Adobe 只用 9 个月，把 AI 做成了 Photoshop 里最常用的功能。凭什么？

前段时间，我和一位做了十几年设计的老朋友吃饭。

聊起 AI 生成图，他一肚子苦水。工作室早就试过各种 AI 工具，出图确实快。但客户一句话就把他问住了：这图的素材哪来的？万一哪天版权方找上门呢？

于是那些 AI 工具，试完就搁置了。好看，不敢用。

但这次见面，他掏出手机给我看，满屏都是 Photoshop。他说，现在工作室一半的活儿，都靠里面的「生成填充」干。

我说，等会儿。你不是怕版权吗？怎么现在敢用了？

他笑了：Adobe 把这事儿从头到尾捋顺了。

回家路上我一直在想这件事。想明白之后，我觉得 Adobe 这套打法，值得每一个想做大模型应用的团队细看。今天讲给你。

第一刀，砍向数据

很多人以为，Adobe 做 AI 是从模型开始的。

不是。它是从「食材」开始的。

什么叫食材？就是训练模型用的数据。

市面上绝大多数生成式模型吃什么？互联网上刮来的数据。能刮到什么吃什么，至于这些图有没有版权、归谁，模型不管。图是学会了，但每一张的来路都说不清。

这在实验室里无所谓。可你要把 AI 塞进 Photoshop，卖给全球的设计师、摄影师，还有广告公司，就是另一回事了。

你的客户是要拿这些图去商用的。食材来路不明，菜再香，也没人敢吃。

Adobe 做创意软件，做了四十多年。它比谁都清楚，这门生意建立在信任上。

所以 Adobe 干了一件特别「笨」的事：不用现成的开源模型，自己训。为什么？用 Adobe 负责生成式 AI 的高管的话说，模型的质量和能力，必须自己可控。

更关键的是喂什么。Adobe 只用两类数据：一类是 Adobe Stock 里拿到商业授权的图，一类是版权早已过期、进入公有领域的内容。

每一张图，来路清清楚楚。

你想想看，这相当于什么？相当于一家餐厅，不用菜市场来路不明的散装货，全部食材自建农场种、签合同买，每一批都能溯源。

成本是高。但 Firefly 生成的图，设计师敢直接用在客户的项目里。

这一刀，砍在了别人最不敢碰的地方。

9 个月，凭什么？

食材定了，接下来是厨房。

按照常规剧本，一家公司决定自研大模型，接下来的剧情应该是：招几百个基础设施工程师，租机房，买卡，搭集群，两三年后见分晓。

Adobe 没这么干。它只用了 9 个月，就把 Firefly 模型家族推了出来，还顺手整合进了 Photoshop、Illustrator、Substance 3D、Adobe Express。

9 个月。从零到全家桶。

凭什么这么快？

因为它压根没打算自己打地基。训练平台、数据管道，全部架在 AWS 上。计算用带 NVIDIA GPU 的 EC2 实例，调度用 EKS，网络加速用 EFA，海量训练数据全放进 S3 这个数据湖。

那 Adobe 自己干什么？干只有它能干的事：让模型真正懂创意工作。

这里面有个细节，特别值得说道。

训练大模型，GPU 是按小时烧钱的。这时最可怕的事是什么？是 GPU 闲着等数据。数据管道一堵，算力就在那儿空转，烧的全是钱。

Adobe 用 FSx for Lustre 这个高性能文件系统，专门解决「喂不饱」的问题，让数据跟得上算力，保证 GPU 不空转。

这就好比请了米其林大厨，就不能让大厨站在厨房等外卖。备菜、传菜这些杂事，得安排得明明白白。

地基能租，就别自己打。楼上的房子，才是你的差异化。

模型的品味，是怎么来的？

数据解决了「敢不敢用」。但还有一个问题：好不好用。

一个模型，技术上跑通了，不代表它能生成让设计师满意的图。审美这个东西，怎么教给机器？

Adobe 的答案是：让人来教。

这套机制叫 RLHF，翻译成人话，就是用人类的反馈来调教模型。说穿了特别朴素：用户在软件里的每一个动作，点赞、点踩、下载、放弃，都被收集起来，回流到训练过程。

你点了赞，模型知道这个方向对。你点了踩，模型知道这不对。你把这张图下载了拿去交稿，模型知道，这不光对，还挺有用。

亿万创意人的审美偏好，就这样一天一天喂给模型。

我第一次想明白这个循环的时候，只能说一句：太强了。

这就像一家餐厅，每天打烊后盯着看：哪道菜被吃光了，哪道菜剩下大半。第二天菜单就改。改一次不难，难的是天天改，改上几年。

菜单会越来越懂食客。Firefly 就是这样越来越懂设计师的。

同时，Adobe 还持续做测试，防止模型生成有害或有偏见的内容，也留了用户反馈的入口，发现问题立刻修。

机器越来越懂人。人也在这个过程里，越用越顺手。

爆量来了怎么办？

故事到这儿还没完。真正考验一家公司的，是爆发。

Firefly 上线之后，用的人一下子上来了，训练需求跟着暴涨。怎么办？

Adobe 用 6 个月，把训练规模扩大了 20 倍。

20 倍。这不是加几台机器的事，这是把整个后厨复制二十遍，还得保证出菜口味一致。它用预留实例锁定资源，用流水线并行这类分布式训练技巧，把 GPU 的每个计算单元都吃满。

训练之外是推理，也就是用户每按一次「生成」背后的那道工序，同样全在 AWS 上。Adobe 把推理系统做成无状态的，铺在多个区域，哪里有需求就在哪里出货。为了压成本、提速度，它还在评估 Inferentia2 这类专用推理芯片。

性能和成本，两头都要顾，随时能把硬件搬来搬去。

从一家店，到连锁店。后厨标准化了，才敢开分店。

敢不敢承认，这是 AI 做的

最后说一个我认为最被低估的动作。

AI 生成的图越来越多，一个问题浮出水面：你怎么知道眼前这张图，是拍的，还是生成的？

Adobe 的答案叫「内容凭证」。Firefly 生成的每张图，都会自动附着一段防篡改的元数据，像一张「营养标签」，告诉你这份内容的成分：是不是 AI 参与了创作或编辑。

这套东西建立在 C2PA 开放标准之上。Adobe 牵头的内容真实性倡议，2019 年就发起了。

天呐，2019 年。那时候，这波生成式 AI 大潮连个影子都还没有。

AI 的竞争，上半场拼的是模型，下半场拼的是信任。

模型追一追，总能追上。信任这个东西，是拿一年一年的干净数据、一张一张带凭证的图，慢慢攒出来的。

最后，说给同行

Adobe 负责生成式 AI 业务的副总裁，给同行留过一段话，我印象很深。

他说，AI 研究、工程、应用机器学习的人才，太难招了。招不到就别硬撑，用云上现成的 AI 服务，比如 Amazon SageMaker、Amazon Bedrock。把力气花在你自己的差异化价值上。重造所有地基这件事，难度会超出想象。

还有一句，我觉得更狠：想自建 AI 云，动念头很容易。但正是和 AWS 的合作，让 Adobe 能专注在自己的差异化上。

说白了，这是一道「什么该自己干，什么该交给别人」的选择题。

Adobe 的答案是：食材自己选，品味自己教，规矩自己立。机房、算力、管道，交给别人。

回到开头我那位朋友。那天散场前，他说了句让我印象很深的话：以前怕 AI 抢活儿，现在怕的是自己不会用。

工具从来不可怕。可怕的是，别人已经用工具跑起来了，你还在纠结要不要用。

更祝你，赶上了这一波，还不必烧自己的地基。