AI 功能被用了 100 亿次，Canva 生成式 AI 负责人把产品方法论讲透了

Canva 的 AI 功能，到 2024 年已经被全球用户累计使用超过 100 亿次。这家有 2 亿多用户的在线设计平台，派出生成式 AI 产品负责人 John Milinovich，上了 Nathan Labenz 主持的播客 Cognitive Revolution，一聊就是两个多小时。John 的背景有点杂：大学读建筑，之后在 Pinterest 管过 40 亿张图片的内容质量，自己创过业，现在掌管 Canva 的 GenAI 产品。这一期几乎没废话，全是方法论和真实案例。

用户分成三份，产品就得两条腿走路

整期节目里信息量最大的一个数据，来自 Canva 的用户调研：问大家想在设计上花多少时间，答案完美三等分。三分之一想花更多时间，三分之一想花更少，三分之一想保持现状。

这个结果直接决定了 Canva 的产品框架。John 把所有 AI 功能分成两类：自动化（automation）和增强（augmentation）。自动化处理「我知道要什么结果，但这事太烦了，帮我干了」，比如一键抠图、把文档转成演示文稿、把白板上几十张便利贴自动归类排序。增强处理「我心里有个模糊的感觉，还没想清楚，给我工具帮它变具体」。

主持人 Nathan 在自己的公司 Waymark（给小商家做视频广告）见过同样的分裂。典型用户是面包店老板，凌晨四点起来揉面，顺手开了个店，设计对他纯属负担，只想要「帮我做了」。所以 Waymark 的路线一直是「你说要什么，我们做出来」。他记了很多年的一句话是：「客户要的从来就没有软件，客户要的是服务。」

抠图这类功能，Canva 靠收购的维也纳团队 Kaleido 做到行业顶尖，就是 remove.bg 背后那批人，如今是 Canva 生成式 AI 研究部门的主力。企业客户用这些小功能用出了真金白银：Expedia 用 Magic Switch 和 Magic Resize，把原来 8 小时的素材改版工作压到 20 分钟；房地产信托 FNRE 用 Magic Edit 改图，省下的时间「夸张到离谱」。John 自己的日常三件套是 Magic Sort、Magic Write 的品牌语气功能，还有 Magic Layouts：把东西一股脑丢上页面，让 AI 给出几十种排版方案。

真正独立的 AI 原生产品目前只有一个：Dream Lab，文生图工具，背后是 Canva 收购的 Leonardo AI 团队，据报道收购价约 3.2 亿美元。Nathan 现场试了，给快满 6 岁的儿子生成一张「宇航员恐龙」生日邀请函，连「Ernie 六岁生日」这几个字都排得像模像样。他感慨，初代 Stable Diffusion 连这都做不到。John 在节目开头区分过两个词：创造力是生成新想法的过程，设计是带着目标去产出作品的过程。按这个标准，编辑器里的 AI 偏设计，Dream Lab 更靠近创造力那一端，服务的是那些还没想好要做什么的人。

从像素到物体，再到概念

John 引用 Canva 联合创始人兼 CEO Melanie Perkins 常说的一个观察：Canva 当年的原始创新，是把设计从「像素的世界」搬进了「物体的世界」。所有素材、模板、字体集中在一个库里，拖拽就能用，普通人第一次觉得设计没那么可怕。

他相信 AI 正在推动第三次跳跃：从操作物体，升级到操作概念。你不用再拖一个矩形，只要说「我要一个极简风格、带点科技感的 logo」。他举 Claude 的 artifacts 当例子：那个产品刻意砍掉了选中某段文字去改的操作路径，用户要改，就得对整个文件提概念层面的要求。图像这边同步在变。多模态扩散 transformer 架构出现后，文生图领域有了自己的「GPT 时刻」，深度图、姿态估计、风格控制这些概念级控制手段开始成熟。Krea 和 Leonardo 的实时生成，甚至允许你画几个抽象的圆圈方块，配一句提示词就出图。

但概念层取代不了物体层。Canva 把 500 多个设计品类按「重形式还是重功能」排成一条光谱：logo 和社交媒体图偏形式，文档和白板偏功能。偏功能的，从概念入手效率高，可最后用户还是要改措辞；偏形式的，可以从「我想要什么感觉」聊起，可最后总得手动调个颜色。好的产品是概念层入口加物体层微调的组合，两层都得留。

还有个细节：Canva 上被下载的设计，几乎没有不带人工修改的。Nathan 引用《辛普森一家》里 Mr. Burns 的名言形容这种心态：「我不懂艺术，但我知道我讨厌什么。」用户看到生成结果，往往是「接近了，但有个地方膈应我」，然后钻进物体层把那个地方改掉。这个「膈应」的时刻，就是产品必须保留精细控制的原因。

