“从最初的概念到最终产品，AI 为 Vase 带来了新的可能性。经过近百次迭代，我们最终筛选出最为理想的方案。通过进一步的实际调整，Vase 逐步发展为一件具备独特特征的家具产品。极简而流畅的曲线，结合精确且舒适的人机尺度，强化了产品的优雅气质。自动复位与旋转功能，使其在公共空间使用时无需担心方向错乱。正如其名称所呈现，Vase 象征着精致的花艺陈设，为空间增添一抹新的色彩。” (CAM WONG)
由 MoE（Mixture of Experts，专家混合）学习方法所驱动的模型，将关注点引向从 ANI（人工狭义智能）向 AGI（通用人工智能）转变背后的技术演进。这一转变促成了万斯休闲椅的诞生，其为 GRADO 首次应用 AI 绘图工具完成的产品设计。
万斯的设计师 Cam 首先基于特定数据库训练模型，使其能够描述某一类风格化产品，例如商务风格的坐具，这一过程本质上属于 ANI 的应用范畴。而 AGI 则需要引入超越家具设计领域的更广泛数据，并整合通用属性，从而输出更具智能性的解决方案，而非仅生成常规的商务坐具。
ANI 的应用在设计阶段体现得较为直接，例如通过 Stable Diffusion 生成设计提案，其结果受限于已训练的 LoRA 模型语境，输出内容本质上基于既定输入进行程序化生成。用于辅助原型开发的 AI 渲染，同样依赖既有结果，而非真正意义上的新概念生成。
如果系统能够通过自适应学习，理解用户在使用原型过程中的行为反馈，并基于相关数据进行演化，则有可能向 AGI 迈进。同样地，在结构设计与打样环节，ANI 仍难以独立完成，而生产端具备经验的人员则可基于实际测试提出更具可行性的优化建议。
尽管在 Vase 的开发过程中，ANI 仍占主导，但其在一定程度上引导了研发方向向更高阶能力演进。除了加速概念生成与原型创新之外，AGI 的潜在价值还体现在：基于不断变化的环境与定制化需求，持续提供关于市场趋势与用户偏好的数据洞察。同时，具备自动响应能力的 AGI 系统也有助于实现成本优化与交付周期缩短，并通过协同平台保持关键角色之间的信息联通。
万斯休闲椅_贝壳椅，专为公共及商业空间的大堂设计
从技术角度看，在模型训练的早期阶段，ANI 主要依赖在特定数据集上的监督学习、强化学习或无监督学习。例如，一个用于图像分类的模型，仅基于图像数据进行训练，并在该单一领域内学习模式。
相比之下，AGI 采用更为复杂的架构，能够实现知识泛化，并结合多种训练方法，如迁移学习、元学习、多模态学习或小样本学习。AGI 系统通过接入跨领域的多类型高质量数据，对数据库进行规模化扩展，从而支撑更全面的能力构建。尽管 AGI 在一定程度上可模拟人类能力，但在情感细微差别、文化语境以及感官体验的理解与感知方面，仍难以取代人类所具备的独立性。
Cam Wang: 从最初的概念到最终产品，AI 为 Vase 带来了新的可能性。经过近百次迭代，我们最终筛选出最为理想的方案。通过进一步的实际调整，Vase 逐步发展为一件具备独特特征的家具产品。极简而流畅的曲线，结合精确且舒适的人机尺度，强化了产品的优雅气质。自动复位与旋转功能，使其在公共空间使用时无需担心方向错乱。正如其名称所呈现，Vase 象征着精致的花艺陈设，为空间增添一抹新的色彩。
以生成式算法激活经典座椅设计
AI 正通过生成式算法对设计行业产生影响。这类算法能够生成从文本到图像等多种内容，并参与到经典座椅的设计过程中，体现其在传统品类中的应用潜力。为实现这一过程，生成式设计软件需经历系统化学习。其通过分析大量与材料性能、结构稳定性及审美偏好相关的数据，逐步形成设计能力。在人类专业经验与 AI 能力的协同作用下，系统能够生成符合既定条件的多种设计方案。这种人机协作关系，有助于放大设计师在创意与工程层面的能力边界。
通过利用 AI 的计算能力，设计师可以探索更广泛的设计可能性，优化结构稳定性，并降低材料使用，从而拓展设计与工程的实现边界。在实际过程中，设计师仅需提供一个椅子的数字模型作为参考，并输入相应设计参数，软件即可基于这些条件生成多种设计方案。随后，设计师可对生成结果进行筛选与优化。这种设计师与算法工具之间的协同方式，体现了家具设计在效率与创新层面的潜力。
基于LoRa训练数据模型，Cam分析了大量与材料特性、结构完整性及美学偏好相关的数据，从而确定最终的风格。
VAS-LC-01
W650 D610 H725 SH425
底座：该家具配有20×7毫米的可调节支脚。
选择2
VAS-LC-02
W650 D610 H740 SH440
底座：直径450毫米，厚度8毫米的钢板，底部配有5毫米厚的毛毡垫。具备180度旋转功能和自动复位功能。
包装方式
W715 D665 H775
1 PCS/1 CTN
双层瓦楞纸板外包装 / P包装膜包裹 / 已组装
特点
借助人工智能辅助设计，我们打造出了简约优雅的造型，并融入一丝精致感，非常适合商务场合。
配备旋转功能的自动复位底座，确保了使用上的便捷与轻松。
这款花瓶尺寸小巧精致，无论空间大小或布局如何，都能完美融入其中。
.
