دوران «معنا گرایی» هوش مصنوعی در معماری
با رونق هوش مصنوعی در حوزه معماری و البته حوزه‌هایی فراتر از آن، که این روزها همه‌گیر هم شده است، بسیاری در این اندیشه‌اند که چه تغییراتی -اگر بپذیریم تغییری در راه است- در آینده این دیسیپلین به انتظار نشسته است.
از دید استانیسلاس چایلو، گسترش استفاده از AI در معماری ممکن است باعث شود که اهمیت معنا به عنوان روشی (رویکردی) برای توصیف و طراحی محیط مصنوع، مجددا به کانون توجه این حرفه تبدیل شود. معناگرایی (سمانتیسیسم) فراتر از یک برچسب سنتی، ممکن است مسیر جدیدی را برای پرکتیس معماری تعریف کند، که نشان از این اعتقاد دارد که طراحی به کمک AI می‌تواند به قانون «فرم از معنا تبعیت می‌کند» وفادار بماند. چایلو در این‌جا معناگرایی و شیوه کار آن را تشریح می‌کند. چیزی که نخستین بار در کتاب اخیرش به نام «هوش مصنوعی و معماری: از تحقیق تا پرکتیس» (انتشارات بیرک‌هاوزر سال ۲۰۲۲) معرفی شده بود.
تجسم: دغدغه یک معمار
از دید یک معمار، سر و کله زدن با هوش مصنوعی به سر راستی و سادگی سایر قضایا نیست. حرفهای رسانه‌ها، نظرات عامیانه و پیچیدگی‌های فنیِ ذاتیِ هوش مصنوعی، از جمله موانعی هستند که دیسیپلین معماری را در فاصله‌ای محتاطانه از این فناوری نگه می‌دارند. با این حال و با اینکه AI موضوعی بسیار بعید و دور در دنیای معماری است، چرا فعالان این حرفه باید دغدغه آن را داشته باشند؟
پاسخ اول را می‌توان زمانی پیدا کرد که به سراغ یکی از جنبه‌های مختلف و متنوع AI برویم: تجسم یا representation. در ساده‌ترین تعریف‌اش، به عملیات ارسال کمیتی مشخص از یک حوزه به حوزه دیگر «تجسم کردن» اطلاق می‌شود. به طور خلاصه این تجسم در واقع هنرِ محاسبات ریاضی یا هنرِ ساخت‌وساز هندسی آن بازنمایی است. به عنوان نمونه پرسپکتیو به عنوان یک تجسم، عملی محاسباتی و ریاضی است که موجودیتی (مثلا حجم سه‌بعدی در فضای عادی) را در قالبی جدید و قابل فهم به دنیایی دیگر (ترسیم دوبعدی کاغذی) منتقل می‌کند.
اختراع پرسپکتیو شاهدی همیشگی برای اهمیت این موضوع در معماری است. در معماری یک دید پرسپکتیو را می‌توان به کمک مجموعه‌ای از قواعد هندسی ایجاد کرد و این امر به معماران اجازه می‌دهد اطلاعاتی را که در پلان‌ها و نماها وجود دارد را مجسم کنند تا بتوانند از طریق آن‌ها نمونه‌های سه‌بعدی (واقعی) بسازند.
به همراه کسانی چون گاسپارد مونژه، کارل فردریش گاوس، پیر بزیر و بسیاری دیگر، نسل‌های متمادی از دانشمندان دامنه‌های هندسه ترسیمی را توسعه داده‌اند، تا ابزاری به شدت قدرتمند را در اختیار رشته‌ها و حوزه‌هایی قرار دهند که با مطالعه و دستکاری اطلاعات فضایی سر و کار دارند.
معماری و بسیاری حوزه‌های جانبی دیگر، در طول زمان از پیشرفت تدریجی تکنیک‌های مجسم‌سازی بهره برده‌اند. فرموله کردن تغییرشکل‌های فضایی (تبدیل شدن فرم‌های مختلف فضا به یکدیگر) حتی به بخشی از خود پرکتیس معماری تبدیل شده است، واقعیتی که رشد و گسترش کامپیوتری‌شدن [معماری] در زمانه مدرن، دایم آن را به ما یادآور می‌شود. در نتیجه همه، از تئوریسین‌ها گرفته تا فعالان حرفهای معماری اکنون می‌توانند اهمیت تجسم را درک کنند.
درست به همین دلیل است که شیب تند پیشرفت تکنیک‌های تجسم هندسی، که به لطف توسعه‌های اخیر حوزه AI میسر شده است، برای معماران مهم است. از میان بسیاری از پروژه‌های تحقیقاتی، NeRF شاید بهتر از بقیه سرعت این پیشرفت را نشان دهد. با استفاده از تعدادی انگشت‌شمار دید (پلان و نما و …) از یک شیی پیچیده، این مدل هوش مصنوعی می‌تواند یک مدل سه‌بعدی کامل از شیی موردنظر بسازد که امکان آشکار کردن هندسه قسمت‌های پنهان شیی را هم دارد. از دوبعدی به سه‌بعدی، از نمایش نصفه و نیمه تا توصیف کامل، NeRF توقعات را از آن‌چه هندسه ترسیمی مدت‌ها قصد انجامش را داشته است، بالاتر می‌برد. مدل‌های بسیار زیاد دیگری، که روی انتزاع‌های فضایی مانند گراف‌ها، ابر نقاط و … کار می‌کنند، در همین زمینه و روی همین موضع کار می‌کنند: سرعت و بزرگی پیشرفت حاصل شده در تکنیک‌های تجسم فضایی به کمک هوش مصنوعی، به سادگی نفس‌گیر است و در عین حال بلافاصله و بلاواسطه به کار ما به عنوان معمار مربوط می‌شوند.
در کمال شگفتی، موضوعات و مدل‌های مختلف ارایه معماری به خوبی جای خود را در مدل‌های مشخصی از هوش مصنوعی پیدا می‌کنند.
