Canva 的 AI 功能被使用了 100 亿次：打法不是一个聊天框

The Cognitive Revolution 播客主持人 Nathan Labenz，与 Canva 生成式 AI 产品负责人 John Milinovich 坐下来对谈。这家公司如今服务超过 2 亿人，使命是让任何人都能设计任何东西。Milinovich 的经历并不是常见的产品经理成长路径：他学的是建筑，之后在 Pinterest 负责内容质量，面对的是四十亿个 pin 的语料，还创办过一家公司，现在负责 Canva 的生成式 AI 产品。Labenz 经营着 Waymark，为小企业制作视频广告，多年来一直在关注 Canva，把它看作同一类问题里范围更窄的“表亲”。

第一个切入点是哲学层面的。按 Milinovich 的用法，创造力指的是产生新想法；设计则是有目标的工作，必须传达某种信息，或者完成某个任务。人们最喜欢的是创造力，设计就复杂得多。Canva 的用户调研得出了一个几乎完美的三分结构：三分之一的人想花更多时间设计，三分之一想花更少，另外三分之一大致希望保持现状。在他看来，公司的任务是打破全球范围内创造力的壁垒，并且无论用户处在这个光谱的哪个位置，都给他们提供工具。用户想要多少自动化、多少增强，取决于这项任务让他们感觉更像表达，还是更像生产。

Labenz 指出，Adobe 本来就拥有各类专业人士。Canva 仍然要在这 2 亿用户中兼顾不同需求。Milinovich 说，当初让公司起家的那个缺口是“创作自信”：帮助那些原本不觉得自己是设计师的人，以让自己骄傲的方式表达自己。这是一个很难解决的产品问题，他认为也是过去十年里的主要工作。Labenz 在 Waymark 的典型用户是一位面包师，她因为热爱面团开了店，现在却还要兼顾一大堆别的工作。这类人大多希望事情直接替他们做完。“客户要的不是软件，客户要的是服务”，这句话他记了好多年。看到 Canva 时，他注意到其中有一些世界一流的本地小工具，尤其是抠图，而缺少那种“输入十来个词、输出整套营销活动”的生成器。这个分岔点，正是本期节目接下来要谈的内容。

Milinovich 说，从最高层面看，有两类功能：自动化和增强。自动化是把一件非常烦人的事变得不那么让人反感。你知道结果是什么，只想让它尽快完成。抠图就是最典型的例子。Magic Switch（把文档转成幻灯片）和白板上的 Magic Sort（把头脑风暴留下的一堆便利贴重新排好）也属于此类。增强则是相反的姿态：你握着方向盘，朝着一个还看不太清的目标前进，需要一整套能力，把模糊的感觉变成具体的东西。这类场景的结果更模糊，只能“看到才知道对不对”。

这套产品按这两个维度组织，两者的策略主要都是嵌入式 AI：在现有编辑器里，把模型放到用户需要它的那个节点上。更独立、原生于 AI 的体验则比较新。Dream Lab 是 Canva 与其收购的 Leonardo 团队一起打造的，是这方面的第一次正式尝试。Magic Media 位于编辑器内，当你正在为女儿的周岁生日做社交媒体帖子时，它会在旁边帮忙。生成能力总体上还能服务于很多与具体设计无关的工作。回到节目开头提到的创造力与设计之间的分界线，Dream Lab 更靠近创造力一端，适合那些还没想好要做什么的人。Labenz 当场试用：为他快六岁的孩子做了一张宇航员恐龙生日请柬，上面用合理的字体写着“Ernie's sixth birthday”，底部还生成了一些看起来像地址的伪造字符，他后来把这些删掉了。他提醒自己，最早的 Stable Diffusion 完全做不到这些。Waymark 至今没有推出纯粹的文生图生成器，因为小企业用户需要呈现的是真实的店铺，而不是宇航员恐龙；Labenz 的做法层级更高，给模型一个结构，让它去填入各项尺寸。

Canva 的 CEO 兼联合创始人 Melanie Perkins 说过一句话，一直留在 Milinovich 的脑海里：Canva 最初的创新，是把设计从像素的世界带入对象的世界。素材照片、图形、视频、字体和模板都放在同一个资源库里，用户在一个普通人也能上手的编辑器里拖拽放置。正是这一点让创造力变得触手可及。他认为，AI 正在再一次推动这个技术栈的演进，从对象层面的操作走向概念层面的操作。对象依然必不可少，但现在还能做更高阶的操作：不用拖出一个矩形，而是直接要一个 logo 的感觉。