顺着这个话题，两人聊到 Claude 的 computer use。Nathan 第一时间拿它去操作自家产品，发现 AI 给另一个 AI 写提示词，效果出奇地好。John 的判断是，未来软件之间的连接未必靠 API 互相集成，更像 Linux 的管道命令，一个 AI 的输出直接变成另一个的输入。所以不管界面设计得多精致，永远留一个「逃生舱口」，让用户能直接和底层模型对话。对人类用户如此，对 AI 用户更是如此，未来会有别的 AI 替人来用你的产品。

他还挑战了一个行业默认假设：文本未必是 AI 最好的界面。让用户打字说「我喜欢第三个」，不如直接让他点一下。设计本身就是最典型的多模态学科，图像、语音、手势、文字都该是入口。

评估从 vibes 开始，但要尽快逃出来

聊天机器人领域有 LMSYS 竞技场这种公开评测，设计领域什么都没有。John 说，过去两年 Canva 逼着自己从零建评估体系，「走到了世界尽头，成了这个领域世界上最好的团队」。

他们的做法：先写严格的评估准则，把「什么是好的」里属于人类品味的部分描述清楚；再训练一批专业设计师当评估员，把这种判断规模化到有统计显著性；然后为每个品类准备黄金提示词集，「好的幻灯片」和「好的社交媒体帖子」标准完全不同；最后让多个生成器在同一条跑道上比武，按视觉质量、提示词遵循度等五到十个维度打分。拿背景生成为例，评估准则细到三层：前景物体选对没有，裁剪好不好，裁多了还是裁少了。

这里有个 John 在 Pinterest 时代就发现的规律：机器学习系统预测一个东西「差」很容易，预测一个东西「非常好」极难。因为「好不好」的历史证据，只有用户互动数据。放到今天，模型在窄域任务上能达到人类评估员 70% 到 90% 的判断一致度，但开放式、强风格依赖的任务依然不行。所以上线前靠离线评估，上线后把新旧模型的结果交织推给真实用户，看提升幅度，跟搜索引擎调优是同一套思路。

Canva 的模型策略是三条腿：自己建，从 2017 年做到现在，生产环境里跑着 100 多个模型；和顶级实验室合作；引入第三方应用生态。微调的经验法则很实用：

• 扩散模型做风格，几十张图跑个 LoRA 就够，门槛极低。
• 大语言模型微调，例子不够很容易过拟合。分类任务适合微调，捕捉「风格」和「气质」不适合。
• 想复刻某种写作风格？先试上下文。模型窗口动辄百万 token，塞 3 万到 5 万 token 的过往写作样本，十有八九比微调效果好。

Nathan 的实践印证了这条。他给播客写开场白，把过去 30 篇开场文，约 5 万 token，连同当期文稿一起塞给 Claude，效果远好于只给形容词描述或只给一篇范文。Canva 的 Magic Write 品牌语气功能走同一条路，John 的说法是样本越多效果越好，但边界因人、因品牌而异，他们还没找到普适公式。顺带一提，Canva 用 5000 张背景生成例子微调多模态基础模型做评估，效果远超当年在 Pinterest 从零训练。基础模型见过几十亿张图，这些先验带来的杠杆，用他的原话说，「放到今天还是让我震惊」。

先能用，再好用，再快，最后便宜

Canva 的开发节奏是四步：make it work, make it good, make it fast, make it cheap。发布里程碑一般设在「好用」之后，有时拖到「开始变快」才上。成本当然在考虑范围内，但从来排不进第一优先级，理由很硬：过去一年推理成本降了大约 95%，起步阶段过度优化成本属于自找麻烦，先把用户体验钉死才是正事。

整场对话里 John 最锋利的一个观点，是问题导向和方案导向的区分。他引用 Canva 前任 CTO、现任杰出工程师 Dave Hearnden 的说法：悬浮滑板这个想法人类有了 50 年，到现在也没人造出来。很多时候结果显而易见，难的是交付。

如果你的方案在 81% 的水平上卡住了，而目标明明是 98%，那大概率意味着：问题没变，该换方案了。

这跟 Nathan 提的「先做最难的部分」是一体两面。传统软件可以端到端规划好再执行，AI 产品做不到，因为没人提前知道模型行不行。所以先搭一个「行走骨架」，把最不确定的那段从输入跑到输出，管线以后再补。