هرچند، خود تعریف تجسم، واقعیتی بزرگتر را شامل می‌شود که مسبب بوجود آمدن راه‌ها و روش‌های امیدبخش‌تر در مسیر معماری است. بسیار فراتر از دست‌یابی به تجسم‌ها و نمایش‌های هندسی، امروزه مدل‌های مشخصی هستند که امکان نگاشت حوزه‌های متنوع مانند صدا، ویدیو، متن و غیره را در قالب واسطه‌ها و رسانه‌هایی متفاوت فراهم می‌کنند. تنها به عنوان چند نمونه محدود: به کمک هوش مصنوعی‌هایی مانند دال-ای، میدجرنی، استیبل دیفیوژن، می‌توان یک متن کامل را به تصویر تبدیل کرد. یا با مدل‌هایی مانند آئودیو-ال-ام، متن‌ها می‌توانند به موسیقی‌های ضبط‌شده تبدیل شوند و به کمک میک-ای-ویدیو می‌توان دو تصویر از یک صحنه را به یک کلیپ ویدیویی تبدیل کرد. پروژه‌های آزمایشی‌تر (که هنوز به محصول نهایی نرسیده‌اند) این تجسم‌ها را تا مرزهایی بسیار افراطی‌تر گسترش داده‌اند: آنا ریدلر که یک هنرمند است، در پروژه ترسیم با صدا، نقش‌ها و امتدادهای ترسیم‌هایش را به هارمونی‌های موسیقایی تبدیل می‌کند، هانا دیویس در پروژه‌اش با نام سیمفونولوژی، احساساتی را که توسط مجموعه‌ای از متون بیان شده است، به یک ترکیب موسیقایی تبدیل می‌کند. راس گودوین در پروژه‌اش «دنیا.دوربین» مجموعه‌ای از کلیپ‌های ویدیویی کوتاه را به رمان‌هایی مکتوب تبدیل می‌کند. با در نظر گرفتن تمام این‌ها، تنوع عظیم تجسمی که امروزه در میان پروژه‌های علمی و خلاقانه دیده می‌شود، گواه بلوغ مدل‌های کنونی هوش مصنوعی است که به طراحان اجازه می‌دهد تبدیل‌ها و ترجمه‌های پیچیده‌ای را میان حوزه‌هایی کاملا متفاوت متفاوت اجرا کنند.
در عین حال توصیفی بودن این تکنیک‌های تجسم، تا حد زیادی کد کردن کانسپت‌های ساختاریافته‌تر و سطح بالاتر را بهبود بخشیده است. آخرین نسل مدل‌ها مانند دفیوزرها و مدل‌های زبانی بزرگ (LLMها) می‌توانند انتزاع‌های بسیار مفهومی (چیزهایی بسیار غنی‌تر از توصیف‌گرهای معماری سطح پایین که در مدل‌سازی پارامتریک دیده می‌شوند) را کُد (درک) کنند. مدل‌های معمول متن-به-تصویر امروزین به خوبی نشان می‌دهند که چطور فرمان‌های متنی نسبتا پیچیده با ارجاع به استایل، تاریخ، جنبش‌های هنری و بسیاری از مفاهیم سطح بالای دیگر می‌توانند به تصاویر بسیار نزدیک به واقعیت تبدیل شوند. این رشد تدریجیِ توصیفی شدن هوش مصنوعی، خود منجر به خروجی‌های نسبتا ملموس برای دیسیپلین معماری شده است. چرا که بسیاری از موضوعات و حالات تجسمی معماری به شکلی شگفت‌آور جایگاه مناسب خود را در میان خروجی مدل‌های مشخصی پیدا می‌کنند. تصویر ۲ همین واقعیت را به تصویر کشیده است. هر تصویر تولید شده توسط AI از یک پیغام متنی به عنوان تنها داده ورودی استفاده کرده است.
این نقطه عطف (تغییر مسیر)، نقطه‌ای است که تمرکز دیسیپلین‌های طراحی و البته به طور خاص معماری به اهمیت معنا معطوف می‌شود.
سرعت تغییرات در این حوزه‌های تحقیقاتی سرگیجه‌آور است. این فناوری‌ها شروع به تقلید مفاهیم باارزش دیسیپلین معماری کرده و این قابلیت را در طی زمان بهبود بخشیده‌اند. اجرا کردن یک پرامپت واحد [در فواصل زمانی مختلف] روی این مدل‌ها نشان‌دهنده سرعت پیشرفت آن‌ها است. تصویر شماره ۳ شاخصی را عرضه می‌کند که از مدل GLIDE (دسامبر ۲۰۲۱) تا مدل نسخه ۵ میدجرنی (مارس ۲۰۲۳) را پوشش می‌دهد و نشان می‌دهد که واقع‌گرایی تصاویری مانند پلان‌های طبقات، ظرف تنها ۱۸ ماه به شدت بهبود یافته است.
در یک جمع‌بندی کلی، حاصلضرب (برآیند) ارتباطات میان رسانه‌های مختلف، رشد عمومی توصیف‌پذیری تجسم‌های مختلف و سرعت کنونی نوآوری‌ها با هم منجر به این تغییر روند و دگردیسی می‌شوند که در مقیاس کلان در دیسیپلین طراحی دیده می‌شود. در دل تمام این قضایا، این نقطه عطف (تغییر مسیر)، نقطه‌ای است که تمرکز دیسیپلین‌های طراحی و البته به طور خاص معماری به اهمیت معنا معطوف می‌شود.
از دستور زبان تا معنا
همان‌طور که پیش‌تر هم گفته شد، هوش مصنوعی معماری را در محیطی بیگانه قرار نمی‌دهد. در عوض ظهور و پیدایش هوش مصنوعی ملاحظاتی را مطرح می‌کند که غالبا در دیسیپلین ما شناخته شده است. هرچند، امیدبخش‌ترین رویارویی و تعامل هوش مصنوعی با معماری احتمالا در صحنه‌ای رخ می‌دهد که عمیقا در دیسیپلین ما ریشه دوانده است: و آن هم سنت دیرینه قیاس [معماری] با زبان‌شناسی است. امروزه هوش مصنوعی انتقال از گرامر به معنا را سرعت می‌بخشد. حرکتی که در واقع خیلی پیش‌تر از این در رشته ما آغاز شده است و ما در ادامه قصد داریم به صورتی خلاصه آن را شرح دهیم.
