Google DeepMind hat Imagen mit den Skizzen eines Designers feinjustiert, um einen 3D-gedruckten Stuhl zu entwickeln

Ein Fine-Tune für ein einzelnes Studio, kein universelles Design-Tool

Das Projekt von Google DeepMind mit Lovegrove Studio, Creative Director Ila Colombo und dem Designbüro Modem ist enger gefasst, als die Schlagzeile vermuten lässt. Das Team justierte Imagen, das Text-zu-Bild-Modell von Google, anhand eines kuratierten Datensatzes persönlicher Skizzen von Ross Lovegrove feiner. Das Ergebnis ist kein Design-Assistent für alle – es ist ein Modell, das darauf trainiert wurde, die spezifischen Kurven, die strukturelle Logik und die organischen Muster genau dieses Designers zu reproduzieren.

Der Stuhl selbst wurde bewusst gewählt. Google beschreibt ihn als klassisches Constraint-Problem: eine feste Funktion gepaart mit einer offenen Form. Diese Herangehensweise erlaubte es dem Team zu prüfen, ob das Modell tatsächlich Lovegroves Stil ausdrückte – und nicht nur plausible Möbel produzierte. Das Erfolgskriterium war subjektiv: ob das Studio das Ergebnis als authentische Erweiterung der eigenen Arbeit empfand. Das ist ein anderer Maßstab als Genauigkeit oder Benchmark-Werte.

Die eigentliche Ingenieursleistung war ein gemeinsames Vokabular

Das übertragbarste Detail ist, dass das Studio entschied, der Sprache neben dem visuellen Datensatz Priorität zu geben. Man arbeitete daran, Lovegroves Design-Lexikon zu entschlüsseln und zu formulieren – ein eigenes Vokabular, um die Arbeit des Studios zu beschreiben –, weil das visuelle Training allein nicht ausreichte, um das Modell zu den gewünschten Ergebnissen zu führen.

Das Team behandelte Prompting anschließend als iterativen Kreislauf: Man beobachtete, wie das Modell bestimmte Begriffe interpretierte, und nutzte dieses Feedback, um die Prompts zu verfeinern. Das prägnanteste Beispiel: Man forderte das Modell heraus, einen Stuhl zu erzeugen, ohne je das Wort „Stuhl“ zu verwenden, und ersetzte es durch Synonyme, um eine breitere Erkundung der Form zu erzwingen. Das ist eine konkrete Prompt-Engineering-Taktik, und sie zeigt, wie sehr die Schnittstelle zwischen Designer und Modell eine sprachliche war – kein Regler, keine Benutzeroberfläche.

Zwei Modelle für zwei Aufgaben

Der Workflow nutzte zwei unterschiedliche Systeme für zwei unterschiedliche Phasen. Das feinjustierte Imagen-Modell erzeugte Konzepte im Stil Lovegroves. Anschließend kam Gemini nachgeschaltet zum Einsatz, um Materialideen zu entwickeln und den Stuhl aus verschiedenen Formen und Blickwinkeln zu visualisieren. Erzeugung und Exploration wurden getrennt behandelt – ein wichtiger Hinweis für alle, die annehmen, ein einzelnes Modell könne eine komplette Design-Pipeline abdecken.

Die Pipeline endete in Atomen, nicht in Pixeln. Das finale Design wurde physisch mittels Metall-3D-Druck realisiert. Google beschreibt dies als Verwandlung von KI-generierten Pixeln in ein greifbares Objekt – die eigentliche Demonstration ist, dass die Ergebnisse den Produktionsprozess überstanden haben, nicht nur auf dem Bildschirm überzeugten.

Was ein Fine-Tune pro Künstler für kreative Werkzeuge bedeutet

Die Lehre aus diesem konkreten Projekt: Um einen persönlichen Stil einzufangen, brauchte es sowohl einen privaten, kuratierten Datensatz als auch ein von Menschen erarbeitetes Vokabular, um ihn zu steuern. Weder das Basismodell noch ein generischer Prompt hätten Lovegroves Sprache reproduziert; das Studio musste dem System seine eigenen Begriffe beibringen und die Reaktionen beobachten, um die Lücke zu schließen.

Für mich übersteigt das Endergebnis die ganze Debatte um Design. Es zeigt uns, dass KI etwas Einzigartiges und Außergewöhnliches in den Prozess einbringen kann. — Ross LovegroveMontana Labs

Für angewandte Teams, die kreative Werkzeuge entwickeln, lautet die Erkenntnis: Der dauerhafte Wert liegt im gepaarten Datensatz-und-Lexikon je Mitwirkendem – nicht in einem Einheitsmodell für alle. Das Frontend eines solchen Systems ist eine gemeinsame beschreibende Sprache, und sie aufzubauen ist eine langsame, von Menschen geführte Kuratierungsarbeit – der Teil, den man beim Modell nicht automatisch mitbekommt.