前言
一個尚未被命名的商業形態
柳井正在二十年前說的那句話——「不是販售做好的商品，而是做出暢銷的商品」——在當時是一個商業模式的方向宣示。在AI時代，它即將成為一個可以被工程化的系統架構。
但「暢銷的商品」是什麼？過去，這個問題有一個主流答案：分析歷史數據和即時訊號，預測消費者接下來會要什麼，然後製造它。這是SHEIN的路徑，也是當前「AI+零售」的主流敘事。
這篇文章想提出另一個問題：如果AI不只能預測需求，也能創造需求呢？換句話說，如果AI的創意生成能力，能夠製造出消費者「在看到之前不知道自己想要」的商品，那麼「暢銷商品」的製造邏輯，將面臨一個比SHEIN更激進的顛覆。
這個可能性，是本文所稱的「創意資訊製造零售業」——它不是對柳井正命題的否定，而是一個更完整的版本：在AI時代，序列反轉不只有一條路徑，而是兩條。
第一部分
已知的路徑：需求驅動型序列反轉
SHEIN作為反轉序列的極端形態
SHEIN是過去十年商業史上最徹底實踐「需求先於生產」邏輯的企業。它的運作機制是一個精密的閉環：
① 訊號蒐集：AI持續爬取社群媒體、搜尋趨勢、競品數據，識別正在萌發的微趨勢
② 快速設計：設計師根據AI提示進行款式開發，概念到樣品最快3–5天
③ 微批量測試：每款初產50–200件，直接上線銷售進行市場測試
④ 數據篩選：表現優異的款式快速擴產，滯銷款立刻下架淘汰
⑤ 規模製造：驗證過的「贏家款」放量生產，進入廣告投放和達人推廣循環
6,000+
每日新增SKU數量，傳統快時尚每週僅推出數百款
85%
AI驅動A/B測試預測最佳款式的準確率，行業平均約60%
SHEIN的模型，是需求驅動型序列反轉的完成形態：它幾乎消滅了「庫存風險」，代價是一個全速運轉、以訊號追訊號的生產機器。
需求驅動模型的結構性限制
但SHEIN模型有一個根本性的認識論限制，McKinsey和BoF的研究都不約而同地觸碰到了這個問題：
「AI驅動的需求預測，本質上是歷史的延伸——它只能預測消費者已經表達過的偏好，無法製造消費者尚未想到的欲望。」
換句話說，需求驅動型AI所能創造的，是「確定性的暢銷商品」——在既有需求的版圖上，比競爭者更準、更快、更精確。這是巨大的效率優勢，但它有一個天花板：當所有玩家都掌握同樣的數據和預測能力，差異化的空間將急速收窄。
SHEIN的問題不是商業模式的問題，而是競爭終態的問題：當每個品牌都能用AI即時追蹤相同的社群趨勢，快速反應的優勢將成為行業標配，而非競爭護城河。速度博弈的最終結果，是沒有人能從速度本身獲得溢價。
第二部分
未被開發的路徑：創意驅動型序列反轉
兩種「暢銷」的認識論差異
在討論「創意AI能否製造爆款」之前，需要先區分兩種根本不同的「暢銷商品」生產邏輯：
路徑一
需求驅動型
（確定性暢銷）
- 從已有訊號中預測熱銷款
- 消費者「在找什麼」驅動設計
- AI角色：預測機器
- 天花板：趨勢同質化
- 代表：SHEIN、Zara的AI部署
VS
路徑二
創意驅動型
（意外性暢銷）
- 從創意生成中製造新欲望
- 消費者「沒想到可以這樣」被激發
- AI角色：創意引擎
- 天花板：尚未到達
- 代表：尚在建構中
路徑一已有成熟的商業形態（SHEIN）和工具生態（Heuritech、Stylumia等預測平台）。路徑二的商業形態，目前仍是碎片化的：有一些創意AI工具（Midjourney、Fashion Diffusion等），但尚未有人把「AI創意生成→市場驗證→按需生產」的閉環完整建構出來，使其成為一個產業級的機制。
創意AI製造「意外性爆款」的可能性條件
創意AI能否製造出消費者「在看到之前不知道自己想要」的商品？這個問題在過去是純粹推測性的，但有幾個近期的現象提供了值得認真對待的線索：
01
Adobe 2026 創意趨勢報告
「當你停止讓AI模仿已存在的事物，它開始想像尚不存在的事物」