یک ساختمان از آن‌جا یک اثر هنری است که به نوعی به چیزی اشاره می‌کند، معنا می‌بخشد، ارجاع می‌دهد یا سمبل چیزی است.
(نلسون گودمن در کتاب ساختمان‌ها چگونه معنا می‌یابند؟)
زبان‌شناسی جنبه‌های مختلف زبان را بررسی می‌کند. این دیسیپلین از یک طرف ابزار تجزیه، توصیف و تحلیل جمله‌ها را فراهم می‌کند. از سوی دیگر امکان سرهم کردن، ترکیب و خلق متون جدید را فراهم می‌کند. «تحلیل» و «تولید» دو روی جدایی‌ناپذیر سکه زبان‌شناسی هستند. معماری با نزدیک شدن به محدوده همین موضوعات (یعنی توصیف فرم‌های مصنوع و ساخت فرم‌های جدید) طبیعتا شباهت‌های بسیاری با چهارچوب‌های زبان‌شناسی دارد.
در واقع طی دهه‌های اخیر معماری چیزهای زیادی را از دستور زبان (گرامر) و مفاهیم آن به عاریت گرفته است. در زبان‌شناسی، نقطه تمرکز و توجه دستور زبان به شکل‌دادن، ساختار و سرهم‌بندی و ترکیب زبان است. دستور زبان قوانینی (روش‌های کاوشی) را بررسی و وضع می‌کند که کلمات براساس آن‌ها کنار هم قرار می‌گیرند تا جمله‌ها را بسازند؛ به عبارتی فارغ از معنایی که با خود دارند، وظیفه و کارکرد خود را در حوزه زبان به انجام برسانند. (تصویر ۴ سمت چپ)
زمانی که دیسیپلین معماری به جست‌وجوی روشی برای قانون‌مند کردن، ساماندهی، و تقلید دانش در مقیاس بزرگتر پرداخت، ریشه‌های دستور زبان که در سیستم‌ها و قواعد نهفته است، بازتاب خود را در معماری به جا گذاشتند (تصویر چهار سمت راست). چه نظریه‌هایی مانند قواعد فرمی (Shape Grammar) و پارامتریسم را نظر بگیریم یا ابزارهایی مانند BIM یا برنامه‌نویسی بصری، غنای آزمایش‌ها و تجربه‌هایی که در پنجاه سال گذشته انجام شده‌اند ثابت می‌کند که معماری تا چه حد می‌تواند از دستور زبان یاد بگیرد، بویژه زمانی که معماری در تقاطع با محاسبات قرار می‌گیرد.
هرچند ترجمه کردن معماری به قواعد محض دستور زبانی، ما را با چهارچوب و دیسیپلینی مواجه می‌کند که در بسیاری از جنبه‌های معماری نمی‌توان به آن اعتماد کرد. تاثیر زمینه (جغرافیا، فرهنگ، زیباشناسی، جامعه‌شناسی و …) تکثر پاسخ‌های طراحانه و تکامل دایم فرم‌های مصنوع برخی از آشکارترین محدودیت‌های رویکرد گرامری هستند.
ترجمه معماری به قواعد محض دستور زبانی، ما را با چهارچوب و دیسیپلینی مواجه می‌کند که در بسیاری از جنبه‌های معماری نمی‌توان به آن اعتماد کرد
به همین دلایل استفاده از مفاهیم مربوط به دستور زبان، امروزه در حال محو شدن است و فضا را برای چهارچوب‌های مبتنی بر معنا باز می‌کند. در مباحث زبان‌شناسی، معناشناسی نه از دیدگاه عملکرد که از دیدگاه تعیین معنا در زبان، به دنبال پیوستگی، قوانین و ساختارها می‌گردد. (تصویر شماره ۵ سمت چپ) درست شبیه دستور زبان، معناشناسی نیز قصد دارد جمله‌ها و عبارات را در زبان توصیف و البته تولید کند. گزاره‌ها را می‌توان تجزیه کرد تا ساختار معنایی آن‌ها آشکار شود (تصویر شماره ۵ راست) یا می‌توان آن‌ها را کنار هم گذاشت تا گزاره‌هایی تولید کرد که به لحاظ معناشناسی معتبر و درست باشند. قدرت و توانایی معناشناسی به عنوان یک چهارچوب توصیفی، دلیل اصلی موفقیتی است که در دهه‌های اخیر و در حوزه‌های بی‌شمار از آن خود کرده است. فقط به عنوان یک نمونه بسیار مشهور، امروزه اینترنت درست مانند توصیف‌ها و انتظارات تیم برنرز لی (دانشمند کامپیوتر و مخترع www) به صورتی معنایی ساخت یافته است. صفحات وب با استفاده از مارک‌آپ‌ها و برچسب‌های معنایی و با پیروی از طبقه‌بندی OWL ساماندهی می‌شوند و به این ترتیب ساختار آن‌ها در نهایت منعکس‌کننده اهمیت محتوای‌شان خواهد بود.
