· 你首先需要拍摄一张你需要AI帮你设计的房间，当然系统也会提供默认的房间图片。

· 其次选择这间房的用途，包括客厅、卧室、餐厅、儿童房或书房，便于AI理解户型结构，例如客厅一般都宽敞明亮些，而书房就紧凑幽静些。

· 最后要选择该房间有无家具，这关系到AI是否会在生成硬装设计外，同时生成桌子、椅子等软装内容。

在全部选择完毕点击确认生成后，一般十几秒就可以免费获得4张家居设计图。如果你选择了有家具的设计方案，那么在AI生成设计图的右下角会出现「找同款」按钮，点击后就能够在淘宝里找到对应的商品。毫无疑问，电商又被AI「赋能」了。

和大多数AI生图应用一样，真能造也是基于某业内开源版本的AI图片生成模型。听起来似乎技术团队只要把这个模型放在阿里云上训练一下就好，但实际上，想要让这款AI产品在生成图片的质量和速度上都令人满意并不是一件容易事。

在训练模型时，开发团队主要采用以下几类数据：

一方面是来自淘宝的电商平台数据，即极有家的商品图，以及用户在搜索、评价时的文本内容，比如用户搜索过「毛毛虫沙发」，那么在训练AI模型的时候，就要让模型理解「毛毛虫沙发」对应生成的图片应该是什么样的，以便用户使用时能够生成该类型的沙发款式。

另一方面，极有家3D技术团队产出的大量智能设计装修效果图也是关键的训练数据。过去几年，极有家有大量设计师们搭建的3D样板间数据, 通过「AI+3D」的方式生产了几十万张图片。

此外，业内公开的开源数据集是很好的补充。这部分数据是所有垂直行业训练AI模型的基础，涵盖各行各业的信息。但要想直接应用在真能造的模型训练中，还需要经过数据清洗，从而识别出哪些图片是家装行业的。

人才、算力也都不够用。

除数据稀缺外，真能造还面临多个难点。原生的AI模型生成具有比较大的随机性，如何加强AI生成效果的可控性是目前重点研究的方向之一; 同时, AI技术的发展非常迅速, 需要紧跟业内前沿的技术发展, 在这方面人才仍然是紧缺的。干城告诉《新皮层》，「因为大家此前没接触过，业内也一直没有应用这类模型做研发，要培养真正应用这类模型的人大约要半年，不过这个时间也不算太长。」

另外一方面，算力紧缺也是比较大的挑战。目前国内普遍缺乏A100等高端GPU芯片,因此模型的训练迭代效率难以快速提升; 同时, 真能造面临高峰期上千用户同时使用的情况，这对模型线上推理服务的算力来说，也是比较大的挑战，这也就解释了为什么在使用高峰期会出现排队十几分钟的情况——毕竟，之前互联网产品消费者的体验都是「所见即所得」，等待一分钟已经不算友好。

预想之外的难题还有许多。比如家居设计需要基于真实的房间图片来生成设计图，这种图生图的AI图片生成方式要比文生图难很多。

举例来说，文字输入「请画一个民国复古风的客厅」，那么得到的图片，窗户、沙发、柜子可以在任何位置，只要搭配适当、符合民国风就好；但如果输入一张客厅的图片，输出的内容不仅要有民国风，一切物品还都应该在原来的位置。

文生图就像是一个翻译员，需要将文字翻译成画面；图生图则像是一个画家，需要基于原画的样子调整细节，创作出新的画。为此，真能造的产品团队在开源模型上做了很多细节上的优化。

也有一些公司采用付费订阅的方式，比如AI网站HomeDesigns，用户每个月付款27美元即可以生成100张设计图，如果是29美元/月则不限生成次数。目前，该网站已经有超过4000位付费用户。

这预示着这样一种AI落地方式——在算力有限的情况下，只要抓住垂直领域的应用场景，前一代互联网产品也可以在大模型时代再次焕发勃勃生机。现在，无论大厂小厂都想抓住这个机会。

-END-

<

三角洲杂志社

中文科技期刊数据库经济管理

国际援助期刊

食品安全导刊