可以透過ixCSP平台，把算力共享或調度給集團內部團隊、子公司，甚至上下游合作夥伴使用，進一步提升整體資源利用率。」數位無限執行長陳文裕如是說道。

隨著AI從工具演變成企業核心基礎建設，企業真正需要的，也不再只是單一模型，而是一套能持續適應AI快速演進的AI Infra，而這與數位無限近年來的重要轉型方向一致：從AI管理軟體提供者轉型為軟體定義AI基礎建設供應商，更好協助客戶打造具備「通用化」與「鬆耦合」特性的AI基礎建設。

除以AI-Stack與ixCSP協助客戶提升算力使用效率與價值，數位無限亦計畫與硬體合作夥伴推出Agentic AI一體機方案，協助企業快速建立可驗證、可部署、可切割、可共享的AI運算環境，降低企業從PoC走向實際導入的門檻，加速AI落地。

總的來說，隨著AI競爭從模型能力延伸到算力治理，企業比拚的不僅是導入速度，而是能否建立一套足夠彈性、可持續演進的AI Infra，而這與數位無限的發展目標一致，將持續不斷優化產品服務，化身企業搶進AI新世代的關鍵合作夥伴。