Adobe的研究發現，當創意AI被從「模仿現有風格」的限制中釋放，所產生的視覺輸出往往具有一種「奇異的吸引力」——68%的全球年輕族群主動搜尋「令人捧腹、提供逃離現實感的幽默內容」。AI的無限制創意，恰好能產生這種「真實設計師因為顧慮市場而不敢做」的奇特輸出。
02
學術研究（Consumer Research 2025）
「消費者偏好的隱性結構可以被AI計算」
哈佛商學院的研究指出，大型語言模型可以系統性地識別「消費者偏好的宇宙」（universe of stimuli），並從中進行「分層抽樣」——這意味著AI不只能預測顯性的市場訊號，也能探索消費者偏好空間中「尚未被表達、但在結構上可能存在」的區域。
03
McKinsey《時尚業的AI邊界》2025
「25%的AI時尚潛力來自創意端，尚未被開發」
McKinsey明確指出，AI在時尚業中有高達25%的價值潛力來自創意層面，而非供應鏈效率。但這個25%幾乎完全尚未被產業系統性挖掘——現有投資高度集中在預測和物流優化。
04
BoF《時尚業2025狀態》
「50%的時尚高管認為產品發現是生成AI最關鍵的應用場景」
74%的消費者因為選擇太多而放棄購買。最被期待的AI應用不是「更準確的推薦已知商品」，而是「幫助消費者發現他們不知道自己想要的東西」——這正是創意驅動型AI的核心價值主張。
第三部分
第三條路徑：創意資訊製造零售業
框架的定義
把柳井正的「資訊製造零售業」命題，與「創意AI製造意外性爆款」的可能性結合，可以定義一個新的商業形態框架：
創意資訊製造零售業 · 核心機制
Layer 1
消費者需求層
大數據確定性訊號
歷史購買、趨勢預測
即時社群反饋
⟷
Layer 2
AI創意生成層
超出既有訊號的設計探索
偏好空間邊緣的創意押注
即時視覺化與成本預估
⟷
Layer 3
製造閉環層
微批量測試驗證
按需擴產或淘汰
即時物流履行
三層之間形成雙向回饋迴路——消費者數據校準創意方向，創意輸出反過來測試並拓展消費者偏好邊界
這個框架的關鍵，是Layer 1和Layer 2之間的「雙向校準」機制：
從Layer 1到Layer 2（數據校準創意）：消費者需求數據不只是用來預測「下一個熱銷款是什麼」，也用來定義「創意AI的探索邊界」——在已知偏好的鄰近區域，AI進行有方向性的創意生成，而不是無限制的隨機輸出。這確保了創意的「意外性」是在消費者偏好結構內的意外，而非完全脫節的奇異。
從Layer 2到Layer 1（創意拓展偏好）：AI創意生成的輸出，通過微批量測試進入市場，產生新的消費者行為數據。這些數據反饋回Layer 1，更新「消費者偏好地圖」——AI創造了原本不存在的需求訊號，而不只是響應已有的訊號。
與現有模型的根本差異
| 維度 |
傳統製造零售（UNIQLO 1.0） |
需求驅動型（SHEIN模型） |
創意資訊製造零售業 |
| 需求起點 |
設計師預測 + 季節規劃 |
社群訊號 + 歷史數據 |
消費者數據 + AI創意探索 |
| 爆款來源 |
人工判斷的「好商品」 |
數據驗證的「確定性熱銷款」 |
數據校準的「意外性爆款」 |
| AI角色 |
輔助工具 |
預測機器 |
創意引擎 + 偏好探測器 |
| 競爭護城河 |
品牌與供應鏈 |
速度與數據規模 |
創意-需求閉環的系統深度 |
| 差異化天花板 |
中等 |
低（速度博弈終將均質化） |
高（創意空間理論上無限） |
第四部分
三個故事的匯流點：Mirror Mirror AI的位置
林于璿的第三個轉型，指向了什麼？
Mirror Mirror AI目前的產品定位——連結真人模特兒、處理授權、提供AI圖像生成的平台基礎設施——在「創意資訊製造零售業」的框架下，有了更清晰的戰略含義。
林于璿說「時尚業還沒準備好接受純粹的生成技術」，她同時說「第三個轉型方向是基礎設施」。這兩句話合在一起，描述的是一個具體的認知：AI創意生成要真正改變時尚業，需要的不只是更好的模型，而是一套讓「AI創意輸出」能夠被品牌快速採用的製作基礎設施。
