AI: programowanie architektury

W ostatnich latach obserwujemy szybki rozwój zastosowań sztucznej inteligencji (AI), która – niemalże niezauważalnie dla użytkowników – przeniknęła do naszej codzienności. Narzędzia AI z powodzeniem pomagają w diagnozowaniu medycznym, analizują aplikacje kredytowe i portfolia inwestycyjne, wspomagają prowadzenie samochodów i dronów lub tłumaczą teksty online. Są częścią naszych gospodarstw domowych w postaci quasi-inteligentnych termostatów i systemów bezpieczeństwa, wspierają w odnalezieniu drogi podczas jazdy autem, zaś w smartfonach i smartwatchach towarzyszą nam dzień i noc, monitorując wzorce zachowania czy stan zdrowia. Jednocześnie wszystkie dane generowane w tych procesach pomagają w udoskonalaniu i treningu algorytmów – innymi słowy, AI jest wszędzie.

Dzięki dostępności ekonomicznej mocy obliczeniowej i wielkich wolumenów danych na potrzeby trenowania systemów deep learning (DL) w roku 2022 – nie bez kontrowersji dotyczących potencjalnych zagrożeń wynikających m.in. z pośpiesznej implementacji – otrzymaliśmy publiczny dostęp do modeli generatywnych ChatGPT, Midjourney czy Stable Diffusion. Wkrótce pojawiły się kolejne. Jak ocenia to CEO Google, Sundar Pichai: Dziś skala największych obliczeń AI podwaja się co pół roku, przewyższając znacznie prawo Moore'a. Jednocześnie zaawansowane generatywne AI i duże modele językowe podbijają wyobraźnię ludzi na całym świecie. Tym samym AI wkroczyła w obszary, które dotychczas wydawały się być zastrzeżone dla ludzkiej kreatywności.

 

Czym jest AI?

Pojęcie artifical inteligence (AI) zostało po raz pierwszy sformułowane przez Johna McCarthy'ego podczas warsztatów naukowych w Darthmouth w 1956 roku, jednak badania i prace teoretyczne w tej materii rozpoczęły się znacznie wcześniej. Jeszcze w 1950 roku Alan Turing sformułował pierwsze założenia dotyczące projektowania i sposobu oceny działania inteligentnych maszyn oraz zaproponował słynny „test” Turinga. Przez dekady AI ewoluowała od prostych algorytmów poprzez systemy eksperckie do zaawansowanych sieci neuronowych, w których najważniejszą rolę odgrywa uczenie maszynowe. Machine learning (ML) jest szeroką dziedziną AI, która obejmuje wszelkie procesy i algorytmy, potrafiące bez uprzedniego programowania, przeanalizować i rozpoznać wzorce w danych wejściowych i wyciągnąć z nich wnioski. W procesie „trenowania” algorytmy uczą się i doskonalą w miarę zdobywania nowego doświadczenia. Wdrożenia ML obejmują systemy analiz danych finansowych, automatyzację procesów, zaś w życiu codziennym ML znajdują zastosowanie np.: jako wirtualni asystenci. Deep learning (DL) stanowi dziedzinę machine learning (ML), która do uczenia maszynowego wykorzystuje artifical neural network (ANN), czyli sztuczne sieci neuronowe. Inspiracją dla ANN jest biologiczna sieć neuronowa mózgu, ale procesy uczenia się ANN są znacznie bardziej wydajne. DL umożliwia komputerom rozwiązywanie skomplikowanych problemów niezależnie od różnorodności czy organizacji używanych zbiorów danych. Natural language processing (NLP) wykorzystuje zaawansowane algorytmy do konwersji nieustrukturyzowanego języka potocznego do formatu zrozumiałego dla komputerów, co wykorzystuje się obecnie m.in. w asystentach głosowych takich jak Alexa. Computer Vision (CV) obejmuje rozpoznawanie oraz interpretację obrazów i znalazło zastosowanie np. w samochodach autonomicznych lub diagnostyce medycznej.

AI w architekturze

W latach 60. XX wieku wprowadzenie systemów projektowania wspomaganego komputerowo (CAD) zapoczątkowało erę cyfryzacji w projektowaniu architektonicznym. Pomimo technologicznych ograniczeń wczesnych rozwiązań CAD wizjonerzy tacy jak Nicholas Negroponte już wtedy widzieli potencjał zastosowania narzędzi cyfrowych jako asystentów w procesie projektowym. Eksperymentalne oprogramowanie URBAN5 wykorzystywało dane wejściowe wprowadzone przez użytkownika i sugerowało ewentualne optymalizacje urbanistyczne budynku na podstawie zaprogramowanego algorytmu. Zaproponowany natomiast w latach 70. przez Cedrica Price’a Generator stanowił eksperymentalną implementację „inteligentnego” budynku, który w założeniu miał dostosowywać się dynamicznie do potrzeb użytkowników. Powyższe idee i prototypy stanowiły fundament dla projektowania parametrycznego z późnych lat 90., w którym algorytmy pozwalały na wielokrotne iteracje rozwiązań i w rezultacie kształtowanie organicznych brył.