Claude 的 Artifacts 功能，是他在文字端的对应类比。Anthropic 刻意没有让用户去选中某一段文字并单独修改，而是让你针对整个生成的 Markdown 文件提出概念层面的修改要求。图像生成也在通过多模态扩散 Transformer、ComfyUI 工作流和 ControlNet 追赶：用深度图做建筑渲染，姿态估计，能保持语义的内容模型，以及风格控制。Krea 和 Leonardo 的实时生成，则让你拖出几个抽象的矩形和圆形，加上一段提示词，然后看结果会是什么。他认为，这说明概念层面的控制正开始在图像层面占上风，就像当年从像素走向对象的那次跨越。

产品应该向用户暴露概念层，同时让模型在对象层或像素层工作吗？要看情况，他还真的把这件事画成了图。Canva 支持 500 多种设计类别，可以把它们放在一条从“形式”到“功能”的光谱上。logo 和社交帖子偏向形式，文档和白板偏向功能。偏功能的任务可以从概念层开始，类似 Claude Artifacts 的做法，但用户仍需要微调措辞。偏形式的任务可以从“这个 logo 是什么感觉”开始，最后仍然需要颜色控制。语言模型和扩散模型，在架构和体验上正在趋同。行业里真正的难题，是在上面做一个原生的界面，并且不让人困惑。Labenz 勾勒了一种未来：先说“告诉我们你想要什么”，拿到一份初稿，再进入对象层面去修改。Milinovich 不想仅仅因为行业都朝开放式文本框涌过去，自己也跟着转向。

他说，人们想要的设计量大致差不多，但表达方式不同，尤其是在全球范围内。让三位专业设计师描述一个设计，或者让五个人解释现代主义在 logo 上意味着什么，你得到的不会是同一个答案。开放式文本让人类习惯了这种新的底层形式，主要因为它天然契合“输入 token、输出 token”的模型，却未必是 AI 最好的界面。设计是最多模态的学科之一：图像、触感、手势、语音、文字都会用上。如果给你看四个选项，打字说“我喜欢第三个”，还不如直接点一下。要质疑“文本是 AI 无处不在的界面”这个假设，在旅程中恰好需要的时刻，给出刚好够用的界面，去捕捉上下文。

Labenz 希望有一种每天都在后台运行的软件，即使人们只会发布其中 10% 的内容，它也会推送一条符合季节的视频。Milinovich 之前创办的公司 Aesthetic，是一家技术驱动的设计机构，其 2018 年的论点是：世界需要的设计比设计师联合创始人的数量多得多，所以要给每家公司配一个设计师。生成对抗网络（GAN）以及 Ian Goodfellow 的工作，让他们相信 AI 不只能吃掉机构的后台工作，还能吃掉核心工作，尤其是因为机构卖的是成果，而不是工时。他仍然认为 AI 会蚕食服务业。在 Canva，创造力依然是核心。智能体工作流用于生产型设计，也就是那些你一想到就几乎能在脑中看见的东西。关键是去掉摩擦，而不是去掉人。

旧时代里，要完成一项工作，人得学会每一种工具，并把好几种工具串起来用。按他的说法，新时代是 AI 去适应人和任务，贯穿整个工作流程，理解内容日历，并主动提出建议。他坚持认为，这一切都不以人依然处于核心为代价。Labenz 发现，从 Waymark 下载的视频里，很少有完全没经过人工修改的。他举了《辛普森一家》的例子：伯恩斯先生出席画展揭幕时说：“我不是艺术评论家，但我知道自己讨厌什么。”用户也是这样：先说“这不对”，然后说“差不多了”，接着再去深挖那个让他们不爽的部分。正是这种不爽，让对象层面的可操控性变得不可或缺。

同样的经验在 Pinterest 也出现过。面对四十亿个 pin，新内容必须先判断是否足够好、可以展示给任何人，而在过去，“好”唯一的证据就是人们是否参与互动。经过大量研究，团队发现，机器学习很容易预测某个东西是差的或质量低下的，却极难预测某个东西是非常非常优秀的。多模态基础模型并没有推翻这一点。AI 对质量的预测只能到一定程度，仍然需要人来介入。一个在所有渠道上全自动发布的品牌账号，是很酷的艺术项目，但他认为这离现实还很远，因为人们希望自己的品味渗透进任何会带上自己名字的东西。

