AI模特兒來了!誰最先被搶走飯碗?AI對上真人,你會更信誰?
AI模特兒來了!誰最先被搶走飯碗?AI對上真人,你會更信誰?

在你眼前的這個模特兒,穿著白色T恤和中長牛仔連身裙,露出一個標準的職業微笑。如果圖片出現在某個網購平台,很大機率會被淹沒在五光十色裡,被我們的手指輕易地劃過。

AI模特
圖/ 愛范兒

停留下來多看一眼,你可能就覺得不太對勁了,她的肢體略顯僵硬,脖子下面的陰影有些奇怪,靴子像是劣質的芭比娃娃同款。沒錯,這是一個不夠完美的AI模特兒,但以後會越來越真實。

我是一名模特,我知道 AI 最終會取代我的工作。

三年前,加拿大模特Sinead Bovell 為時尚雜雜誌《Vogue》寫下了這篇文章。現在,她的預言似乎正在實現。

AI模特兒時代已至,「AI模特兒經紀公司」應運而生

這個 AI 模特兒,來自牛仔品牌Levi’s。3 月,它和 AI 模特公司 Lalaland 達成合作,計劃在今年啟用 AI 生成的模特。

真實性暫時不在一個次元,AI 模特兒就在速度和多樣化上和人類競爭。

AI模特兒
圖/ 愛范兒

按照 Lalaland 的說法,AI 模特兒的靈感來自真人,但由 AI 生成。

它們的各方面都可以自定義,包括髮型、體型、膚色、姿勢、情緒等,整個流程甚至不到 5 分鐘。

延伸閱讀:Levi's推AI模特兒,胖瘦老醜都可打造!更貼近真實還是想省錢?Levi's緊急滅火

更多 AI 模特公司,正如雨後春筍一樣蓬勃生長。

新創公司 Botika 推出了一項 AI 模特服務,計劃每月收費 15 美元,主要面向小型企業,現在還屬於啟動階段,等候名單已經排到 1000 名以外。

AI模特兒
圖/ 愛范兒

在官網影片裡,一張遮住臉的照片被裝上了頭部:

單一模特兒適合所有人的日子,已經一去不復返了。只需點擊一個按鈕,即可根據臉部表情、膚色、髮型、背景等更改模特兒。

AI模特兒
圖/ 愛范兒

AI 內容生成網站 ZMO,示意圖(上圖)將皺摺和觸感做得不錯,但沒有影子顯得背景太假。目前只開放等候名單,但光是他們宣傳文案就很想讓人連夜排隊:

只需幾分鐘,而不是幾周,就可以將您的產品放在模特兒上!

荷蘭新創公司 Deep Agency,更是高調地自稱為「AI 照相館和模特兒經紀公司」。

他們的服務聽起來物廉價美:每月支付 29 美元,輸入提示詞,調整背景、鏡頭、姿勢等等,便可以用 AI 生成模特。

AI模特兒
圖/ 愛范兒

平心而論,生成的圖片又生硬又有一種塑膠感,價格還比 ChatGPT Plus 貴。

將視線放回中國,不少電商從業者也在用Stable Diffusion 等 AI 工具自主探索,甚至基於這些工具二次開發 AI 模特兒換裝系統,早在 3 月就有人做出了完成度很高的 AI 模特兒圖片。

小紅書之前有一條熱搜:「這是不是第一個被 AI 顛覆的職業?」說的就是淘寶模特兒。

但在模特兒經紀公司高管Simon Chambers 看來,AI 模特們的用處還很有限,既沒有感情,也沒有創造力:

AI 模特最適合出現在用來參考的基本圖像,而不是與客戶建立關係的行銷或推廣。

當下,大多數 AI 模特兒確實只能走中低端的基本款路線,但重要的是未來的可能性。就算再粗制濫造,它們也已經開始了商業化。

AI入侵各行業,模特兒成為原畫師和好萊塢編劇的後繼者?

AI 模特兒和欣創公司不斷興起的原因很簡單,有需求就有供給。

聘雇專業模特兒,對中小企業來說是一筆很大的開銷。Tracy Porter 是一個經營服裝品牌的獨資企業,為了省錢親自上陣做模特兒,她之前招募過短期的攝影師、模特兒、髮型師和化妝師,但拍攝一次就要花費5500美元。