Równolegle rozwijał się BIM, którego prekursorami byli: Charles Eastman z projektami BDS i GLIDE oraz Gábor Bojár z pierwszym oprogramowaniem dostępnym dla komputerów osobistych RADAR CH (później: ARCHICAD). Cyfrowe narzędzia stały się rutynową częścią projektowania architektonicznego, zaś na początku XXI wieku zastosowanie procesów genetycznych w projektowaniu parametrycznym rozpoczęło fazę określaną mianem projektowania generatywnego. Programy pozwalają na proces projektowy prowadzony wspólnie przez architekta i komputer, w którym projektant definiuje parametry wyjściowe, a komputer tworzy alternatywne propozycje podlegające dalszej ocenie i permutacji na podstawie informacji zwrotnych od projektanta.

W 2015 roku powstała tymczasowa przestrzeń ROBOT GARDEN zaprojektowana przez SPAN dla Michigan Robotics przy użyciu eksperymentalnej sieci neuronowej. W wyniku projektu badawczego Project Discover w 2017 roku powstał pierwszy budynek biurowy Autodesk w Toronto, w którym układ funkcjonalny był optymalizowany w procesie genetycznych iteracji, zaś współpraca pomiędzy Imperial College of London, Autodesk i MX3D zaowocowała w 2021 roku realizacją drukowanej ze stali nierdzewnej kładki pieszej w Amsterdamie. Kolejne projekty badawcze prowadzone na uczelniach i w niektórych pracowniach ewoluowały naturalnie w kierunku wdrożenia AI do projektowania architektonicznego i urbanistycznego, budząc jednak głównie zainteresowanie entuzjastów. Do 2022 roku, jak powiedział architekt Stanislas Chaillou, znany ze swych badań naukowych w dziedzinie zastosowania AI w architekturze: Rozwój architektury w kierunku wykorzystania AI był raczej wynikiem stopniowego rozwoju technologicznego niż rewolucją. Przełomowy moment nastąpił pod koniec 2022 roku wraz z otwarciem publicznego dostępu do generatywnych modeli sztucznej inteligencji LLM i generatorami obrazów text-to-image (TTI).

Renomowane pracownie architektoniczne z całego świata szybko doceniły nowe możliwości i wprowadziły do pracy nad projektami koncepcyjnymi generatory obrazów Stable Diffusion, DALL-E i Midjourney. Patrick Schumacher z Zaha Hadid Architects podczas panelu dyskusyjnego DigitalFUTURES przyznał, że na etapie koncepcyjnym pracownia stosuje je powszechnie: Nie wykorzystujemy ich w każdym projekcie, ale powiedzmy w większości – zachęcam wszystkich pracujących nad koncepcjami i wstępnymi ideami, aby zobaczyli, co się pojawi i po prostu mieli większy repertuar możliwości. Pracownia Coop Himmelb(l)au przy współpracy z Danielem Bolojanem wykorzystuje własną artificial neural networks w podobnym celu, zaś obrazy wygenerowane w Midjourney przez Hassana Ragaba czy Andrew Kudlessa z Matsys podbijają internet, budząc powszechne zainteresowanie potencjałem technologii także poza środowiskiem architektonicznym.Wspomniane generatory obrazów TTI stanowią technologię AI, która łączy rozumienie języka z możliwościami syntezy obrazów. Na podstawie opisu (prompt’u) modele sieci neuronowych i wyspecjalizowane convolutional neural networks, wytrenowane na danych wizualnych, mogą wygenerować lub modyfikować obrazy. Jednak jeszcze niedawno proces ten nie dawał zadowalających rezultatów i dopiero zastosowanie, opisanych teoretycznie przez Iana Goodfellow’a w 2014 roku, generative adversarial network (GAN) zmieniło sytuację. Model uczenia GAN oparty jest o dwie konkurujące ze sobą, samouczące się sieci neuronowe. Pierwsza z nich, zwana generatorem, tworzy nowe obrazy, zaś druga, znana jako dyskryminator, porównuje je do oryginałów i klasyfikuje jakościowo. W ten sposób możliwe jest stosunkowo szybkie wytrenowanie wyrafinowanej AI zdolnej do generowania fotorealistycznych obrazów. W 2018 roku NVIDIA Research opracowała StyleGan, który udowodnił funkcjonalność teoretycznego modelu i był prekursorem technologii. Variational autoencoders (VAEs) stanowią kolejny model funkcjonujący w oparciu o matematyczną koncepcję latent space, która pozwala na zachowanie wysokiej precyzji generowanych danych i większą kontrolę nad efektem końcowym. Wyjątkowo dobre efekty uzyskują także modele Diffusion, generujące obrazy z wykorzystaniem procesu uczenia się opartego o dekonstrukcję i rekreację obrazu z użyciem szumu Gaussa. Generator DALL-E miał swą premierę pod koniec 2021 roku, zaś w 2022 roku pojawiły się Stable Diffusion i Midjourney. Zmieniły one dogłębnie sposób, w jaki architekci mogą poszukiwać nowych rozwiązań, pozwalają na szybką eksplorację niezliczonych, często zaskakujących, estetycznych wizji na etapie koncepcji. Jak powiedział Andrew Kudless, założyciel Matsys: Dziś zastosowanie obrazów wygenerowanych przez AI przypomina szkicowanie. Jednak projektowanie to coś znacznie więcej niż tylko generowanie idei. Obrazy wygenerowane przez AI nie są szczególnie przydatne jako skończone rozwiązania. Zamiast tego stanowią jako kolekcja obrazów pewnego rodzaju zapis idei, wrażeń czy możliwości.