مانند بسیاری از دیسیپلین‌های دیگر، معماری نیز برای تحلیل فرم‌های مصنوع، استفاده از اصول معناشناسی را آغاز کرد (تصویر شماره ۵ راست). این رویکرد جدید به معماری در بطن خود، در نظر گرفتن معنا به عنوان یکی از مهم‌ترین نیروهای شکل‌دهنده سازماندهی فرم‌ها بود. دهه ۷۰ و ۸۰ میلادی شاهد ظهور و شکوفایی و بحثی کاملا نوین در پیشگاه نشانه‌شناسانی چون امبرتو اکو (Umberto Eco)، چارلز جنکس (Charles Jencks) و دیگران بودیم. در میان همه مطالب مرتبط با این موضوع، کارهای فیلسوف آمریکایی نلسون گودمن (Nelson Goodman) شاید به بهترین نحو این مسیر را آشکار می‌کند. گودمن در مقاله‌اش با عنوان «ساختمان‌ها چگونه معنا می‌سازند» به درستی و به دقت توضیح می‌دهد که در فرم‌های معماری تا چه حد می‌توان به معنا دست پیدا کرد. گودمن استدلال می‌کند که اگرچه ساختمان‌ها واقعا به آن شکلی که سایر فرم‌های هنری (ادبیات، سینما، موسیقی و غیره) دارای معنا هستند، معنایی ندارند؛ اما «به نوعی سمبل چیزی هستند یا به چیزی ارجاع می‌دهند». آن‌ها بیش از آن‌که گفتمان کنند، خصوصیات‌شان را به نمایش می‌گذارند. بنابراین معنای آن‌ها هم غیرمستقیم (ارجاع به یک سبک، نماد و نشانه، فرهنگ یا مفهوم فضایی و …) و هم پنهان و نهفته (کمی تا قسمتی آشکار، تا حدی غرق‌شده یا در هم تنیده با معماری) خواهد بود.
غیرمستقیم و پنهان، اما در عین حال کاملا موجود و حی و حاضر. به همین دلیل بسیاری از جنبه‌های فرم مصنوع ما تحت تاثیر این بازی ارجاع به زمینه، به برخی نمادها، به برخی ملاحظات سبک‌شناسانه و یا حتی برخی بخش‌های معمارانه دیگر قرار خواهند گرفت. پس از دهه‌ها که معماری با دیدگاه‌ها و نیت‌های عملکردگراها (معماری از طریق کارکردش تعریف می‌شود) و فرمالیست‌ها (معماری تنها از فرم‌اش تبعیت می‌کند) پیش می‌رفت، معناشناسی اکنون با دقت زیادی امکان پرداختن به تمام این ابعاد تازه را فراهم می‌کند. مطالعه و نقد معماری، به کمک معناشناسی، به دنبال ترکیب و تجزیه مجدد ارجاعات در کل فرم‌های مصنوع است (تصویر شماره ۵، سمت راست). طی دهه‌های گذشته این تلاش منجر به توسعه هستی‌شناسی جدیدی برای توصیف داده‌های ساختمانی شده است. امروزه طرح‌واره‌هایی نظیر ifcOWL یا Urban System Ontology و بسیاری انتزاع‌های معنایی دیگر، ابزارهای جدیدی را برای توصیف شبکه نشانه‌هایی که در میان فرم‌های مصنوع جاری است، در اختیار ما قرار می‌دهد.
به جای وضع مستقیم قوانین و خط‌مشی‌ها، آن طور که پیش‌تر در روال‌های دستور زبان شکل‌ها یا اسکریپت‌های پارامتریک شاهد آن بودیم، استفاده از هوش‌مصنوعی به صورتی ضمنی شامل همبستگی و همکاری با کامپیوترهای‌مان خواهد بود. کامپیوترهایی که به صورت مداوم و مکرر معماری را مشاهده می‌کنند.
هرچند در حوزه [هنرهای] بصری مانند معماری، به شکلی تاریخی جنبه مولدِ معناشناسی مدت‌هاست که عقب مانده است. شکافی که امروزه به لطف پیشرفت‌های اخیر هوش مصنوعی به سرعت در حال پر شدن است. از بعد فنی، این فناوری نماینده ظهور و پیدایش یادگیری آماری به عنوان [روشی] جایگزین و شیوه محاسباتی قدرتمندی برای خلق فرم است. و از بعد مفهومی این جانشینی نشان‌دهنده چرخش شناختی عظیمی در معماری است. به جای وضع مستقیم قوانین و خط‌مشی‌ها، آن طور که پیش‌تر در روال‌های دستور زبان شکل‌ها (Shape Grammar) یا اسکریپت‌های پارامتریک شاهد آن بودیم، استفاده از هوش‌مصنوعی به صورتی ضمنی شامل همبستگی و همکاری با کامپیوترهای‌مان خواهد بود. کامپیوترهایی که به صورت مداوم و مکرر معماری را مشاهده می‌کنند. از این دید هوش مصنوعی نشان‌دهنده وارونگی کامل متدولوژی دیسیپلین ما خواهد بود. در عوض؛ پیچیدگی عمیق دنیای مصنوع ما به شکلی شگفت‌آور، آن را مناسب پروسه یادگیری هوش مصنوعی کرده است. نمونه‌های واضح این موضوع خروجی مدل‌هایی مانند StableDiffusion، دال-ای یا میدجرنی است و یا حجم عظیم پروژه‌های تحقیقاتی مختص معماری (HouseGAN، Graph2Plan، ArchiText و یا پروژه تحقیقاتی خودمان و بسیاری نمونه‌های دیگر)
همه این پروژه‌های مرتبط با هوش مصنوعی، امروزه به یک سمت واحد اشاره می‌کنند. سوی مولد معناشناسی بسیار به ما نزدیک شده است، و بنابراین چهارچوب کاری‌اش در حال تکمیل است که این بسیار به سود معماری است. همزمان با شکل‌گیری این روند در برابر چشمان ما، معین کردن حد و مرزها و چهارچوب آن به شدت اهمیت می‌یابد.
معناگرایی
اکنون هدف این است که معناشناسی برای معماران و طراحان، چهارچوبی بالغ و مستحکم را هم به لحاظ تحلیلی و هم به لحاظ مولد بودن فراهم کند. و این نشانه یک نقطه عطف بسیار مهم است که نتیجه آن فراهم شدن یک «اینرسی و حرکت معناشناسی» برای دیسیپلین‌های معماری و طراحی در مقیاسی بزرگ است.
«معناگرا شدن غیرقابل اجتناب است.»
چارلز جنکس، نشانه‌شناسی و معماری (۱۹۶۹)
معناگرایی (Semanticism) شاید نام مناسبی برای این جهت‌گیری جدید باشد. اگر بخواهیم موضوع را به چند اصل کلی تقلیل دهیم، معناگرایی پایبندی به این موارد است:
- فرم‌های معماری بوسیله معنا و مفهوم آن‌ها شکل داده می‌شوند. بنابراین «فرم از معنا تبعیت می‌کند» (اصلی که به وضوح در تصویر شماره ۶ به تصویر کشیده شده است.)