Labenz 用 Claude 的电脑操作功能，让一个 AI 去操作 Waymark；它在给其他 AI 写提示词方面出奇地好，但在精细的界面操作上却不太稳定。小公司应该继续为人类搭建层层下钻的界面，还是押注于语音控制会让用户产生拥有感？Milinovich 的直觉是，模型会越来越擅长为其他模型写提示词；他喜欢让大语言模型（LLM）去给扩散模型写提示词，或者让 Claude 给 Perplexity 写提示词，效果比他自己写的还好。实际上，并不是每家公司都需要 API 集成来连接软件。更贴切的心智模型，更像 Linux 管道，而不是一个坐在上面的超级应用。如果你在打造原生于 AI 的体验，就要把模型暴露出来。无论你为大众设计的界面有怎样的主张，都要让用户能直接与 AI 交互，作为一个出口。对人类用户如此，对 AI 用户更是如此。他说，对 AI 来说可解释的东西，通常对人类也最容易理解。

Labenz 有时只为了抠图才打开 Canva，即使周围并不需要别的功能。背后是维也纳的 Kaleido 团队，它现在是 Canva 生成式研究团队的核心，同时仍以独立品牌运营 remove.bg，这也是这个工具能在市场上领先的原因。Canva 的 AI 功能已经被使用超过 100 亿次，Milinovich 把这个数字当作嵌入式路线覆盖面足够广的证明。Expedia 用 Magic Switch 和 Magic Resize，把过去要花八个小时的工作流程压缩到大约 20 分钟。他提到一家名为 FN 的房地产投资信托公司，靠 Magic Edit 获得了“疯狂的时间杠杆”。他自己每天真正用的是 Magic Sort、Magic Write 的个性化语气设置，以及 Magic Layouts：把东西一股脑丢到页面上，就能得到几十种版式，给一堆纯功能性的东西加上形式感。

Labenz 的心头执念是写作。做播客开场白时，他会把 30 篇过往文章的 PDF 加上这一期的文字稿一起喂给 Claude，有时还有大约 50,000 个 token 的过往语气材料，外加几条运行时指令。光靠形容词，或者只给一个样本，都抓不准语气。Canva 为 Magic Write 评估过这条曲线，发现它非常依赖品牌和个人：他们还没能给出一个标准答案，说多少 token 才能还原 Nathan 的声音，多少才能还原 John 的声音。一般来说，材料越多越好。用户可以输入相当多的文字，就算达不到 50,000 个 token，也有几千个。Milinovich 把它比作一个 Claude 项目，里面放着过往的帖子，再加上一股意识流；他的定性判断是，这种做法效果非常好，是提示词设计与引导用户的交互设计结合的产物。它也是一个很干净的例子：在语气层面做概念级编辑，同时把具体措辞仍然交给对象层面的控制。

模型策略分为三条线，可以追溯到 2017 年：自研（线上在用的模型超过 100 个）、与研究实验室合作以获取最好的方案，以及原生接入应用合作伙伴的生态。在大语言模型领域，变化太快，因此尝试多种方案并让它们相互竞争，一直很有价值。Labenz 问起 GPT-4o 图像编辑的预告，以及一个更一般的问题：如果你知道实验室里有你无法匹敌的能力很可能即将推出，该怎么投入？Milinovich 从行业层面的回答是：扩散模型的“GPT 时刻”，是多模态扩散 Transformer，也就是一个配有强大文本编码器、并通过交叉注意力真正把文本与图像语义对齐的单一 Transformer。正是它解锁了局部填充、画面扩展，以及新一代图像工具，他认为这一进展与文本时代的突破不相上下。Canva 既能观察行业动向，也能和 Leonardo 团队一起训练并推出自己的模型。

有 2 亿用户，就不能靠感觉运营，而审美又没有客观的标准答案。聊天机器人有 LMSYS 那样的竞技场，设计却没有。Canva 两年来一直在这件事上钻得非常深。Milinovich 说，他们不得不走到最远的地方，并要在这件事上做到世界第一。整套体系包括：严格的定制指南，用来描述“好”中属于人类审美的那部分；一组经过训练的专业设计师作为评估员，人数足够多，能形成统计上的显著性；按类别设计的“黄金提示词”（好的幻灯片不等于好的社交帖子，也不等于好的白板）；以及多个生成器在视觉质量、提示词遵循度等五到十个维度上相互竞争。所有这些，都是为了避免同质化，并让用户能够掌控生成结果。