目前，一個品牌想把AI生成的視覺創意落地為實際的電商圖像，面臨的摩擦點包括：真人模特兒的可及性和授權複雜度、AI生成品質與品牌視覺語言的一致性、從概念到可交付圖像的工作流程整合。Mirror Mirror AI試圖解決的，正是這條從「AI創意想法」到「可用商業圖像」的最後一哩路。
品牌用消費者數據確定視覺創意方向 → Mirror Mirror AI的預約人才＋AI生成平台將概念即時轉化為可用圖像
品牌用圖像進行市場測試（社群/廣告A/B測試）→ 消費者反應數據回饋，校準下一輪創意方向
驗證成功的視覺方向，驅動下游的實際商品開發與生產決策
核心洞察：視覺創意的微批量測試，成本比商品的微批量生產低幾個數量級——先測試創意，再決定生產，是創意閉環中的關鍵槓桿點。
有明計畫的視覺製作版本
從這個角度看，Mirror Mirror AI正在做的事，和有明計畫試圖做的事，在不同的層次上是同一個邏輯：
有明計畫的目標是讓「消費者需求訊號驅動商品生產」——把序列起點從「工廠排程」移到「顧客偏好」。Mirror Mirror AI讓「品牌的視覺創意可以即時測試、即時迭代」——把視覺生產的序列起點從「固定的拍攝計畫」移到「可以快速生成和驗證的創意概念」。
兩者都是在清除「創意意圖」和「市場反應」之間的時間摩擦，讓反饋閉環能夠更快轉動。
第五部分
AI時代的爆款：兩種路徑的共存與張力
確定性爆款 vs 意外性爆款：互補而非競爭
把需求驅動型路徑和創意驅動型路徑放在一起，很容易把它們想成對立的選擇。但更精確的理解是：它們是同一個商業系統的兩個不同功能模組，分別負責不同的市場職能。
確定性爆款（需求驅動型）：維持「核心品項」的持續暢銷，降低庫存風險，確保供應鏈效率。這是柳井正「暢銷商品」命題中「可預測的部分」——用好數據消滅不確定性。
意外性爆款（創意驅動型）：製造「驚喜品項」，拓展品牌的偏好版圖，觸達消費者的潛在欲望。這是同一個命題中「可發現的部分」——用好創意製造可能性。
兩者的協同：確定性爆款提供穩定的基礎營收和消費者信任；意外性爆款提供品牌話題性、新客觸達和溢價能力。前者是護城河，後者是擴張引擎。
「AI slop」的警示：創意AI的邊界條件
有一個重要的反向論據需要被認真對待：2025年，「AI slop」被Merriam-Webster評選為年度詞彙。消費者對AI生成內容的反感正在上升，尤其是當它被明顯識別為低品質的批量生成物。
Coca-Cola、H&M等品牌因為推廣AI生成的廣告內容而遭到持續的公關批評。這說明一個重要的邊界條件：創意AI製造意外性爆款的前提，是AI創意輸出要通過「真實性閾值」——它的意外性必須來自超越人類想像力的視角，而非低於人類審美的粗糙感。
Mirror Mirror AI「真人模特兒 + AI生成」的組合，正是對這個邊界條件的回應：用真實人才的存在感錨定AI圖像的可信度，避免「純粹生成」帶來的排斥感。這是一個重要的產品設計洞察。
更廣泛地說，創意驅動型閉環要真正運作，需要一個「AI創意生成 + 人類審美過濾 + 市場快速驗證」的三層機制：AI提供超越人類偏見的創意探索廣度，人類提供「這是否值得測試」的過濾判斷，市場微批量測試提供最終的商業驗證。
第六部分
完整的機制圖像：從島正博到林于璿的連線
三個時代的逆向押注，指向同一個方向
把本文所有素材放在同一個時間軸上，會看到一個令人驚訝的連貫性：
1987
島正博：為「在消費地生產」的未來建造全成型編織機
押注：當自動化成本低於人力成本，供應鏈的邏輯將從「低成本地生產」翻轉為「快速回應需求地生產」。逆向押注的工具：可以在任何地方即時製造成衣的機器。
2007
柳井正遇上iPhone：「這東西會改變全世界，它自己就會是一間商店」
押注：行動網路將使顧客行為數據從「不透明」變為「即時可見」，從此「需求先行、生產後至」成為可能。逆向押注的工具：有明計畫——建造以資訊閉環驅動的製造零售基礎設施。
2015
