Eidos | Эйдос

угадайте, совместно с кем подготовлен пост → нетрудно догадаться, что с коллегами из digital-журнала «Эйдос». но сегодня пришлось вооружиться еще и экспертизой одного из крупнейших российских застройщиков. итак: от «нарисуй дом» до «учти несущую стену» искусственный интеллект прошел путь длиною в 6 лет.

пост, в котором мы имели счастье убедиться, что ии не решает инженерные задачи.

Артур Ишмаев, руководитель группы автоматизации проектирования в компании «ПИК»: «это актуально в связи со сложностью решаемых задач на этапах проектирования. существующих методов автоматизации и алгоритмизации процессов, не включающие в себя нейронные сети, недостаточно для их решения. они способны покрывать лишь частные случаи».
в публикациях последней пятилетки отчетливо прослеживается пока еще только формирующийся подход применения в архитектурной проектировании нейтронных сетей. все очень много экспериментируют.

зачем? чтобы анализировать накопленные данные (оцифровывать бумажные чертежи, например), аналитика картографических данных, или обнаруживание транспортного пешеходного каркаса и прочие прелести, чтобы было на основе чего генерировать планировочные решения, в частности, в вопросе заполнения живого пространства — от комнаты до квартиры предметами мебели. к чему пришли?

✦ для эскизов не нужны специальные нейромодели: Stable Diffusion и выдает вполне адекватный результат, расскажите чего вы хотите, обозначьте требования к ракурсу и камере и будут вам ракурсные виды. Нейросеть в курсе и про этажность, габариты и текстуры, а также про то, что отдельным объектам пространства мы испытываем нежные чувства и хотим сделать на них акцент, или, в противном случае, убрать с картинки.

но графовые нейросети распахивают двери в прекрасный и удивительный мир 3D-генераций: Instant Mesh, Tripo 3D и их ближайшие родственники — умеют в 3D (на вход можно подавать не только текст, но и изображение, которое хочется улучшить), и, говорят, Building GAN тоже, правда примитивно и не без поэтапных графов связности зон здания.

✦ про ArchiGAN, которая разбирается в планировке квартир и домов: все работает бодро, через через RGBA-каналы, в три этапа (определение формы здания, распределение функциональных зон и расстановка мебели — для каждого отдельная модель с архитектурой Pix2Pix GAN). результат, к сожалению, только растровый, что не предполагает сложного шифрования исходных данных.

проект генерации интерьера зданий MIQP-based Layout Design for Building Interior.

метод для создания планов этажей Data-driven Interior Plan Generation for Residential Buildings (все то же самое, но в два этапа).

альтернативные варианты генераторов планировок: Graph2Plan (подвинет вам и границу здания заодно), HouseGAN, Wallplan.

✦ а что насчет аналитики и прогнозирования? Daylight GAN анализирует естественное освещение, ComfortGAN — тепловой режим. вероятно, кто-то/что-то также помогает в анализе ветровых нагрузок, инсоляции, в конструктивных расчетах. в ПИКе, вот, в рамках создания платформы R2 — десктопного программного решения для ускорения и автоматизации различных задач, пытались учить StyleGAN2 анализировать факторы среды влияющие на облик исторических фасадов в Уфе.

блог компании ПИК.

верим ли мы в светлое будущее, где ИИ — полноправный партнер архитектора? искренне да.надеемся дожить до дня, когда сможем заявить без тени иронии: нейросети сделали нашу работу не просто быстрее, а осмысленнее, а среду вокруг — по-настоящему разумной и удобной для человека.

@media_ai & @eidosmedia

GAN Loci и семиотический тупик: почему латентное пространство не содержит «genius loci*»

продолжаем с коллегами из digital-журнала «Эйдос» рассказывать об нейросетях в архитектуре и урбанистике.

сегодня на повестке дня проект GAN Loci — это прекрасная иллюстрация того, как технологическая изощренность сталкивается с эпистемологическими пределами. мы имеем дело с принципиально разными онтологиями: город как сложный феномен и его репрезентация в латентном пространстве генеративной модели. StyleGAN2 блестяще выявляет визуальные корреляции — те самые паттерны фасадов, ритмы оконных проемов, текстуры исторических материалов. но дух места, оказывается нередуцируем к совокупности пиксельных закономерностей.

познакомиться с проектом.

✦ проблема не в алгоритме, а в самой природе задачи: нейросеть оперирует статичными снимками, вырванными из временного контекста, не имеет доступа к нарративам, которые превращают здание в памятник, а улицу — в место памяти, не чувствует тяжести истории в брусчатке мостовой и не слышит эха разговоров, впитавшихся в стены домов. городская идентичность рождается на стыке архитектуры, времени и человеческого опыта — а это три измерения, которые невозможно полностью упаковать в тензор.

→ что получаем на выходе? утонченный стилевой трансфер, безупречный с точки зрения техники, но пустой с позиции смысла. GAN Loci генерирует убедительные гибриды, но не может объяснить, почему один уголок города ощущается как «свой», а другой — как чужой. Она создает визуальные симулякры городской атмосферы, не понимая ее природы.

возможно, следующий шаг — в сторону мультимодальных архитектур, учитывающих саундскейпы, ольфакторные ландшафты, социальные графы. однако не окажется ли тогда, что мы просто создадим более изощренную карту территории, все так же не схватывающую главное? дух места — это не сумма параметров, а emergent property, возникающее свойство всей системы в ее нередуцируемой сложности.

GAN Loci ценен именно как демонстрация этого фундаментального предела, ведь временами важнее — понять, где проходит граница возможного. сегодня мы можем с уверенностью сказать: латентное пространство содержит многое, но душа города к этому многому не относится.

* — «genius loci» (в переводе с латинского — «дух места») — концепция, которая описывает уникальную атмосферу, характер и сущность конкретного места. Она охватывает историю, культуру, природные элементы и эмоции, связанные с этим местом.

@media_ai & @eidosmedia