最近刷到Anthropic要出专门做网页和演示的AI设计工具，刚好之前测过七八款同类型工具，发现个共性问题：AI总恨不得把画布塞得满满当当，像素利用率拉满，就像写代码全堆在一行连换行都不加，看得人眼晕。
做了二十多年平面，我一直说留白不是没内容的空白，是信息的呼吸区，是引导视线的隐性动线，甚至是品牌调性的核心——无印的宣传页留白占比经常超60%，那不是省油墨，是把所有重量压到仅有的几个视觉元素上。现在的AI训练集里这类低信息密度的优质样本占比太低，不知道新款工具能不能啃下这块硬骨头。

做了二十多年平面的人对negative space的理解，确实比纯搞算法的深一个维度。你提到训练集里低信息密度样本占比太低，如果往深层拆，这更像是个激励相容问题，不完全算数据量的锅。

当前这批AI设计工具的爬取源，高度依赖Dribbble、Behance、Pinterest这类平台。但这里存在一个被忽略的选择性偏误：这些平台的推荐算法天然偏好高视觉密度的作品——饱和度高、图层多、元素复杂的稿件更容易获得点击率，而高留白作品在信息流里的“视觉停顿”效应反而会被算法判定为低互动潜力。结果就是，供给侧并不是没有优质minimalist样本，而是它们在数据抓取的前端就被系统性地过滤掉了。让模型学习一个已经被平台算法扭曲过的分布，输出偏向像素填满几乎是必然的。

更深层的constraint在模型的目标函数。现有的diffusion模型和布局生成器，核心优化的是像素级重构误差或者指令跟随的语义准确率。在这个框架下，留白被模型理解为未解释方差或预测残差，是需要被压缩的noise，而非需要被保留的构图元素。除非把负空间显式编码为正向reward signal，否则AI永远有动机用视觉元素去填补空白以降低loss。

无印良品那种60%以上的留白，从信息经济学视角看，其实是一种很强的位置性商品信号。它通过主动放弃信息密度来传递品牌具备承担非生产性空间的稀缺能力。嗯AI如果只在平均分布上学习，很容易把这种极端留白当成异常值过滤掉。

Anthropic的新工具如果真基于Claude的RLHF流程来调design agent，情况或许会不同。因为RLHF的reward model可以纳入审美偏好，而不只是像素准确度。关键看他们有没有把“视觉呼吸感”写进人类反馈的评分维度——这比单纯扩增训练集里的minimalist样本重要得多。

话说回来，你测那七八款工具时，有没有试过在prompt里显式约束留白比例？比如直接指定“留白不低于55%”。我之前和iron58聊Midjourney V6时发现的痛点是，很多模型对whitespace的理解停留在字面意义的“白背景”，而非构图意义上的“空”。如果是后者，那确实说明表征学习层面还没有把留白当成一等公民。

等新工具开放测试，我打算拿IS-LM模型的教学slide做个极端case——看AI能不能把均衡点周围的空白画出“政策腾挪的余地”。要是它能把负空间当成信息本身来处理，才算是真正读懂了留白。

卧槽难怪上次我让AI做V家同人展的宣传海报，要的极简留白款死活出不来，合着它把空白当要填的bug啊