Labenz 勾勒了一种分阶段上线的方式：先做模型对模型的冒烟测试，再让可信的人来评，最后在产品中做真正的“二选一”。Milinovich 把生成的离线评测和在线评测区分开，在线评测更像是对 A 与 B 的互动效果比较。首先必须定义什么算成功。对于背景生成，评分标准要细到三层：是不是选对了前景元素，裁切是否好，如果裁切不好，是裁多了还是裁少了。先预先生成样例，让足够多的评估员来看，得到一份可靠的好坏标准答案。同一个裁切，三个人看可能意见不一，这就让训练一个评判模型变得很困难。在范围很窄的任务中，你仍然可以和人工评估员达到 70%、80%，甚至 85% 到 90% 的一致率。开放式、依赖风格的工作则难得多。离线评测之后，他们会把新的生成器与线上其他版本交替投放，观察提升效果，这与推荐或搜索的逻辑相同，只是用在了生成上。

相比 Pinterest 当年是从零开始训练，如今为这些评判任务去微调多模态基础模型，仍然让他感到不可思议。现在，5,000 个背景生成或社交帖子的样例就能发挥很大作用，因为基础模型已经见过数百万甚至数十亿张图像。经验法则取决于模型类别。对扩散模型做 LoRA，几十个样例就能固定一种风格。文字的品牌语气需要更多样例，而大语言模型如果样例不够，很容易过拟合。分类任务很适合微调；但要捕捉一种“感觉”，通常并不适合。他更强烈的建议是：先质疑一下为什么要微调。在百万级 token 的上下文窗口下，把 30,000 到 50,000 个 token 的过往文字直接放进去，十有八九效果更好。按账户做微调，目前并不是 Canva 策略的重点，也许在图像端的审美风格上会有例外。

在 2 亿用户的规模下，成本和延迟很重要，但不应该在设计的早期就去主导一切。Canva 的开发流程是：先做到能用，再做到好用，然后做到快，最后做到便宜。上线里程碑通常设在“好用”之后，有时甚至是开始做“快”之后。团队有成本意识，但成本不是首要驱动因素。放眼来看，他说，过去一年推理成本曲线下降了大约 95%。一开始就在成本上过度用力，是个错误。先把体验打磨到位。Labenz 想把这句话印在 T 恤上。他们开玩笑说，这件 T 恤要用 Canva 来设计。

招人也遵循同样的非教条风格。Canva 在生成式 AI 上的第一、第二、第三优先级，都是要在设计 AI 领域做到世界第一。对这个使命的热情是第一道门槛：你不一定要是设计师，但必须对创意工作中的人与 AI 感到兴奋。然后是好奇心、成长型思维、适应每天都在变化的世界，以及真正每天使用 Canva，这也是公司文化的一部分。他们想要的是务实的问题解决者：能身兼数职，把模型先上线到产品里去感受它的粗糙之处，而不是等待完美的离线指标。他提到的一种思维习惯，是不轻易被卡住：需要别的团队或商务拓展团队帮忙时，主动开口，而不是干等；对于那些在行业里完全没有先例的问题，则从以用户和领域为中心的第一性原理出发，硬着头皮去啃。

Labenz 自己也给出两条建议。第一，先做难的部分：你没法像规划传统软件那样端到端地规划一个 AI 产品，所以要先做出一个从输入到输出能跑通的骨架，管道工程之后再说。Milinovich 同意这一点；很多时候，未知的东西正是那个粗糙的地方需要打磨。第二，要有全局意识：一股死磕到 79% 到 82% 的韧劲，可能掩盖了需要重新定义问题的事实。Milinovich 更喜欢一个更犀利的框架，这是他借用自 Canva 前 CTO Dave Hearnden 的说法，后者现在是杰出工程师。人类想到悬浮滑板的点子已经有 50 年了，却没有人真正骑上过一块。结果是显而易见的，交付却极其困难。如果一个有希望的方案只能把成绩从 72% 提到 81%，而你需要 98%，那就保留问题、更换方案。这很难，因为你既要保持热情，又要果断地换个方向。