- درست مانند معناشناسی، مطالعه معماری نیازمند گره‌گشایی از مفاهیم و معانی فراوانی است که در فرم‌های مصنوع جریان دارند.
- درست مانند معناشناسی، ایجاد یک معماری جدید به معنای استخراج فرم‌هایی است که به بهترین شکل معانی مورد نظر طراحی و زمینه را به نمایش بگذارند.
- هم مطالعه و هم خلق دنیای مصنوع وام‌دار هوش مصنوعی هستند، چرا که مدل‌های هوش مصنوعی امکان رفت‌وبرگشت میان انتزاع‌های غنی از معنا و فرم‌های معماری متناسب با زمینه و البته معنادار را فراهم می‌کنند.
- استفاده خلاقانه از مدل‌های هوش مصنوعی (آموزش دادن آن‌ها، تغییر دادن کاربرد، تودرتو کردن و سرهم کردن آن‌ها) مسیرهای تقریبا بی‌انتهایی را برای مطالعه و تحقیق در زمینه معماری و طراحی فراهم می‌کنند.
هرچند درست مانند هر تئوری دیگری، معناگرایی در کنار دستاوردهای معرفتی خود (تمایز، چندمعنایی و ترانهش) نقطه ضعف‌هایی (سبک، قابلیت کنترل و فضا) نیز دارد. هر دوی این جنبه‌ها بایستی در برابر چالش‌های موجود در دیسیپلین ما سنجیده شوند. اگر نخست به سراغ دستاوردها برویم، ما سه مسیر آشکار برای حرکت در جهت معناگرایی در پیش داریم که هر کدام مستقیما یکی از دغدغه‌های کلیدی برنامه‌های معماری را پوشش می‌دهند. این سه راه تمایز، تکثر و ترانهش هستند.
نخستین پیشکش معناگرایی به معماری، فراهم آوردن چارچوبی مبتنی بر محاسبات برای ارزیابی تفاوت میان فرم‌های مختلف است.
تمایز (Distinction): «ابزارهای معماری از طریق توانایی‌های ما برای ایجاد و درک تفاوت‌های فیزیکی در فضا بدست می‌آید». کتاب مشهور منطق معماری اثر ویلیام میچل (William Mitchell) با این ادعا آغاز می‌شود و این جمله به خوبی توانایی مشترک ما در درک چیزهایی که با دنیای مصنوع ما تفاوت دارند را نشان می‌دهد. توصیف و اندازه‌گیری کوچک‌ترین تفاوت میان فرم‌ها دقیقا با اهداف و کارایی دیسیپلین معماری مرتبط است. و این درست همان هدف معناشناسی در حوزه زبان است: رفع ابهام از معنا در زبان از طریق تجزیه و تفکیک کردن معانی از یکدیگر. درست به همین شکل نخستین دستاورد معناگرایی برای معماری، فراهم آوردن چارچوبی مبتنی بر محاسبات برای ارزیابی تفاوت‌های میان فرم‌ها است.
در طول زمان متدولوژی‌های متعددی برای حل این وظیفه چالش‌برانگیز توسعه داده شده‌اند. در راستای همین تلاش‌ها بیل هیلیر (Bill Hillier پدر چیدمان فضایی یا Space Syntax) در سال ۱۹۸۲ به خوبی نشان داد که استفاده از آمار تا چه اندازه می‌تواند مفید باشد. از دید هیلیر ، به رغم ظاهر تصادفی الگوها در فرم‌های مختلف و میزان متفاوتی که هر فرم خصوصیاتش را به نمایش می‌گذارد، رویکرد آماری به معماری روشی مطمئن‌تر برای ارزیابی کیفیت فرم‌های مصنوع بود. دهه‌ها بعد هوش مصنوعی ایده‌های هیلیر را دوباره زنده کرده و گسترش داده است و نتیجه ورود یادگیری آماری به دیسیپلین معماری است. این فناوری نشان‌دهنده روشی جایگزین و قدرتمندتر است که معماران به کمک آن می‌توانند تفاوت‌های میان فرم‌های مصنوع را محاسبه کرده و در نهایت دسته‌بندی‌هایی که از گذشته برای ما به میراث گذاشته شده است را بهینه کرده یا از نو بررسی کنند.
در سایه چندوجهی بودن هوش مصنوعی، نگاه معناگرایی به امکان وجود چندمعنایی در فرم‌های معمارانه دوخته شده است.
چندمعنایی (Polysemy): معماری زمانی به موفقیت دست پیدا می‌کند که فرآیند طراحی بتواند تنوع عظیم فرم‌های مصنوع را به رسمیت بشناسد. بدون هیچ استثنایی، شرایط کاملا یکسان (خواسته‌های یکسان، سایت و برنامه فضایی یکسان) همواره امکان تولید پاسخ‌های طراحی متنوعی را فراهم می‌کند. رابطه نگاشت یک به چند دقیقا از طریق همین چندمعنایی (این ایده که یک اصطلاح واحد می تواند به معانی متعددی اشاره کند) می‌تواند جایگاه خود را در معناگرایی بیابد. به شکلی مشابه، این اصل هم به کمک قابلیت چندوجهی (Multimodality) در آخرین نسخه‌های مدل‌های مولد هوش مصنوعی پیاده شده است. در سایه چندوجهی بودن هوش مصنوعی، نگاه معناگرایی به امکان وجود چندمعنایی در فرم‌های معمارانه دوخته شده است. زمانی که یک انتزاع معنایی واحد بتواند به جای یک فرم واحدِ مشخص به طیف وسیعی از شکل‌ها ترجمه شود (مثلا تصویر ۷ را ببینید)، بلافاصله یک فرآیند طراحی با حجم عظیمی از گزینه‌های مرتبط و ممکن در اختیار معمار قرار می‌گیرد.