AI 驱动的办公空间布局优化
AI 正逐步成为重塑办公空间设计的重要工具，以回应混合办公人群的需求。通过分析员工的移动与互动数据，AI 可提出更高效的空间布局建议，提升协作效率、生产力与员工福祉，从而提高整体满意度并降低成本。其实现方式在于对大量数据（如空间使用率数据）的采集与分析，以制定更具针对性的空间配置策略。
此外，AI 驱动的可视化工具（如 AI 生成的三维空间漫游）使远程团队成员能够以接近现场的方式体验拟建办公环境，从而增强参与感与归属感。面向未来，AI 有望通过分析员工行为习惯与偏好，在支持线下与线上协作之间取得平衡，推动混合办公空间的构建。通过使共享空间与企业文化相匹配，并强化协作效率，AI 进一步优化办公设计。
在混合办公模式下，办公室逐渐转变为承载归属感与企业文化的核心场所。AI 驱动的环境控制系统可根据个体习惯调节温度与照明，以提升舒适度并优化能耗。AI 支持的反馈系统通过收集匿名员工意见，识别使用中的问题并推动改进。同时，借助数据分析能力，企业可基于历史办公出勤数据预测未来空间需求，从而在办公空间使用决策上实现更高的准确性。
工业设计中的可控 AI
播客《PRISM》中，Whipsaw 首席设计师 Dan Harden 与奥本大学工业设计副教授 Jared Windham 指出，人类设计师具备独特性。他们认为，生成式 AI 设计具有颠覆设计领域的潜力。生成式设计通过结合原始数据与人工输入，能够快速生成多种概念方案；但当前 AI 在工业设计中的能力仍较为初级。尽管其可以高效处理大量数据，但在理解物理世界中用户交互的动态细节方面仍存在不足，而这一点对产品设计至关重要。
将工业设计中的 AI 类比自动驾驶系统，可以看到其同样面临不可预测的使用因素，以及难以复现人类设计师“具身认知”的问题。所谓具身认知，是指身体存在与行为对思维过程的影响。以人为主导的设计过程，通常包含思考、草图绘制、打样及多种实体操作，这些实践共同塑造创意过程。若 AI 要在工业设计中真正发挥作用，则需建立类似的人机一体化认知机制。
Harden 指出，尽管 AI 未来可能在效率与功能层面取得突破，但其不太可能完全取代设计师。在他看来，设计涉及个体经验与内在表达，这些难以被 AI 所复制。因此，他更倾向于将 AI 视为设计流程中的辅助工具，与其他技术共同发挥作用。
整体来看，这一讨论既肯定了 AI 对工业设计的潜在影响，也指出其在复制人类创造力方面的现实限制。AI 在数据处理上的优势显著，但由于缺乏具身认知以及与人类经验的关联，其难以完全替代设计师，更可能在未来作为工具提升设计效率与功能表现。
AI 中的复合偏差问题
总部位于伦敦的 Stability AI（Stable Diffusion 的开发方）指出，所有 AI 模型都不可避免地带有偏差，这些偏差源自其训练数据。以 Stable Diffusion 为代表的生成式 AI 工具，正在对多个行业产生影响。预计到 2025 年，这类工具将生成约 30% 的营销内容，而到 2030 年，AI 甚至可能通过文本生成视频的方式参与制作商业大片。彭博社曾通过 Stable Diffusion 进行图像生成实验，发现其在性别、种族与职业等方面存在偏见与刻板印象。例如，在职业分布上，模型倾向于低估女性在高薪岗位中的比例，同时在低薪岗位中出现过度呈现；在种族维度上，也存在对不同群体职业分布的失真表达。在与犯罪相关的图像生成中，这类偏差同样显现。模型更倾向于将深色肤色个体与囚犯、毒贩或恐怖分子等形象关联，而忽略这些行为在不同人群中的普遍性。若此类文本生成图像技术被用于执法或嫌疑人画像，可能进一步加剧司法系统中的偏差问题。
AI 图像生成中的偏差，还可能在教育与职业发展层面形成障碍，尤其对原本就面临不平等的群体产生叠加影响。例如，在技术与 AI 系统中已存在不公平对待的有色人种女性，可能因失真的图像表达而进一步受限。此外，人脸识别等 AI 工具在识别深色肤色女性时的错误率较高，而对浅色肤色人群的识别准确率相对更高。如何识别与缓解 AI 模型中的偏差，是一个涉及多方责任的问题。数据提供方、模型训练者及应用开发者均需参与其中。训练数据中的偏差会在模型迭代中不断放大，形成“复合偏差”，并影响后续系统的表现。
Designers Introduction