在中國較早探索AI模特兒的電商從業者「浪豬灰頭」也表示:「今年我們拍衣服不需要花四五萬一天雇用攝影師和模特兒了… 完全夠我們用了。」

AI 大力入侵的電商業務,恰恰是模特兒最可靠的收入來源。先不說完全取代,AI 的出現讓市場有了更多選擇,就可能讓人類的待遇降低。好萊塢編劇和原畫師便是前車之鑒。

好萊塢編劇抗議 AI 參與創作,怕的不是 AI 會替代他們,而是編輯們自己動手明明寫得更好,卻要被迫改寫 AI 生成的垃圾內容,薪資也在這個過程裡變相貶值。

類似地,不少原畫師變成了 AI 改畫師,甲方覺得圖像已經生成了,原畫師只需簡單地修一修,就把價格壓得很低,導致修圖的時薪遠遠不如原創。

現在也有人認為,與其用不夠成熟的 AI 模特,不如直接雇用剛入行的模特,平均下來時間和花費不一定更高。

AI 模特兒不只是影響到人類模特兒,失業的陰雲籠罩在全產業鏈,化妝師、髮型師、攝影師甚至創意人員,都可能受到波及。

時尚雜誌《Vogue》在巴西和新加坡的春季刊,已經使用 MidJourney、Dall-E 等工具,讓 AI 模特兒登上封面。

AI 正在證明自己,它既可以從事電商攝影,也可以涉獵時尚雜誌封面等高難度領域。

首當其衝的,還是那些被視作 AI 模特兒「平替」的、默默無聞的模特兒們。包括美國在內的許多地方,模特兒屬於獨立合約員工。所以,當 AI 模特兒浪潮襲來,他們可能很難得到保護。

這就是華盛頓大學 AI 倫理學者 Os Keyes 所說的,普通的模特兒、攝影師和藝術家,都特別容易受到生成式 AI 影響,因為他們缺乏結構化的力量:

Deep Agency 等應用,如果它們有效的話,將進一步踢出本已不穩定的創意工作者的位置,並將錢轉移給這類新創公司,讓利潤更加集中。

botika2
圖/ 愛范兒

與之相反,盛裝出席 Met Gala、活躍在紅毯和大秀的超模,暫時還能安下心,在技術面前,他們的個人形象仍有價值。

幾年前的 CGI 模特就是一個參考。她們穿著 Prada、Dior 和 Gucci,被人類編造的故事賦予個性,創造著豐富的商業利潤。

CGI 模特
圖/ 愛范兒

功成名就的模特,已經在未雨綢繆。4 月底,50 歲的超模 Eva Herzigová 稱參與了身體掃描、動作捕捉等拍攝,計劃創造出數字分身「MetaHuman」,將它用到未來的廣告活動中。

MetaHuman
圖/ 愛范兒

「我們可以完全改變她的容貌,從頭髮、衣服、化妝、姿勢到虛擬環境,只需點擊一下按鈕。」

方便是一回事,粉絲接不接受是另一回事。人們可能不再相信「有圖有真相」,就像面對「被捕」的川普、「穿羽絨衣」的教宗方濟。在 MetaHuman 的評論區,一位粉絲留言道:

想念你的靈魂和你眼中閃爍的光芒。

AI模特兒展示多元容貌,但不是多樣性的代名詞

AI 模特兒不乏支持的呼聲,因為它們是一種展示更多面孔、膚色、體型的捷徑。

Lalaland 首席執行長 Michael Musandu 創業的部分原因,就是他自己很難找到合適的模特兒:

作為一個在辛巴威長大的男孩,我很少在照片、廣告或秀場上看到長得像我的人。

但 AI 模特兒的多樣性,也為時尚產業的人士所質疑。

宣布引入 AI 模特兒的 Levi’s,因為這件事被送上了風口浪尖。人們憤怒的是,這家 2022年銷售額 62 億美元的大公司,嘴上說著要實現多元,卻不願意直接聘用多元的模特兒。

嗅到危機的 Levi’s 回應,不會減少人類模特兒的現場拍攝,AI 模特兒的作用是補充而不是替代,當每個產品由一到兩個人類模特兒拍攝,它們負責錦上添花,更快地產出更多樣的照片。

這話對於被捲入漩渦的模特兒來說,並沒有什麽說服力。

事實上,恰恰是有色人種、大尺碼模特兒等邊緣化的模特兒,最容易被自動化浪潮影響,因為他們更可能從事更底層的工作,可供選擇的機會也更少。

根據《Vogue》商業尺碼包容性報告,在去年秋冬時裝季(包括紐約、倫敦、巴黎和米蘭)展示的造型中,只有 0.6% 是大碼身材。今年 3 月,墨爾本時裝節因為缺少殘障模特兒而被批評。

然而諷刺的是,品牌們忽視真正的少數群體,用 AI 模特兒來代表少數群體。多倫多城市大學教授 Richard Lachman 認為,這種趨勢是令人不安的:

