EN
Wird künstliche Intelligenz Ihr nächstes Gebäude entwerfen?
In den letzten Jahren haben Werkzeuge der künstlichen Intelligenz (KI) und des maschinellen Lernens (ML) den Sprung von "interessant in der Theorie" zu "unheimlich in der Praxis" geschafft. Wir erörtern, ob es möglich sein könnte, künstliche Intelligenz zu bitten, "mir ein Gebäude zu entwerfen".
In den letzten Jahren haben KI und maschinelles Lernen den Sprung von der interessanten Theorie zur unheimlichen Praxis geschafft.
Ausgestattet mit riesigen Datensätzen und beträchtlicher Rechenleistung haben Entwicklungen wie GPT-3 von Open AI die Vorhersagen ihrer Schöpfer übertroffen und sind offenbar in der Lage, kompetente, schlüssige und überzeugende Prosa, Poesie und sogar Bilder auf Bestellung zu produzieren. Viele waren überrascht, beeindruckt oder sogar schockiert von den Fähigkeiten, die GPT-3 bei seinem Debüt im Sommer 2020 zeigte. Die Reaktionen reichten von dem leicht alarmistischen "Are you scared yet, human?" in The Guardian bis hin zur Inspiration für Scharen von Start-ups, die neue Unternehmen und Dienstleistungen rund um GPT-3 aufbauen.
Wie könnten also die Nachfahren von GPT-3 in einigen Jahren aussehen, angesichts seiner scheinbar unheimlichen Fähigkeit, aus einer kurzen Eingabeaufforderung überzeugenden Text (und in anderen Varianten Bilder aus einer Textbeschreibung) zu generieren? Und welche Auswirkungen könnte dies auf die Architektur-, Ingenieur- und Bauindustrie haben? Wäre es möglich, eine künstliche Intelligenz zu bitten, mir ein Gebäude zu entwerfen"?
Ein maschineller Lernpartner für Designer und Ingenieure?
GPT-3 ist in der Lage, aus Milliarden von verschiedenen Elementen menschlicher Schrift sinnvolle Muster zu erkennen, so dass es den Anschein erweckt, als würde es eine Art Turing-Test bestehen. Sie schreiben ein oder zwei Sätze, und es ist in der Lage, Ihren Gedankengang fortzusetzen und ihn zu Absätzen von Texten weiterzuentwickeln oder, wenn sein Ableger "DALL-E" verwendet wird, Bilder zu erzeugen, die auf unterschiedliche Weise das wiedergeben, was Sie gewünscht haben. Wäre es also möglich, das GPT-100 zu bitten, "mir ein Gebäude zu entwerfen"?
Nun, zum einen müssten wir genauer sein: das Gebäude, "das auf dieses Grundstück passt", dass es "kohlenstofffrei ist, 5 Zimmer hat, große Fenster hat usw." Es wäre schwierig, mit Worten allein genau zu beschreiben, was verlangt wird. Noch wichtiger ist, dass wir uns mehr denn je bewusst sind, dass wir in einer vernetzten Welt leben, die sich schnell verändert. Das Gebäude muss sich also in die Umgebung einfügen, Materialien und Energie effizient nutzen und im Vergleich zu anderen Nutzungen und Konzepten ein gutes Preis-Leistungs-Verhältnis bieten. Die Branche verwendet bereits parametrische Entwurfswerkzeuge, um diese verschiedenen Ziele auf rigorose und fantasievolle Weise zu vereinen, und zwar auf der Grundlage einer Mischung aus hochrelevanten diskreten Datensätzen. Es ist noch nicht klar, ob ein maschinelles Lernwerkzeug mit generativem Pre-Training (GPT) bei der Navigation durch die multidimensionalen Gegebenheiten und Zwänge eines Bauprojekts hilfreich sein wird. Zumindest im Moment.