为了找灵感，他会关注 Krea 在概念与对象之间的融合，关注 Meshy 和 Spline 的文本生成 3D，而且因为学过建筑，他也会看 Spacemaker 和 Ark Design。拿这一代工具去对比，再翻出 Rhino 和 AutoCAD 来看，他仍然觉得不可思议。他每天常用的是 Perplexity、Claude、ChatGPT 和 Otter。他第一次爱上生成式设计，是 2008 年在建筑学院，听一堂关于 Processing 的讲座，讲座把随机性引入算法，打开了参数化设计的大门：房间数量和面积都能调节，产生变体，而且不需要 AI。新的一层是概念层面。你可以在一张场地平面图上要一栋约 186 平方米的房子，然后拿到效果图，甚至是建筑信息模型（BIM）。你可以根据太阳和 GPS 模拟室内温度来决定窗户的位置；也可以用预测的人流路径去通往卫生间和餐厅，来规划办公楼层的布局。这对建筑师来说，相当于 10 到 100 倍的杠杆，再加上把从概念到能走进去的空间这条常规路径自动化。目前，互联网上还没有覆盖所有建筑的地图，所以这些能力还没有完全装进前沿模型里。

Labenz 想知道，建筑是否是“我们只会想要更多”这种逻辑会失效的行业。平面设计的产出是转瞬即逝的，建筑则受限于建造成本。如果建筑师的效率提高 100 倍，我们也不会因此多建 100 倍的楼，而且房主可能自己就能完成概念层面的工作。建筑师该担心吗？Milinovich 认为不必。现实中建成的东西，仍然需要一位有执照、要承担法律责任的建筑师签字。更有意思的压力来自投标环节。在大型商业项目中，许多时候也包括住宅项目，大量时间都花在客户选定你之前的准备工作上。AI 会先吃掉这个排列组合的方案空间：用建筑师盖章的方式，把客户的想法可视化，然后赢得项目。BIM 模型完成之后，报批材料、电气和管道图纸就成了可以分立出来自动化的环节。创意总监的角色只会被加强，不会被删掉。责任和保险问题最终可能让一家软件公司也来承担这种风险；近期的版本是半预制住宅，用一套框架、楼板和屋顶构成的设计系统，把建筑设计和施工纵向整合。Aesthetic 最早就是从这个想法起步，之后才转向平面设计。Katerra 尝试过类似的版本，但失败了。他认为问题出在执行和 AI 赋能上，这个想法本身未必有错。Labenz 补充说，任何能降低住房成本的东西都值得欢迎。

Milinovich 的博文《The GenAI Application Layer》，是他论证的最后一部分。每一次重大平台转移，例如从本地部署（on-prem）到云、从桌面到移动、从 AI 之前到 AI 之后，价值都会先集中在基础设施层，然后是平台层，最后是应用层。云计算让这一点变得很明显：先是芯片和数据中心，接着是超大规模云厂商，然后是几乎所有互联网公司。他认为 AI 仍处于基础设施时代。全球 GDP 约为 100 万亿美元，预计到 2030 年将接近 130 万亿美元；其中科技业约占 5 万亿美元。如果科技在服务业占比较大的剩余部分中，份额哪怕只增长三个百分点，就是一个数万亿美元规模的应用层机会。在他看来，红杉资本那篇关于 6000 亿美元 AI 缺口的文章表明，相对于将被增强或自动化的劳动力，应用层的供给仍然不足。

这篇博文提到了 GitHub Copilot、Jasper 和 Harvey。Labenz 对这三者的信心并不一样。Jasper 成了“薄封装”的典型：它找到了客户，也成功上市，但随后面对的是各家实验室推出的通用画布，而 OpenAI 复制这类东西不需要十年。Harvey 是一个很难做的垂直领域，但 GPT-5 仍可能打乱它的格局。相比之下，Canva 有十年积累的设计软件，实验室不可能下周就复刻出来。他想看到哪些领先指标？第一，极致的客户中心：要有一个具体的人，你能看清他的眼神，也能感受到他的痛点。随着平台层自己做出轻量的通用应用，有主见的垂直聚焦比以往任何时候都更重要。第二，去科技还没有吞噬的领域：采矿、房地产、建筑等，那里有立竿见影的杠杆。第三，设计出懂得产品粗糙之处的用户体验。一旦走出标准路径，AI 能提供有意义的价值，但不是百分之百的解决方案；产品必须去弥补这段差距。他对创始人说，这三点正是让他判断一支团队是否为未来十年做好了准备的依据。