谷歌将其生成式 AI 工具 Flow 引入纽约时装周筹备，与设计师 Jane Wade 和 Sergio Hudson 合作开发用于造型预览与走秀舞台可视化的行业定制工具，旨在降低试错成本并加速前期决策。两套工具侧重数字化造型比对与舞台空间模拟，仍需物理试装与现场验证，同时涉及数据使用与知识产权等问题。
谷歌正在把生成式 AI 从电影和广告制作进一步带入时装行业。9月18日，谷歌介绍了其 Envisioning Studio 与设计师 Jane Wade、Sergio Hudson 合作的项目：双方围绕纽约时装周的筹备流程，在 Google Flow 中共同开发并测试两套面向时装生产的工具，分别用于造型预览和走秀舞台可视化。
这并不是让 AI 直接替设计师完成一套系列，而是把一些成本高、反复修改频繁的决定提前数字化。Wade 的工具面向服装、配饰和妆发造型的组合；Hudson 的工具则尝试在实际搭建舞台前，模拟场地、灯光、道具和模特动线。
谷歌在介绍 Flow 的官方文章中，将它定位为一款结合 Veo、Imagen 和 Gemini 的 AI 创作工具。此次时装合作显示，Flow 的应用场景正在从“生成一个镜头”扩展到围绕具体行业流程进行定制。
Jane Wade：先看清楚，再决定是否剪裁
对于独立设计师而言，服装制作中一个看似简单的决定，可能会在面料、打版、人工和重新制作环节产生连锁成本。Jane Wade 的工作室此前主要依赖手绘来讨论造型。她与谷歌共同开发的 AI styling suite，则把这部分过程转为可快速迭代的数字预览。
据《Vogue Business》对该项目的报道，这套工具可以帮助团队在正式制作前比较不同的颜色、面料和搭配方案，也可以将配饰、眼镜、发型、妆容以及其他服装元素叠加到真实试装模特的照片上。
系统还能输出全身造型、头像和局部细节图，形式接近专业团队使用的 dressing card，也就是用于统一记录服装和造型信息的模特卡。谷歌还为 Wade 的工作室加入了一个自动生成 model card 的工具，试图把原本需要 Adobe Illustrator 完成的复杂流程简化，让不熟悉专业设计软件的团队成员也能制作符合规格的打印版本。
Wade 对《Vogue Business》表示，在剪裁面料前先看到完整造型，单是避免一次错误决定，就可能为工厂节省约1000美元。不过，这一数字是设计师基于自身工作流程的估算，并非谷歌公布的统一测试结果。
更重要的是，AI 预览并没有取代实体试装。每套最终造型仍然需要穿到模特身上验证。Wade 也明确表示，AI 更适合作为流程加速器，而不是创意作者；在最终形象拍摄中，她仍希望使用真实的人、摄影师、造型师和拍摄现场。
这种“先数字化探索、再进行物理验证”的路径，与 AI 图像生成领域正在出现的工作方式相似。AIFlux 此前在对 Qwen-Image-3.0 的报道中也提到，创作者越来越关心的并不只是模型能否生成图像，而是结果能否进入真实工作流程。
Sergio Hudson：在搭建舞台前测试空间方案
Sergio Hudson 面临的是另一类问题：走秀舞台的每一次修改，都可能意味着额外的搭建、运输和现场调整费用。
他与谷歌共同测试的 runway visualization tool，可以在实际搭建前模拟场地尺寸、灯光、氛围、道具摆放和模特行走路线。设计团队还可以加入预算参数，对舞台方案进行多轮空间迭代，再决定哪些想法值得进入现实制作阶段。
Hudson 表示，当每一次设计修改或效果图提交都带有真实成本时，独立品牌往往会倾向于采用熟悉的舞台方案，因为试错的代价太高。数字化预览的价值，在于让团队能够更早发现不切实际的构想，并以较低成本探索更多可能性。
但这套工具仍有明显边界。Hudson 认为，AI 目前还难以完整重现走秀现场所需要的“能量、环境和轮廓感”。因此，工具更像是前期规划和沟通手段，而不是舞台效果的最终判断者。他计划继续改进这套流程，用于下一季的筹备。
从电影工作流转向行业共创
谷歌将这次合作放在 Envisioning Studio 的行业共创框架下。该团队此前曾与电影公司 A24 合作，探索生成式 AI 如何嵌入影视制作。谷歌的说法是，技术应当与创作者共同设计，而不是在产品完成后再被“隔着墙”交给创作者使用。
这与 Flow 最初的产品定位有关。谷歌在发布 Flow 时曾表示，工具面向希望持续探索、修改和组织视觉素材的创作者，提供镜头控制、场景编辑、素材管理等能力。时装项目则将这种通用创作能力拆解为更具体的行业任务：服装团队需要的是快速比较造型，舞台团队需要的是低成本预演空间。
谷歌过去也曾与美国时装设计师协会（CFDA）合作，支持设计师围绕不同肤色、身体类型和残障需求思考更具包容性的服装设计。相关官方项目说明显示，谷歌在时装行业的介入并不始于 Flow，而是已经涉及设计方法和产品包容性等更广泛议题。
此次合作发生在纽约时装周春夏2027季筹备期间。CFDA 发布的2026年9月纽约时装周初步日程显示，该季官方日程包括70场走秀和设计师展示，时间为9月10日至15日。对这样的高密度行业活动来说，任何能够减少反复打样、提前统一团队视觉判断的工具，都可能具有实际价值。
AI 的角色仍然是降低试错成本
这次项目最值得注意的地方，不是 AI 是否能够独立“设计时装”，而是它被放在了什么位置：在做出昂贵决定之前，帮助团队更快看到选项、比较方案并发现问题。
Wade 的案例中，AI 不能替代面料、打版、裁剪、试装和真人拍摄；Hudson 的案例中，AI 也不能替代场地判断、灯光执行和现场搭建。它所压缩的是前期可视化和沟通环节，而不是完整的服装或舞台生产链条。
这也解释了为什么谷歌选择与具体设计师合作，而不是只展示一个面向所有人的通用模型。设计师最清楚哪些环节耗时、哪些信息必须保留、哪些判断必须回到现实场景中验证。对于小型工作室而言，AI 如果能让更多方案以较低成本进入讨论，可能比单纯追求更逼真的生成图像更有价值。
不过，知识产权和创作归属仍是这类合作无法回避的问题。设计师需要判断，上传过往系列、品牌摄影和造型资料后，数据如何被保存和使用；同时也要防止内部创意在未来被不恰当地复用。Wade 对最终形象仍坚持由真实团队完成，正反映出行业对“辅助创作”和“替代创作”之间界线的谨慎态度。
从 Flow 的产品路线看，谷歌正在尝试把生成式 AI 从一次性输出工具，推进为可以反复预览、修改、协作和交付的工作台。AIFlux 此前报道 Google Flow 向可控剪辑和高分辨率交付扩展，其重点已经从“能否生成”转向“能否控制和交付”。时装行业的试验，则把这一趋势延伸到了实体生产决策。
对设计师来说，接下来真正需要观察的不是 AI 能否生成一张令人惊艳的时装图，而是这些工具能否稳定地减少返工、降低试错成本，并且在不削弱创作者署名权和行业劳动价值的前提下，融入每一季真实的生产流程。