品牌希望創造出看起來符合社會狀況的模特兒,包括各種膚色、體型、種族,但它正在產生一種理想化的幻覺。AI 不是真人,它們實際上沒有豐富多樣性、增加崗位數量。

lalaland3
圖/ 愛范兒

與此同時,AI 模特兒本身也會被數據和眼算法的偏差影響,然後再加重某些偏見。

Vice 記者 Chloe Xiang 發現,Deep Agency 默認生成金髮白人女性模特兒,想要更改模特兒的外觀,必須另外添加種族、年齡等附加詞。那麽存在這樣的可能:在多出來的成千上萬張 AI 圖片裡,其他髮型和種族的女性將更加少見。

DEEP-AGENCY3
圖/ 愛范兒

所以,有些專家建議,AI 模特兒應該配備一個多元化的幕後團隊,其中包括邊緣化的人類模特兒,他們有償提供拍攝,彌補人口統計數據在時尚產業的不足。但又有一個灰色地帶隨之而來:誰真正擁有這些數據。

當我們在探討 AI 模特兒對時尚產業的各種影響時,始終繞不開加拿大模特兒 Sinead Bovell 的疑問:

看到多樣性是好事,但究竟誰得到了利益,誰得到了自動化?

熊彼特所提出的「創造性毀滅」或許可以解答:一項新發明的到來,比如 1880 到 1920 年代出現的電力和電器,就像是一陣大風刮過,改變了各個行業和整個經濟體。

一方面,新技術會消滅廣泛存在於經濟中的某種商業和工業;另一方面,新技術和新工業取代了那些崩潰了的技術或工業。

更便宜、更快速、更多樣化的 AI 模特兒,固然可以為少數群體代言,但受益的往往不是這些群體本身,至少他們無法直接受益,好處更有可能歸於技術精英。

從歷史的長期來看,技術將造福人類,所有人都能從中得到好處。但在不短的過渡期裡,將有人充當無聲的代價,一如眼淚消失於雨中。

延伸閱讀:工程師、設計師、CEO 和產品經理,誰會最先被AI取代?馬斯克這樣選

本文授權轉載自:愛范兒

責任編輯:蘇祐萱

關鍵字: #AI
往下滑看下一篇文章
AI NAS 何時才值得部署?QNAP 拆解地端 AI 的成本、算力與資料門檻
AI NAS 何時才值得部署?QNAP 拆解地端 AI 的成本、算力與資料門檻

當資料不能離開企業,運算就得靠近:AI 先改寫儲存架構

AI 帶來的第一個變化,不只是運算能力提高,而是企業必須重新決定資料放在哪裡。

儲存架構大致分為雲端與地端兩塊,QNAP 身為資料安全的守護者,長期發展的是地端網路儲存設備(NAS),並擴展至 25GbE、100GbE 高速網路交換器產品線,提供完整的儲存與高速網路基礎架構。威聯通科技(QNAP)總經理劉文義解釋,當資料因合規要求或敏感度不能上雲,就必須留在靠近使用者與應用的地方;運算需求一旦增加,承接資料的裝置也自然被推向地端 AI。

不能上雲的名單比想像中長。醫療業持有大量醫療個資,金融與保險業受到合規與法規限制,部分大學院校與設計公司也不希望資料被雲端存取。對這些組織而言,問題並不是雲端好不好用,而是一開始就沒有把核心資料全面上雲的選項。

qnap2.jpg
威聯通科技(QNAP)總經理暨威強電集團(IEI)董事長 劉文義
圖/ 數位時代

真正讓更多企業回頭計算的,則是長期成本。劉文義指出,資料上傳雲端可能免費,下載卻會按流量收費;當企業把一年、兩年、三年的費用加總回推,可能會發現,購買一台同等容量的 NAS,還能使用 7-10 年。資料規模愈大、存取愈頻繁,總持有成本的差距就愈值得評估。

這並不代表雲端與地端只能二選一。雲端仍適合模型訓練、程式開發與波動大的工作負載;地端則較適合高頻存取、對延遲敏感,或不能離開企業邊界的資料。企業真正要回答的,是每一類資料與任務應該放在哪裡。

依 QNAP 觀察,客戶過去關心的是需要幾 TB、幾 PB,或備份速度有多快;現在更常問的是,機器裡的資料要如何被 AI 活用。QNAP 也從 2021 年起,把公司發展定調在 AI 與高速網路的融合,試圖讓 NAS 從資料保存的位置,進一步成為資料被調用的位置。

當資料量持續擴大,搜尋與管理方式也會跟著改變。「在 NAS 裡放入 AI Agent 會越來越不可或缺。」劉文義舉例,當照片累積到 10 萬、20 萬張,要找出其中幾張特定畫面,已不可能只靠人工翻找。此時,能理解內容、接受自然語言指令的 AI 工具,會從加分功能逐漸變成必要條件。

從資料治理到地端推論:AI NAS 如何進入企業工作流?

