看多了"AI 生成穿搭推荐"的浅层产品，Alta 是少数让我觉得想明白了本质的一个。它的聪明之处不在 AI 审美多强，而在切入点的选择：别人都在推荐"你没有的衣服"，它从"你真正拥有的衣柜"开始。这一反一正之间，是两套完全不同的生意。

这个产品概念大家其实不陌生。1995 年的美国电影《独领风骚》里有一个被时尚科技公司惦记了 30 年的场景：女主角 Cher 早上起床，不需要站在衣柜前翻半天衣服，她打开电脑，屏幕里已经录入了自己所有衣服，软件帮她一件件组合上衣、裙子、鞋子，最后告诉她今天穿什么。

电影上映时还是科幻。2023 年，哈佛计算机专业毕业的 Jenny Wang 决定真的把它做出来，创办了 Alta。用户先把衣柜搬进手机，然后告诉它"要去上班，晚上还有约会"，Alta 会从你真正拥有的衣服里挑出几套搭配；你还可以生成一个和自己身材、长相接近的虚拟形象，先把衣服穿到"数字版的自己"身上看看。2025 年公司完成 1100 万美元种子轮融资；截至 2026 年 2 月，Alta 已生成超过 1 亿套穿搭。

第一步，先把现有衣柜数字化

很多所谓 AI 穿搭产品很简单：你告诉它"明天参加婚礼，推荐一套衣服"，AI 生成几张图片或几个商品链接——问题是这些衣服你根本没有。Alta 反过来，先从你的真实衣柜开始。

用户可以直接给衣服拍照，Alta 自动去掉背景、整理图片，把一件随手拍在床上的 T 恤处理成接近商品图的效果，再识别品类；也可以把购物小票、购买记录录进去，或从已有商品数据库里找同款。

这一步其实非常关键，因为"数字衣柜"不是新概念，真正的问题一直是：把 100 多件衣服一件件拍照、裁图、分类、填写品牌和颜色，实在太麻烦了。生成式 AI 把这个最麻烦的准备工作大幅压缩——Meta 今年披露，Alta 还在大量使用其 Segment Anything 模型，把用户上传的衣服从照片背景中自动分割出来，这套能力已用于处理数百万件服装和穿搭。所以 Alta 首先解决的不是"搭配"，而是：怎么让一整个现实衣柜低成本变成 AI 可以理解的数据。

衣柜录进去以后，AI 才真正开始工作

Alta 给自己的定义不是虚拟试衣 App，而是 AI stylist 加 digital closet（AI 造型师加数字衣柜）。因为推荐一套衣服不能只看哪两件颜色搭，它会同时考虑：你有什么衣服、以前喜欢什么、当天多少度、去什么场合、预算多少，甚至你的日程——"明天要向老板汇报，外面 18 度，晚上还要和朋友吃饭"，理论上 Alta 应该从你的衣柜里直接找出符合这些条件的组合。天气变了推荐跟着变；你从来不接受"藏蓝配黑色"，以后就少推；某双运动鞋你只在健身时穿，它会逐渐记下来；你真正穿了哪一套，也会成为新的数据。真正的个性化不是 AI 知道什么衣服好看，而是它知道"你有什么、你穿什么、你不穿什么"。

想做这件事很多年，但以前的 AI 根本做不到

Jenny Wang 今年 29 岁，是典型的"技术背景做消费产品"的创始人：哈佛学计算机，做过科技、投资和技术顾问相关工作，在 DoorDash 实习过，给奢侈品牌提供过技术建议，还在斯坦福研究生计算机课程做过客座讲授。她一直反复想做的，是一个 AI 造型师——原因非常普通：她自己有很多衣服，却经常只穿固定的几套；看到网上喜欢的穿搭，也很难判断怎么用自己已有的衣服复制出来。

她以前尝试过不止一次。问题是以前的计算机视觉和机器学习可以识别"这是一件衬衫、这是一条裙子"，但很难真正理解：这件裙子的材质、剪裁、颜色和另一件衣服搭在一起是什么感觉；一个人为什么喜欢这套不喜欢另一套；同一件衣服在面试、约会和周末散步时应该怎么搭。2022 年 ChatGPT 出现后，她认为技术终于跨过了门槛——多模态模型可以同时处理图片和文字，大模型能理解"我要参加一个很正式但又不能太刻板的晚餐"这种很难写成规则的要求。Alta 在 2023 年成立，2025 年正式面向更广泛用户推出 App。这也是这个产品成立的技术节点：以前计算机可以整理衣柜，现在 AI 开始有可能理解"穿衣服"这件事。

真正让它出圈的，是那个"数字版自己"

Alta 还有一个很容易传播的功能：Avatar。用户上传照片和身体数据后，生成一个接近自己长相和身材的虚拟人，把不同的衣服穿到这个虚拟人身上——推荐从"这件上衣和这条裤子应该不错"变成"你可以先看看它们穿在'你'身上是什么样"。Jenny 告诉 ELLE，用户看到推荐真正穿到自己 Avatar 身上以后，对推荐的信心会明显增加。

