Un fine-tune su un solo studio, non uno strumento di design generico
Il progetto di Google DeepMind con Lovegrove Studio, la Direttrice Creativa Ila Colombo e lo studio di design Modem è più circoscritto di quanto suggerisca il titolo. Il team ha fine-tunato Imagen, il suo modello text-to-image, su un dataset selezionato di schizzi personali di Ross Lovegrove. Il risultato non è un assistente di design per tutti — è un modello costruito per riprodurre le curve specifiche, la logica strutturale e i pattern organici di un singolo designer.
La sedia stessa è stata scelta con intenzione. Google la descrive come un classico problema di vincoli: una funzione fissa abbinata a una forma libera. Questa impostazione ha permesso al team di verificare se il modello stesse davvero esprimendo lo stile di Lovegrove, e non semplicemente generando mobili plausibili. Il criterio di successo era soggettivo — se lo studio percepiva il risultato come un'estensione autentica del proprio lavoro — un metro di giudizio molto diverso dall'accuratezza o dai punteggi nei benchmark.
Il vero lavoro di ingegneria è stato costruire un vocabolario condiviso
Il dettaglio più riutilizzabile è che lo studio ha deciso di dare priorità al linguaggio, non solo al dataset visivo. Hanno lavorato per decodificare e articolare il lessico progettuale di Lovegrove — costruendo un vocabolario specifico per descrivere il lavoro dello studio — perché l'addestramento visivo da solo non bastava a orientare il modello verso i risultati desiderati.
Il team ha poi trattato il prompting come un ciclo iterativo: osservavano come il modello interpretava certi termini e usavano quel feedback per affinare i prompt. L'esempio più netto è la sfida di generare una sedia senza mai usare la parola 'sedia', sostituendola con sinonimi per forzare un'esplorazione più ampia della forma. È una tattica concreta di prompt engineering, e rivela quanto l'interfaccia tra designer e modello fosse di natura linguistica, non uno slider o una UI.
Due modelli per due compiti diversi
Il workflow ha impiegato due sistemi distinti per due fasi distinte. Il modello Imagen fine-tunato produceva i concept nello stile di Lovegrove. Poi Gemini è stato usato a valle per ideare sui materiali e visualizzare la sedia da forme e punti di vista diversi. Generazione ed esplorazione sono state gestite separatamente — un dettaglio da non sottovalutare per chi pensa che un singolo modello possa reggere tutta la pipeline di design.
La pipeline si è conclusa in atomi, non in pixel. Il design finale è stato realizzato fisicamente tramite stampa 3D in metallo. Google la descrive come una trasformazione di pixel generati dall'IA in un oggetto tangibile — la dimostrazione è che i risultati hanno retto anche nel passaggio alla produzione, non solo sullo schermo.
Cosa implica un fine-tune per singolo artista per gli strumenti creativi
La lezione di questo progetto specifico è che catturare uno stile personale ha richiesto sia un dataset privato e curato, sia un vocabolario costruito da persone per guidarlo. Né il modello base né un prompt generico avrebbero riprodotto il linguaggio di Lovegrove; lo studio ha dovuto insegnare al sistema i propri termini e osservarne le risposte per colmare il divario.
Per me, il risultato finale va oltre tutto il dibattito sul design. Ci mostra che l'IA può portare qualcosa di unico e straordinario nel processo. — Ross Lovegrove Montana Labs
Per i team applicati che costruiscono strumenti creativi, la lezione è che l'asset duraturo qui è la coppia dataset-lessico per ogni collaboratore, non un modello universale. Il frontend di un sistema come questo è un linguaggio descrittivo condiviso, e costruirlo è un lavoro di curatela lento e guidato da persone — la parte che il modello non offre gratis.
Find this story relevant to you?
Contact us to find a unique solution