ترانهش (Transposition): در معماری، فرض بر این است که فاکتورهای زمینه‌ای (نظیر سبک‌شناسی، تیپولوژی، زمینه‌های فرهنگی، تاریخ، اجتماعی و …) تاثیری مستقیم بر فرم‌های مصنوع دارند. درست به همین شکل در معناشناسی نیز، کلمات معنای‌شان را در زمینه‌ای که استفاده می‌شوند به دست می‌آورند. آخرین مدل‌های هوش مصنوعی مولد با شبیه‌سازی همین اصل توانسته‌اند در عین رعایت و توجه به شرایط و اتفاقات محیطی، فرم‌ها و شکل‌های مختلفی را ترکیب کنند: زیبایی‌شناسی یک استایل، یک خصوصیت از یک تیپولوژی، اتمسفر یک فضای مشخص‌شده و نمونه‌های مشابه. زمانی که این مدل‌ها با نمونه‌های مولد گرامری قدیمی مقایسه می‌شوند، جهشی فوق‌العاده را نشان می‌دهند. معناگرایی در این‌جا یک فرصت عظیم برای معماران است تا چنین ترکیب‌ها و ترانهش‌هایی را تجربه و مقایسه کنند. زمانی که ساخت و ترکیب فرم در عین اینکه آن فرم‌ها نشان‌دهنده تاثیر فاکتورهای محیطی باشند، امکان‌پذیر شود، طراحی معماری و تحقیقات به چهارچوبی کاملا جدید برای کار دست پیدا می‌کنند. به عنوان مثال تصویری که در شکل شماره ۸ ساخته شده است، از طریق بازی با چنین ترانهش‌هایی تولید شده است. پیاده‌سازی عناصر و مفاهیم صحن کلیسا در یک خانه یا پیاده‌سازی عناصر و مفاهیم یک آشپزخانه در یک کلیسا. درست به همین شکل، خانواده جدیدی از فرم‌ها در تقاطع تیپولوژی‌ها، سبک‌ها و برنامه‌های مختلف در انتظارند تا به دنیای بیرون معرفی شوند.
هرچند معناگرایی هم از برخی محدودیت‌ها در امان نیست. مطالعه و فرموله کردن آن‌ها از اهمیت بسیاری برخوردار است چرا که دانش مشترک ما درباره آینده را تکمیل می‌کنند.
برای شروع باید بگوییم معناگرایی یک سبک نیست! شعار مشهور مکتب هنری «جدایی وین» که می‌گفت «برای هر دوره‌ای این (آثار) هنر است. برای هنر این آزادی است» به خوبی نشان می‌دهد که ملاحظات سبک‌های مختلف تا چه حد در برهه‌های زمانی حساس بر شخصیت معماری آن دوران اثرگذار بوده است. هر چند امروزه توانایی هوش مصنوعی در شبیه‌سازی، ترکیب و هیبرید کردن سبک‌های مختلف، رواج‌دهنده شکلی جدید از التقاط گرایی است که بر مبنای حسی عمیق از آزادی خلاقانه بنا شده است. در این شرایط معناگرایی به کاتالیزوری شبیه است که سبک‌های مختلف می‌توانند از دل آن ظاهر شوند. حرکت به سوی تعریفی (ساده‌شده) از فضای پنهان می‌تواند به گسترش این موضوع کمک کند.
هرچند امروزه توانایی هوش مصنوعی در شبیه‌سازی، ترکیب و هیبرید کردن سبک‌های مختلف، رواج‌دهنده شکلی جدید از التقاط گرایی است که بر مبنای حسی عمیق از آزادی خلاقانه بنا شده است.
هر چه مدل‌های هوش مصنوعی بیشتر یاد می‌گیرند، معماری آن‌ها بهتر و بیشتر به بازتابی فشرده از داده‌هایی که در معرض آن قرار گرفته‌اند تبدیل می‌شود. این بازتاب شکل یک فضای چندبعدی را به خود می‌گیرد (نوعی نقشه معنایی) که طراحان می‌توانند برای تولید تصویر، متن و … در آن به کاوش و مسیریابی بپردازند. روی آن «نقشه»، مفاهیم معماری مانند سبک‌ها، مکان‌های مشخصی برای خود دارند. و امروزه هنگامی که طراحان در این فضاهای پنهان پرسه می‌زنند، تصاویری که تولید می‌کنند یا این سبک‌های اصیل و استاندارد را بازتاب می‌دهد یا به شکلی جذاب‌تر نشان‌دهنده ترکیب‌های جدیدی است که در حدفاصل و میانه زیبایی‌شناسی‌های شناخته شده کشف شده‌اند. از یک سو این رونمایی و آشکارسازی پیوسته حوزه‌های دست‌نخورده و وسیع که در حد فاصل سبک‌های شناخته شده رها شده‌اند، برای طراحان بسیار جذاب است. هرچند از سوی دیگر خط‌مشی‌هایی که از گذشته و توسط اصول سبک‌شناسی وضع شده بودند، کم‌وبیش در حال محو شدن هستند. به نظر می‌رسد که فرآیند طراحی امروزه خود را از قید و بند دستوراتی که بواسطه زیبایی‌شناسی‌های خاص باید رعایت می‌شدند، رها می‌کند. و گرچه معماری می‌تواند قدردان این غیبت ناگهانی قید و بندها باشد، اما درک و فهم این توانایی و قدرت تقریبا بی حد و مرزی که این غیبت با خود به همراه دارد، می‌تواند گاهی اوقات منکوب کننده باشد. کنار گذاشتن پشتیبانی و امنیتی که پایبندی به سبک‌ها به همراه داشت، قطعا افراد خلاق و طراحان را با قطعات متحرک و متغیر بیشتری نسبت به قبل روبرو می‌کند و با صراحت می‌توان گفت مسئولیت‌های بیشتری برای آن‌ها به همراه می‌آورد.