这也把 Alta 从"衣柜管理工具"推到了另一个市场：购物。你准备买一件新外套，过去只能看模特图，现在可以先把这件衣服放进 Alta，和自己衣柜里的裤子、鞋子组合——如果发现"我现有的衣服根本没东西能配它"，可能就不买了；反过来，如果它正好能和衣柜里的五套衣服组合，购买理由就强很多。Alta 甚至加入了"每次穿着成本"功能：一件 1000 元的外套穿 50 次，平均一次 20 元；另一件 300 元的衣服只穿过一次，反而更浪费。Jenny 说这是用户要求非常高的功能之一。Alta 正在连接过去分开的三件事：我已经有什么，我今天穿什么，我下一件应该买什么——这三份数据放在一起，商业价值完全不一样。

为什么投资人愿意给一家穿搭 App 1100 万美元

因为 Alta 最终想赚的钱，显然不能只来自帮用户每天挑衣服，更大的生意是：影响用户下一次买什么。Menlo Ventures 领投时直接把投资逻辑写成了 Agentic Styling and Shopping（AI 代理式穿搭和购物）。

逻辑很简单：现在的电商推荐系统知道你点过什么、买过什么、和你类似的人还买了什么，但它不知道你家里已经有什么。这导致一个很常见的问题——你搜黑色西装，平台继续推荐十件黑色西装；而一个真正了解你的造型师可能会说："你已经有三件黑西装了，不要再买，你缺的是一双能配它们的鞋。"Alta 想掌握的恰恰是这层信息：真实衣柜、历史购买、穿着频率、个人风格、身材和虚拟形象、愿望清单。Jenny 今年 2 月把这称为未来 AI 购物需要的 personal identity layer（个人身份数据层）。如果未来真的有 AI 替你购物，它不能只知道全世界卖什么——它首先必须知道你是谁。

从 C 端 App，嵌入到品牌的商品页面

2026 年 2 月，Alta 做了第一个重要尝试：和纽约设计师品牌 Public School 合作，把 AI 造型和 Avatar 能力嵌进品牌商品页面——顾客看到一件衣服后点击"Style with Alta"，直接用自己的 Avatar 搭配这件商品，而不是离开网站自己想象。

7 月底又出现了一个更大的合作方：Rent the Runway，一家美国服装租赁平台，可以理解成"名牌衣服共享衣柜"。Alta 把 AI 穿搭直接放进 RTR 的商品页：用户打开一条裙子，不再只有正面图、侧面图、模特图，还会看到 AI 围绕这件商品生成的不同完整造型——上面配什么、下面配什么、什么场合可以穿、还缺哪件单品。这个合作真正解决的是电商一个很现实的问题：一个品牌可以给一条裙子拍十几张照片，但不可能为了告诉消费者"这条裙子还能有 100 种不同搭法"真的找模特拍 100 套——AI 可以。

开始长出"社交产品"的样子

今年 7 月 Jenny 透露，Alta 已经有一个每天更新的穿搭排行榜：用户把搭好的 Look 公开，其他人可以直接试穿到自己的 Avatar 上，被试穿次数最多的穿搭上榜。用户还开始往 Alta 里放一些团队原本没设计过的东西——宠物、香水、汽车、行李箱、美妆和饰品，甚至用 Avatar 复制 Zendaya 等明星刚公开出现的造型。Jenny 因此提出一个很有意思的判断：过去十年互联网一个重要的自我表达方式是自拍，而 AI 时代，Avatar 有可能成为另一种"数字自拍"。这也解释了为什么 Alta 平均每秒生成大约一个用户 Avatar——用户未必只是想知道明天穿什么，有人开始把它当成"试另一个自己"的地方。

真正有价值的，不是 AI 审美比人好

这个案例最容易被写偏的一点，是讨论"AI 到底懂不懂时尚、会不会比造型师更会搭衣服"——这不是 Alta 现在最重要的价值。红毯、婚礼、杂志大片需要真正的专业造型师，Jenny 自己也从来没有否认，Alta 甚至邀请了曾为 Michelle Obama 服务的造型师 Meredith Koop 参与训练和产品。

Alta 真正解决的，是那些根本不会去请造型师的时刻：明天早上上班穿什么？周末旅行带哪 8 件衣服？晚上第一次约会穿什么？衣柜里这件两年没穿的裙子还能不能救一下？那件 500 美元的新衣服到底能不能和现有衣柜搭起来？这些问题单个都不值钱，但一个人一年要遇到几百次——这是一个很典型的消费 AI 机会：不是替代一个昂贵的专业服务，而是把原来根本不值得请专业人士解决的小问题，变成一个每天都可以调用的服务。

我的总结：Alta 跑出来的产品路径非常清晰，值得所有做消费产品的开发者抄作业——第一步，AI 帮你整理已经拥有的东西；第二步，根据你的真实生活帮你决定今天怎么用；第三步，在你准备消费时，告诉你真正缺什么。如果它长期掌握一个人的衣柜、风格、身材、购买记录和穿着习惯，它最值钱的资产根本不是"每天推荐一套衣服"，而是一份传统电商平台一直拿不到的数据：一个人真实的消费需求。这个"先做数据资产、再做多端变现"的结构，和独立开发者变现指南里讲的"沉淀可复用资产"是同一个思路。