招聘标准也顺着这个逻辑。Canva 找人，第一看对「设计 AI」这件事有没有真热情，不要求设计师出身，但得对人类和 AI 在创意工作里的互动感到兴奋；第二看好奇心和成长型思维；第三看解决实际问题的能力，愿意戴多顶帽子，愿意在新模型离线指标还不完美时就拿进产品里试，亲手摸到那些锯齿边缘。John 特别强调一种「不设限的死磕」：卡住的时候主动举手求助，别干等别人来，因为很多问题「行业里根本没有先例」。

建筑师的旧梦和应用层的赌注

John 学建筑出身，2008 年在建筑学院听 Processing 的创造者之一 Ben Fry 讲生成式设计，从此入坑。今天的建筑 AI 已经可以按日照轨迹模拟室内温度来优化窗户位置，按人流路径规划办公区布局，把建筑师的工作杠杆放大 10 倍到 100 倍。他平时盯着 Krea、Meshy、Spline 这些创意工具，建筑方向关注 Spacemaker 和 Ark Design，每天离不开的则是 Perplexity、Claude、ChatGPT 和 Cursor。

有人问建筑师该不该慌，他的答案是不用。建筑物总要持证建筑师签字担责；而且大项目里建筑师的大量时间花在投标上，活儿先干了一堆，客户才决定选不选你。AI 最先吃掉的就是这块：帮建筑师快速可视化方案的排列组合，赢下合同。至于从 BIM 模型生成报批文件、水电图纸这些死板工作，属于自动化能解决的范畴。他甚至看好半预制住宅：把建筑和施工垂直整合，用一套房屋设计系统像搭积木一样组合。这个方向 Katerra 试过，公司失败了，但 John 认为教训在于执行，想法本身没错。

John 自己在 2018 年就试过类似的事。他的上一家公司 Aesthetic，起点是垂直整合的建筑事务所，后来转向平面设计服务，核心想法是「给每家公司配一个设计师联合创始人」。当时 GAN 刚火，Ian Goodfellow 的工作让他们相信 AI 能吃进设计服务这门生意。这段经历让他对「AI 吃服务业」深信不疑。

这段建筑闲聊，其实通向他的一篇博文主题：GenAI 应用层。他的推理是，每次平台迁移都遵循同一个模式：本地部署到云，桌面到移动，价值先聚在基础设施层，再流向平台层，最后流向应用层。云计算时代，芯片和数据中心的公司先起来，然后是超大规模云平台，最后是几乎所有互联网公司。AI 现在还在基础设施时代。

他给了笔账：全球 GDP 约 100 万亿美元，2030 年预计到 130 万亿；科技行业目前占其中约 5 万亿。哪怕科技对服务业的渗透只多 3 个百分点，也是几万亿美元的机会，而这块机会主要发生在应用层。红杉那篇关于 AI 6000 亿美元缺口的文章，在他看来恰恰说明应用层被严重低估。

他在博文里点名了 GitHub Copilot、Jasper 和 Harvey 三家公司。Nathan 委婉指出，Jasper 已经成了「薄壳应用」的反面教材。John 没有回避，给出了他判断应用层创业的三条标准：

• 深度客户导向。锁定一个具体的人，能看见他眼里的光、摸到他的痛。平台层不断推出通用功能，越是这种时候，越要有强烈的立场和垂直的聚焦。
• 往技术还没吃掉的行业走，比如矿业、房地产、建筑。这些地方 AI 的即时杠杆最大。
• 产品设计要深刻理解模型能力的锯齿边缘，在模型做不到的地方用体验补位。走出常规用例，AI 能给很大价值，但给不了百分之百。

明天就能用上的五件事

把这期节目压缩成马上能动手的清单：

• 写风格类需求，先塞上下文再想微调。把过往范文攒到几万 token 喂进去，大概率比微调省钱省事效果好。
• 评估先行。动手之前先写下「什么叫好」，拆成可以打分的维度，找几个人按同一套准则打分。从 vibes 走到 eval 的速度，决定项目能走多远。
• 记住四步节奏：能用、好用、快、便宜。起步阶段别碰第四步，成本曲线正在以年为单位暴跌。
• 卡在 80% 的时候，问自己一句：是继续磨这个方案，还是问题没变、该换方案了？答案通常是后者。
• 产品里永远留一个「逃生舱口」，让用户能绕过你设计的界面直接和模型对话。对人类用户如此，对 AI 用户也是如此。

最后补一个 John 的判断，分量很重：过去是人学工具，一个活儿要串好几个软件；现在轮到 AI 适应人，围着人要干的活儿转，在后台默默干活，懂你的内容日历，知道节日节点，主动把建议端上来。但 Canva 的数据同样显示，被下载的设计几乎没有不带人工修改的。AI 可以把人送到 95% 的位置，最后那一下，永远是人自己按下去的。