در مقابل معناگرایی، فضا را با انتزاع‌ها و تجریدهای آن مبادله می‌کند. ما برای کار کردن با هوش مصنوعی باید مقصودمان را به شکلی آشکار و واضح بیان کنیم که ترکیب و اجزای آن برای ماشین‌های‌مان قابل درک باشد. کاستن معماری به توصیف‌هایی واضح و در عین حال شماتیک یکی از پیش‌شرط‌های طراحی کردن به کمک این فناوری جدید است. به همین دلیل گراف‌ها، دیاگرام‌ها، زبان و … می‌توانند به تدریج به واسطه‌هایی تبدیل شوند که معماران به کمک آن‌ها ایده‌های طراحی‌شان را با ماشین‌ها در میان بگذارند. این انتزاع‌های «غنی از معنا» معماری را به گونه‌ای متراکم می‌کنند که نشانه‌های آن به وضوح نمایان شوند و در عین حال سایر ابعاد را از آن حذف می‌کنند. اگر آن گردش و رویکردهای نحوی (گرامری) پیش‌تر با معرفی روال‌ها، اسکریپت‌ها و برنامه‌ها و جداول به طراحان حسی از انتزاع را فراهم کرده بود، دوران معناگرایی با دعوت از معماران برای کار کردن روی انتزاع‌هایی در رده‌های بالاتر، این اصول را تقویت می‌کند. در نتیجه هنگام کار با هوش مصنوعی، فضا، در نزدیک‌ترین و زمینی‌ترین واقعیت قابل تجربه آن، باید به شیوه‌ای غیرمستقیم‌تر از چارچوب‌های قبلی مورد ارجاع قرار بگیرد. به عبارت دیگر اگر هدف معناگرایی در این چارچوب جدید، باز هم طراحیِ فضا باشد، رابطه (طراح) با فضا باید غیرمستقیم‌تر شود.
بنابراین تکیه کردن معناگرایی بر هوش مصنوعی، هزینه‌ای هم دارد. استفاده از هوش مصنوعی به عنوان یک چارچوب محاسباتی جایگزین، در وهله اول کنترل ما بر فرآیند طراحی را کم می‌کند.
درنهایت، معناگرایی کنترل ما روی فرآیند طراحی را از نو تنظیم می‌کند. به عبارتی دیگر، هنگام کار با هوش مصنوعی، کنترل را رها می‌کنیم تا آن را دوباره به دست آوریم، آن را سست‌تر می‌کنیم تا بتوانیم محکم‌ترش کنیم. اولین مورد نتیجه ذاتی شیوه کارکرد هوش مصنوعی است. هوش مصنوعی نه یک جعبه سفید (یک الگوریتم کاملا قابل کنترل) است و نه یک جعبه سیاه (یک مدل ایزوله شده که هیچ کنترلی به کاربر نهایی نمی‌دهد). هوش مصنوعی را در حوزه محاسبات می‌توان جعبه‌ای خاکستری دانست. این تعبیر که توسط اندرو ویت (Andrew Witt) ارایه شده است، به خوبی تعادلی که هوش مصنوعی میان کنترل و پیچیدگی برقرار کرده است را به نمایش می‌گذارد. همراه با افزایش پیچیدگی و ظرافت فزاینده مدل‌ها که امکان نزدیک شدن به (و حل) مسایل چالش‌برانگیزتر را فراهم می‌کند، خوانایی و تفسیرپذیری محاسبات عمیقی که در دل آن‌ها نهفته است ممکن است گاهی کم‌رنگ و محو شود. بنابراین تکیه کردن معناگرایی بر هوش مصنوعی، هزینه‌ای هم دارد. استفاده از هوش مصنوعی به عنوان یک چارچوب محاسباتی جایگزین، در وهله اول کنترل ما بر فرآیند طراحی را کم می‌کند. هرچند این کنترل همزمان با خاکستری‌تر شدن ابزارها دوباره در اختیار ما قرار می‌گیرد. مدل‌ها را می‌توان [با نیازها و شرایط] منطبق کرده یا دوباره آموزش داد و در همین حال نرم‌افزارهایی که از هوش مصنوعی استفاده می‌کنند، می‌توانند به آشکار ساختن پیچیدگی‌های درونی این مدل‌ها کمک کنند. این حرکت البته بسیار وسیع‌تر و فراتر از حوزه معماری است. امروزه بیولوژی، اقتصاد، مهندسی و حوزه‌های بی‌شمار دیگری نیز مدل‌های موجود هوش مصنوعی را برای رویارویی با چالش‌های خاص حوزه خودشان تغییر داده و از نو آموزش می‌دهند. معماری هم از این قاعده مستثنی نیست. شش سال گذشته نشان داده است که معماران تا چه حد می‌توانند مدل‌های موجود را از مسیر اولیه‌شان منحرف کنند. پروژه‌های بسیاری ساختار اختصاصی شبکه‌هایی مشخص (از مدل‌های هوش مصنوعی) را بازسازی کرده و از نو مورد استفاده قرار می‌دهند. برخی دیگر روی حفظ مدل‌هایی مشخص و آموزش مجدد آن‌ها با داده‌های مرتبط با حوزه کاری‌شان متمرکز شده‌اند. در نهایت ترکیب همه این‌ها با نرم‌افزارهای طراحی موجود باعث می‌شود که هوش مصنوعی به مجموعه ابزارها و تکنیک‌هایی که معماران مورد استفاده قرار می‌دهند سرایت کرده و فرآیند بازتخصیص شیوه‌های مولد توسط طراحان را سرعت می‌بخشد. این تغییر کاربرد (هدف) و ترکیب مدل‌های هوش مصنوعی حرکتی است که معناگرایی از گسترش آن در دیسیپلین معماری در سال‌های آینده استقبال می‌کند . این کار خود نشان‌دهنده مسیرهای جذاب و خلاقانه جدید در حوزه معماری است.
در ادامه مسیر
برای جمع‌بندی این مقاله، بیایید نگاهی کوتاه به معناگرایی بیاندازیم. این برنامه جدید در مقیاس کلان، مسیرهای متعددی را برای دیسیپلین‌های معماری و طراحی باز می‌کند. هدف این است که این رشته‌های متفاوت در فرم فعلی‌شان، آشکارتر و غنی‌تر شده و بیشتر مورد بررسی قرار گیرند. هرچند همه این‌ها با هم خط شروعی را برای مسیرهای متنوعی که معناگرایی باز کرده است فراهم می‌کنند.
