這項研究由釜山大學服裝與紡織學系的李允京教授（Yoon Kyung Lee）領導，研究生柳采熙（Chaehi Ryu）協同進行，聚焦於如何透過生成式AI模型（特別是ChatGPT與DALL-E 3），預測2024年秋季男裝的時尚趨勢，成果於2025年6月發表於《Clothing and Textiles Research Journal》學術期刊。

專業提示詞設計：AI理解時尚的關鍵橋梁
研究首先透過ChatGPT 3.5與GPT-4，分析截至2021年9月為止的男裝流行資料，並以此推論2024年秋季的可能趨勢。李允京表示，這個過程並不只是簡單地詢問「今年流行什麼」，而是透過嚴謹的知識重建，歸納出六大設計分類：「趨勢主題」、「輪廓要素」、「材質」、「關鍵單品」、「服裝細節」與「裝飾技法」。

這些分類不僅反映了時尚語彙的多層結構，也為AI生成任務提供了具體語意框架。研究團隊依據這六類，撰寫出35組複雜且精準的提示詞（prompts），再輸入至DALL-E 3生成圖像，每組提示重複執行三次，共產出105張圖像。

 
ChatGPT能有效利用過去的數據來預測未來的時尚趨勢，而DALL-E 3能夠將這些趨勢融入生成的圖像中。然而，它們也存在各種錯誤，需要時裝設計師提供專業的提示。Image Courtesy of Pusan National University

生成的圖像被置入一個預設的伸展台情境中，包含男模的身形、背景/布景、攝影角度與觀眾數量等細節。這種「完整情境模擬」不僅提升了視覺真實感，也更貼近實際設計發表會的需求。

結果顯示，DALL-E 3在67.6%的情況下能「準確實現」提示詞內容，部分圖像甚至與Vogue公佈的2024年秋季男裝系列相似度極高。尤其當提示詞包含形容詞（如“oversized urban silhouette with military undertone”）時，AI的輸出更具精準度與創意深度。

然而，AI仍存在盲點。例如，性別流動等抽象趨勢難以轉譯為具體圖像，說明單靠關鍵詞尚無法全面涵蓋時尚中的文化與情緒層次。

設計角色的重塑：AI不取代，而是協作
李允京教授強調：「我們發現，提示詞的語言品質決定生成圖像的專業程度，這也證明了時尚專家的語言與判斷力，在AI設計流程中不可或缺。」她本人曾於米蘭創立品牌UginiO，作品曾在首爾與巴黎時裝週展出，對於人類創意與市場節奏有深刻體認。

因此，我們不應視AI不再是威脅，而是一種新的創作伙伴。從蒐集資料、分析趨勢、視覺模擬，到設計提案初稿生成，AI可成為年輕設計師、品牌行銷人員與非專業創作者的助力。

未來應用：從教育到產業的串接藍圖
這項實驗也有更宏觀的啟示。首先，在設計教育中，AI可成為視覺語彙學習的工具，幫助學生快速理解風格組合與視覺表現的關聯。其次，對於中小型品牌而言，AI降低了風格開發的門檻，有助於更靈活地回應市場趨勢。

更進一步，這類模型可導入商品開發決策，例如篩選可能風行的材質與剪裁組合、視覺化商品打樣，甚至模擬不同風格在社群上的潛在反響，建立一種「由設計推導行銷」的反向流程。

AI時尚預測所開啟的多重視角

除了韓國釜山大學結合ChatGPT與DALL-E 3進行AI生成男裝趨勢預測，我們也找到不同研究單位，針對生成式 AI 應用於時尚趨勢預測與設計的研究，結果顯示，未來生成式AI將不只是分析工具，更是設計流程與商業SOP的新引擎。

GeoStyle：從街拍洞察時尚的地理與時間脈絡
由康乃爾大學（Cornell University）團隊開發的GeoStyle模型，採用了超過770萬張街拍影像，來自Flickr、Instagram等平台，橫跨44座城市與多個時區。研究團隊透過電腦視覺模型自動辨識服裝屬性（如顏色、圖案、剪裁），建立時間與空間的動態矩陣，進一步預測某項風格的盛行與衰退軌跡。

GeoStyle模型的預測準確度高於傳統方法20%以上，不僅能偵測全球性的趨勢浪潮，也能掌握如節慶、地區文化等引發的"局部風格事件"。這種強調時空交錯脈絡的視角，讓時尚不再只是流行的結果，更是一種地理文化動態的表現。

Fashion Forward：風格嵌入與視覺趨勢的預測演算法
來自美國德州大學（University of Texas）與Amazon合作的研究團隊則提出"Fashion Forward"模型，以80,000筆商品影像資料訓練無監督風格預測演算法。他們不依賴任何人工標註，而是透過影像本身的視覺特徵（如布料紋理、色彩配置、輪廓）抽取風格向量，進一步建構風格混合模型，預測哪些特徵將在未來出現增長趨勢。

其創新之處在於證明"圖像本身"所提供的資訊，往往比商品文字敘述或元資料更具預測力。Fashion Forward成功預測出未來幾季即將風行的色彩或剪裁特徵，並可區分經典持久風格與轉瞬即逝的流行元素。對品牌商品企劃而言，這種方法特別適合大規模商品設計與前端風格篩選。

情緒驅動的時尚預測：從社群心情中預見潮流方向
另一項於2025年4月發表於《arXiv》的研究（由Aayam Bansal與Agneya Tharun共同完成），則將時尚趨勢探索的視野擴展至社群心理層面。研究團隊首先使用Twitter T4SA資料集，先篩選出與時尚相關的約 40,000 則推文，涵蓋近年來社群對時尚的情緒表達。
接著結合自然語言處理（NLP）、時序分解技術、ARIMA 模型與 Granger 因果檢驗，探索情緒波動是否有助於預測時尚主題的熱度趨勢。

結果顯示，尤其在永續時尚（Sustainable Fashion）與街頭風格（Street Style）這兩個主題中，社群情緒波動與趨勢熱度之間存在強烈的雙向因果關係。這代表情緒不僅能預示趨勢，趨勢的發展也可能反過來影響社群情緒。
而且情緒分類模型的平衡準確度達到 78.35%，表明正面情緒通常預示著特定風格的上升。

這項研究也為品牌和設計師提供了一個新的視角，即透過監測社群情緒，更早地感知潛在的流行方向，尤其在重視社群互動和價值觀的風格領域。