AI NAS 不是「多了 AI 功能的 NAS」,而是 NAS 在企業工作流裡換了位置。 依 QNAP 觀察,目前客戶大致分布在一條導入光譜上。人數最多的一群,仍在把資料集中、分類、清理與建立權限。這一步看似與 AI 無關,卻決定後續系統能不能找到正確資料、辨識版本,並把答案交給有權限的人。

中間一群開始建置私有的檢索增強生成(RAG)知識庫。RAG 並不是重新訓練一個模型,而是在模型回答前,先從企業的 SOP、合約、法規或技術文件中取回相關內容,再產生附有來源依據的答案。QNAP 以 Qsirch 的語意搜尋能力協助建構這類應用,協助企業建立私有知識庫;而走在最前面的少數企業,則已經嘗試地端推論與 AI Agent。

模型的選擇權,QNAP 刻意留給客戶。知識庫背後採用哪一個模型,可由企業依需求決定,不綁定單一 AI 供應商。QNAP 也以 QuAgent AI 助理與模型情境協定(MCP)相關能力,讓管理者透過自然語言查詢狀態、調整設定,並讓 NAS 成為 AI Agent 可調用的資料節點。

不過,劉文義沒有把這條路說得太容易。他坦言,目前 NAS 硬體的 AI 運算能力仍有限。一般企業期待的應用,可能需要約 300 到 800 TOPS,甚至 1,000 TOPS,因此多數方案會以 NVIDIA 顯示卡補足算力;一張卡約需新台幣 10 萬至 12 萬元,一張算不完,就得配置 2 張或 4 張。

「整體成本可能是過去單獨一台 NAS 的 5 倍到 10 倍,並不是大部分中小企業都能接受。」除了硬體,使用者還需要 AI 應用的 Know-how、程式背景與開發資源,這些都是落地成本。

QNAP 則是透過算力分級讓各規模與需求的企業都可以有適合的解決方案。在 Computex 2026 搶先亮相的 QNAP AI NAS 中,一類是採用含有 iGPU 與專屬 NPU 的處理器平台,以一百多 TOPS 的範圍,可順暢使用 AI 應用程式;另一類機種則可安裝 1 張或 2 張 NVIDIA 顯示卡,處理更大的運算量。

同時 QNAP 也在軟體端也持續開發,目標是讓 NAS 裡的資料更有效率地被 AI 工具調用,讓資料成為有價值的知識。

從規格走到現場:能源公司如何導入私有 LLM?

本地 AI 實際落地部署會是什麼模樣?劉文義舉了一家約 50 多人的能源公司為例。這家公司原本想用 NAS 搭配雲端 AI 建置內部資料庫,但很快遇到兩個瓶頸:一是員工查詢時明顯出現卡頓;二是專利、技術與合約都高度敏感,高層不願上傳至公有雲,擔心機密資料會有外洩的疑慮。

後來,該公司導入 QNAP AI NAS 的旗艦機種 QAI-h1290FX,搭配顯示卡與全快閃 SSD,在地端部署私有大型語言模型,把數十年來封存的靜態檔案交給 AI 調用,進行跨檔案摘要與精準搜尋。員工因此省下翻找合約與報告的時間,核心機密也能留在企業內部。

這個案例說明,若任務範圍明確,有些應用不必動用雲端大型模型,地端運算量就可能足以支應。

但不同企業的資料量、查詢方式與模型大小不同,導入前仍需要概念驗證(POC)與技術人員評估。

而且,資料留在地端並不等於自動安全。企業仍要處理帳號權限、網路隔離、備份復原、漏洞修補與日常維運。地端的價值,是讓資料邊界與控制權回到企業手上;相對地,安全責任也會更直接地回到企業。

哪些企業現在該做,哪些再等?先看重複性與三個條件

能不能導入地端 AI,不只由產業標籤決定,也要看工作是否重複,以及場景能不能被清楚定義。劉文義觀察,第一批走進來的,除了受法規限制的醫療、金融與保險業,也包括利用地端 AI 加速資料處理的科技業,以及會計、律師等有大量重複文書工作的專業服務業,因為效益較容易被看見。