اجماع تمام مقیاس‌ها: مسیر اول به اندازه و عمق موضوع معناگرایی مربوط است. معناگرایی به وضوح قصد دارد که در همه مقیاس‌ها حضور داشته باشد، از ریخت‌شناسی شهرها گرفته تا چیزی مانند طراحی اشیاء. با توجه به اینکه این موضوع همه سطوح و ترازها دنیای مصنوع ما را در بر می‌گیرد، معناگرایی هم به تمام حوزه‌های معناشناسی متفاوتی که هر کدام مربوط به یکی از مقیاس‌ها است، اصطلاحات آن‌ها، ساختار سلسله‌مراتبی‌شان، تقسیم‌بندی‌ها و سایر جنبه‌های آن‌ها واقف است. مدل‌های تودرتو و انتزاع‌های پیوسته و زنجیروار، ابزارهای معناگرایی برای پوشش دادن همه این سطوح و مدل‌سازی وابستگی‌های میان آن‌ها است.
امروزه مدل‌های هوش مصنوعی، که با حجم عظیم داده‌های تاریخی آموزش دیده‌اند، پژوهشگران و فعالان را به کاوش در ادوار مختلف با استفاده از عینک معناشناسی و وابستگی‌های بصری دعوت می‌کنند. درست همان‌طور که زمین‌شناسان لایه‌های مختلف زمین را کاوش می‌کنند.
تبارشناسی فرم‌های معماری: این مسیر، معماری را دوباره به گذشته و تاریخ متصل می‌کند تا بتواند از این طریق مسیرهای متعدد و گوناگون تحول شکلی آن را شناسایی کند. این‌جا ما شاهد تفاوتی اساسی با رویکرد نحوی هستیم که می‌خواهد الگوهایی «بی‌زمان» و چارچوب‌هایی مطلق برای توصیف معماری فراهم کند. در تبارشناسی به جای این کار، فرم‌ها از طریق تکامل و تحول الگوهای معماری در طول تاریخ تعریف و مشخص می‌شوند. از هوش مصنوعی هم در راستای این هدف استفاده می‌شود: امروزه مدل‌های هوش مصنوعی، که با حجم عظیم داده‌های تاریخی آموزش دیده‌اند، پژوهشگران و فعالان را به کاوش در ادوار مختلف با استفاده از عینک معناشناسی و وابستگی‌های بصری دعوت می‌کنند. درست همان‌طور که زمین‌شناسان لایه‌های مختلف زمین را کاوش می‌کنند. به این ترتیب ردگیری و دنبال کردن تبار و سیر تحول الگوهای معماری یکی از نویدبخش‌ترین مسیرهای آینده معناگرایی است.
بوم‌شناسی: این مسیر امیدوار است که بتواند میان ایده‌های مرتبط با کارایی و ایده‌های مرتبط با فرهنگ تعادل برقرار کرده یا آن‌ها را با هم تطبیق دهد. زمانی که بوم‌شناسی یک از ملاحظات اصلی در طراحی شهرهای ما باشد، کارایی آن هم در مفهومی وسیع (ردپای کربنی، بهینه‌سازی استفاده از متریال‌ها، بهینگی سازه، میزان مصرف انرژی و …) اهمیت می‌یابد. هرچند همان اصل اساسی کارکرد در چارچوب‌های قبلی، گاهی برای پیاده کردن فاکتورهای فرهنگی از دستورالعمل‌ها و بایدهای فرمی صرف‌نظر کرده است. در اکثر موارد طرح‌هایی که بیش از حد بهینه و دقیق شده‌اند با اقبال عمومی روبرو نمی‌شوند. معناگرایی امیدوار است که با یادگیری از گذشته، بتواند کارایی و معنا را در هم تنیده و از این طریق بتواند هم سطح بالایی از استانداردهای بوم‌شناسی و هم یک تناسب و همخوانی قدرتمند فرهنگی را در کنار هم حفظ کند. معناگرایی که با تکیه به توانایی‌های هوش مصنوعی، می‌تواند توانایی شبیه‌سازی‌های جایگزینِ در دسترس را با مدل‌سازی معنایی عوامل فرهنگی ترکیب کند. رد کردن این سوزن و نخ از میان این دنیاهای متفاوت و دوختن آن‌ها به هم عرصه‌ای جذاب و نویدبخش را برای سرمایه‌گذاری روی معناگرایی فراهم می‌کند.
معناگرایی که با تکیه به توانایی‌های هوش مصنوعی، می‌تواند توانایی شبیه‌سازی‌های جایگزینِ در دسترس را با مدل‌سازی معنایی عوامل فرهنگی ترکیب کند.
مطالعات میان‌رشته‌ای: از آن‌جایی که خروجی‌های هوش مصنوعی حوزه‌ها و رسانه‌های مختلف را به هم متصل می‌کنند، معناگرایی امید دارد که حوزه‌های مختلف و متعدد خلاقیت را کنار هم جمع کند. تبادل سبک‌ها، قالب‌ها و مرجع‌های مختلف میان این دیسیپلین‌ها می‌تواند در سال‌های آینده منبعی غنی برای خلق و پرورش پدیده‌های جدید ترکیبی باشد. هرچند میان‌رشته‌ای بودنِ معناگرایی به جایی فراتر از استعاره‌های «گفتگو» و «دیالوگ» میان حوزه‌ها راه می‌برد. به جای دیالوگ، معناگرایی تلاش می‌کند نتیجه را به کار خلاقانه جمعی تبدیل کند؛ یعنی پروژه‌های واقعی و ملموس که با کمک هوش مصنوعی و توسط فعالانی با پس‌زمینه‌های هنری و خلاقانه کاملا متفاوت به نتیجه می‌رسند. در همین رابطه بسیاری از فعالیت‌های آکادمیک در حال حاضر توانسته‌اند نمونه‌های درخشانی از این ترکیب و تنوع پیشِ رو را خلق کنند.
این متن ترجمه این مقاله است