Projektowanie generatywne z wykorzystaniem procesów uczenia maszynowego jest kolejnym obszarem, w którym sztuczna inteligencja znalazła zastosowanie. Liczne prace badawcze prowadzone w ostatnich kilku latach pokazały potencjał wykorzystywania AI do oceny rozwiązań parametrycznych wygenerowanych przez algorytmy na podstawie zdefiniowanych przez projektanta danych wyjściowych albo – z wykorzystaniem GAN – wprost do kreowania alternatywnych i oryginalnych rozwiązań. Narzędzia takie jak Spacemaker, Project Refinery, Delve czy TestFit umożliwiają automatyczną analizę niezliczonych iteracji rozwiązań funkcjonalnych lub urbanistycznych i stają się powoli standardem na wczesnych etapach projektowania. Duże pracownie architektoniczne rozpoczęły także prace nad wdrożeniami własnych sieci neuronowych wykorzystujących dane ze zrealizowanych obiektów. Uwzględnienie licznych danych środowiskowych, społecznych, geograficznych czy technicznych – ich analiza to mocna strona komputerów i AI – pozwala na optymalizację rozwiązań projektowych. Komputery nie są dobre w otwartych kreatywnych rozwiązaniach; to wciąż jest zarezerwowane dla ludzi – mówi Mike Mendelson z Nvidia Deep Learning Institute. – Ale dzięki automatyzacji jesteśmy w stanie zaoszczędzić czas na wykonywaniu powtarzalnych zadań i możemy ponownie zainwestować ten czas w projektowanie.Inne zastosowania AI obejmują m.in. drukowanie budynków 3D i wykorzystywanie robotów we wznoszeniu i inspekcjach technicznych budynków, technologie Smart Building i Digital Twin czy nanotechnologię w zakresie materiałów budowlanych. Są to jednak wciąż przede wszystkim eksperymenty, których efekty i potencjał rozwojowy będzie podlegał dalszej ocenie.

Ghost in the Shell

Zastosowania AI zarówno w projektowaniu architektonicznym, jak i wszelkich innych dziedzinach kreatywnych powodują dylematy i budzą kontrowersje. Aktualne modele AI mają skłonność do konfabulacji, zaś wadliwie skonstruowane dane wyjściowe używane do ich treningu mogą prowadzić do nadreprezentacji (bias). Jednocześnie rodzą się pytania o oryginalność architektury powstającej przy „współpracy” z AI. Krytyk sztuki Jerry Saltz powiedział: Sztuka generowana przez sztuczną inteligencję pozostaje odtwórcza i z trudem przekracza ograniczenia materiału źródłowego. Jeśli sztuczna inteligencja ma tworzyć znaczące dzieła, będzie musiała zapewnić własne wizję i słownictwo, własne poczucie przestrzeni, koloru i formy. Niepokój budzi także przyszła rola ludzi w procesie projektowym, wizjonerzy tacy jak prof. Andrew Ng starają się jednak rozwiać te obawy, opowiadając się za przyszłością, w której AI rozszerza, a nie zastępuje ludzkie umiejętności.W dziedzinie architektury AI dopiero stawia pierwsze kroki, ale nietrudno dostrzec potencjał, który wkrótce może zmienić pracę architektów, a także sposób ich kształcenia. Kompleksowy i nielinearny charakter projektowania architektonicznego, które niektórzy kwalifikują jako tzw. wicked problem, pozwala sądzić, że rozwój AI nie stanowi egzystencjalnego zagrożenia dla istnienia naszego zawodu w najbliższej przyszłości. Dzięki połączeniu siły sztucznej inteligencji z naszą ludzką kreatywnością – uważa Carlos Carlos Bañón, architekt, profesor w SUTD, współzałożyciel AirLab @SUTD – otwieramy niezrównane możliwości współtworzenia projektów, które przesuwają granice tego, co jest osiągalne. Ta fuzja ludzkiej intuicji i technologii sztucznej inteligencji radykalnie zmieni krajobraz sztuki i dizajnu. Tym samym zbliżamy się do wizji Nicholasa Negroponte, w której proces projektowy stanie się symbiotyczną współpracą pomiędzy architektem i asystentem – sztuczną inteligencją. Ale, jak słusznie zauważa Stanisław Lem: Z postępem technicznym jest tak jak z brzytwą: można się nią ogolić, można i gardło podciąć.

Kompleksowy i nielinearny charakter projektowania architektonicznego, które niektórzy kwalifikują jako tzw. wicked problem, pozwala sądzić, że rozwój AI nie stanowi egzystencjalnego zagrożenia dla istnienia zawodu w najbliższej przyszłości