SHEIN的即時零售模型成形
把柳井正的願景以更激進的方式實現：需求驅動型序列反轉的完成形態。代價是極度的趨勢同質化和環境成本。
2024
林于璿：「時尚業還沒準備好接受純粹的生成技術」
押注：生成AI真正改變時尚業，需要的不只是更好的模型，而是讓「AI創意輸出」能被品牌快速採用的製作基礎設施——連結真人×授權×生成的閉環平台。在市場臨界點到來前，建造基礎設施。
今後
創意資訊製造零售業的臨界點
當「AI創意生成品質」超越「真實性閾值」，當「視覺測試速度」快過「商品生產週期」，當「消費者偏好探索AI」能夠系統性地識別「潛在需求空間」——三個條件同時成立的時刻，創意驅動型閉環將成為可以工程化的商業架構。
創意資訊製造零售業的完整定義
訊號層（Signal Layer）：同時蒐集「顯性需求訊號」（購買數據、搜尋趨勢、社群行為）和「隱性偏好結構」（消費者偏好空間的計算模型）。後者是當前市場工具的缺口。
創意層（Creative Layer）：AI在「消費者偏好邊界的鄰近區域」進行創意生成——不是無限制的隨機輸出，而是有方向性的偏好探索。人類設計師在此層擔任「意外性的可信度過濾器」。
驗證層（Validation Layer）：AI生成的創意概念，以「視覺測試→消費者反應」的微循環進行快速驗證，成本遠低於商品生產的微批量測試。Mirror Mirror AI的圖像平台屬於此層。
製造層（Manufacturing Layer）：通過驗證的創意概念，驅動按需生產指令（島正博的全成型編織機是此層的物理基礎設施）。
回饋層（Feedback Layer）：市場表現數據回饋校準「消費者偏好空間模型」，同時也修正「創意AI的生成方向」——兩個閉環同時轉動，互相強化。
結語
三個可轉移的機制洞察
需求驅動型（確定性爆款）已有成熟的商業形態和工具生態，SHEIN是極端完成形態，方向是壓縮時差、消滅不確定性。
創意驅動型（意外性爆款）的商業閉環尚未被完整建構——McKinsey指出這是AI時尚潛力中25%尚未開發的部分，BoF的數據顯示50%的時尚高管認為它是最關鍵的AI應用場景。
兩種邏輯是互補關係：確定性爆款維持基礎營收和供應鏈效率，意外性爆款提供品牌差異化和需求拓展。
在創意驅動型閉環中，「AI生成視覺概念 → 消費者反應測試」的成本，遠低於「設計商品 → 微批量生產 → 銷售測試」的成本。視覺層的快速迭代，是整個創意閉環的關鍵槓桿點。
Mirror Mirror AI的平台基礎設施（真人×授權×生成），正在建造這個槓桿點的工具層。林于璿的「時尚業還沒準備好接受純粹生成技術」，是對「視覺真實性閾值」的正確認識——AI創意必須通過真實性過濾才能轉化為商業行動。
訊號層（包含隱性偏好計算）、創意層（有方向性的AI探索）、驗證層（視覺微批量測試）、製造層（按需生產能力）、回饋層（雙閉環校準機制）——任何一層的缺失，都會讓整個系統退化為其中一個單點工具，而非一個機制。
柳井正的有明計畫、島正博的全成型編織機、林于璿的Mirror Mirror AI，分別在建造這個系統的不同層次。它們的共同點是：都在「市場臨界點尚未到來」時，為「臨界點之後才能被充分使用」的基礎設施進行逆向押注。
這個系統工程的完整建造，沒有一家企業能夠單獨完成——它需要的，是一個生態系的形成。而生態系的核心，是有人願意先建造訊號層和創意層之間的橋樑：一個能把「消費者偏好結構的計算模型」與「AI創意生成的探索方向」系統性連接的機制。這是目前整個體系中最空白的一塊。
島正博在1987年問的問題是：「如果在消費地生產變得可能，誰先建造那台機器，誰就能在未來生存？」
柳井正在2007年問的問題是：「如果顧客需求變得即時可見，誰先建造那個資訊閉環，誰就能在未來生存？」
AI時代正在問的問題是：「如果創意本身變得可計算，誰先建造創意和需求之間的閉環，誰就能在未來生存？」
這個問題，目前還沒有人回答完整。但答案正在由多個局部的建造者，在各自的位置上，逐漸拼湊成形。