工廠也是可預期的場景。一條生產線可能有 10 台、20 台機器,每台處理與儲存資料的 Protocol 都不同,需要相對應的儲存裝置;生產過程累積的影像與紀錄可能要保存 3 年到 5 年。當企業要跨設備調用這些資料,AI Agent 與地端資料節點就有發揮空間。

「重複性資料處理越多,或重複性動作越多的產業,越容易透過導入 AI 提高工作效率。」反過來說,較傳統、人力密集,或仍高度依賴人工判斷的製造業,短期內未必能快速導入地端 AI。

依 QNAP 提供的資料,企業也可用「高頻、大量、敏感」三個條件做第一輪判斷:資料是否被頻繁調用?規模是否大到雲端傳輸與長期費用開始變得明顯?內容是否涉及個資、法規、智慧財產或商業機密?三個條件愈集中,地端部署愈值得評估;三者都不成立時,使用雲端 API 往往更簡單,也可能更划算。

可以先等的企業,大致也有三種。第一,資料仍分散、版本混亂、權限不清,急著上 AI 只會把混亂放大,先完成集中與治理,效率就可能先提升。第二,找不到一個具體且反覆發生的業務痛點,只因為「別人都在做」而採購,設備很可能變成昂貴的展示品。第三,使用量仍小、需求偶發,現階段雲端的彈性反而更有優勢。

因此,POC 不應只驗證「模型答不答得出來」,還要回答三個問題:資料由誰負責,誰可以存取?導入後能節省多少查找時間、傳輸成本或人工作業?正式上線後,誰負責資料、模型與資安維運?只有當效益與責任都能被量化,才適合從展示走向正式部署。

企業願意把部分資料留在自己的機房,動力最終仍回到資料主權。QNAP 的主要市場分布在歐洲、美洲與亞太,其中歐洲占比將近一半,而歐洲也正是全球推動資料主權的最大動力。

QNAP 的產品已取得 ISO 27001、ISO 27017 與 ISO 27018 等多項認證,並滿足 GDPR、HIPAA 等資料保護與法規遵循需求;累積至今,已售出約數百萬台裝置,協助企業打造智慧、安全的儲存方案。

至於普及時間點,劉文義提出一個明確的價格與效能交會點:地端應用若要順暢運作,運算量可能至少要達到 300 至 600 TOPS,甚至 800 TOPS,同時價格要落在新台幣 5 萬至 8 萬元。目前符合這些條件的硬體方案仍很有限。

qnap3.png
「AI NAS 不是多了 AI 功能,而是改寫了資料在工作流的位置。」威聯通科技總經理劉文義坦言,地端算力成本高昂,QNAP 透過「算力分級」與開放模型架構,助企業逐步建構私有 RAG 知識庫與 AI 團隊。
圖/ 數位時代

「預測約兩、三年後,應該很快會看到符合一般大眾期待、具備合理 CP 值的產品。那個時間點,就會是 AI 落地最蓬勃發展的時候。」在此之前,企業真正能先做的,不是搶著買最大的模型或最昂貴的顯示卡,而是把資料治理、使用權限與高價值場景準備好。

QNAP 以「資料煉油廠」比喻自己的角色:原油再多,沒有整理、提煉與配送的過程,也無法成為可用的能源。這個定位也點出地端 AI 的競賽條件——不是誰先買到算力,而是誰的資料先準備好被調用。模型會持續更換,但企業自己的資料層則會長期存在。

AI NAS 不是把模型塞進儲存設備,而是在資料必須留在企業內時,讓搜尋、推論與管理靠近資料的地端節點。

QNAP World Tour 2026 台北場將於 2026 年 9 月 18 日(五)舉行,現場將聚焦 AI 應用、儲存備份、網通產品、資安與監控,並安排 Live Demo,適合 IT 管理者、系統整合商與企業決策者參加。

活動地點:新板希爾頓酒店|如意 AB 廳

活動時間:09:20–16:00

地址:新北市板橋區民權路 88 號 2F

立即報名:https://bnex.tw/9f7my4

2026 QNAP 台灣企業資安韌性大調查,填問券抽好禮,倒數計時:https://www.surveycake.com/s/q4abw

登入數位時代會員

開啟專屬自己的主題內容,

每日推播重點文章

閱讀會員專屬文章

請先登入數位時代會員

看更多獨享內容

請先登入數位時代會員

開啟收藏文章功能,

請先登入數位時代會員

開啟訂閱文章分類功能,

請先登入數位時代會員

我還不是會員, 註冊去!
追蹤我們
台達電全解讀
© 2026 Business Next Media Corp. All Rights Reserved. 本網站內容未經允許,不得轉載。
106 台北市大安區光復南路102號9樓