Als hochkompetente, auf Sprachmodellen basierende KI ist GPT-3 eine sehr beeindruckende Leistung - aber auch andere Formen der künstlichen Intelligenz machen Fortschritte. GPT-3 verkörpert auch einige der Schwächen der derzeitigen Technologien der künstlichen Intelligenz: die Unergründlichkeit. Die Daten, auf die es zurückgreift, haben einen phänomenalen Umfang, enthalten aber mit Sicherheit Verzerrungen, sind wahrscheinlich nicht öffentlich zugänglich, um eingesehen oder bewertet zu werden, und die Datensätze, auf die es zurückgreift, sind wahrscheinlich im Besitz privater Unternehmen mit ihren eigenen kommerziellen Zielen. Dies führt zu einem sich abzeichnenden ethischen Problem, da wir immer mehr Daten in der gebauten Umwelt verwenden und die direkte menschliche Einflussnahme durch die Entscheidungsbefugnis von immer kompetenteren maschinellen Lernwerkzeugen ersetzt wird.
Science and machine learning join forces
As architects, designers, engineers and planners, we work in a complex and dynamic context – we are concerned with not just how things are now and have been, but what they will be like in the future. Beyond the impressive creativity of GPT-3, what we as a community really need are insights into the real-world contexts into which our design decisions must succeed and endure. We need to know how strong a region’s storm winds might blow or how much rainfall future storms might produce, how will the climate affect ground water or a myriad of other factors that increasingly challenge the built and natural environment. Machine learning’s ability to discern patterns and make predictions under incredibly complex sets of conditions might be more what we need.
Another area that shows great promise is the emerging convergence between machine learning and science, leading to new technologies that build on the huge body of knowledge in mathematics, physics and other sciences. Traditional computing methods have become more powerful but even today the level of computing power required can be expensive and slow to use. In the built environment industry modelling and simulation are areas where we need continuous improvement in speed, scale and complexity of computing tasks. Machine learning tools with GPT-3-like ability to consider billions of factors simultaneously, trained on larger data sets, should enable us to make a quantum leap as we study scientific alternatives, find optimal solutions, and handle more complex models. This would be very valuable on typical fluid flow phenomena such as wind, atmosphere, water flows, structures, materials, chemistry and other hard to compute elements. Here at Arup, we have already been experimenting with AI accelerated air flow simulations (the interaction of wind with buildings). In the past these have played a limited role in design and typically only one or two cases have been studied (because of their time and computational cost). This new approach (although the technology is not yet fully mature) promises far more freedom to explore options and reach optimal solutions more quickly.
In the case of flood prediction, we see AI models that have learnt from historical data and are informed by physics, being far better able to generalise to, for example, an extreme storm event in a future climate and we are already beginning to test this approach on projects.
Machine learning and the planet
With net zero commitments taking effect across the built environment industry, our industry is going to be increasingly (and rightly) expected to answer tougher questions about the designs we propose and the energy and emissions those solutions might produce. This is another area where machine learning can help us navigate complexity.
Given the lifespan of buildings and infrastructure, we will need to develop more and more powerful machine learning tools to answer questions about the world these projects will join: from the effects of rising oceans, more powerful storms and flooding, to greater rising temperatures and extremes of cold. Climate modelling tools that can make increasingly accurate predictions will be invaluable as engineers and designers adapt their own decision making in a rapidly warming world.
At the more tactical level we’ve already begun taking advantage of the power of machine learning to assess the most effective combination of systems and technology, to help Whole Foods supermarket chain meet net zero regulations in California. This ‘genetic algorithm’ approach allows staggering numbers of combinations of chilling, lighting and air-conditioning systems to be evaluated, with the tool able to emulate evolutionary presses to weed out the weaker solutions, until a range of low emission, high performance options were defined. It’s an exciting example of what might be commonplace soon.
The machine-human partnership has only just begun
While we often speak of a ‘design language’, buildings aren’t the same as language models and we shouldn’t expect to this type of machine learning to displace the normal, highly multidisciplinary design process. But even if we aren’t likely to be asking software to design our next concert hall or cathedral quite yet, machine learning remains an exciting and developing realm for built environment practitioners. It is clearly a ‘force multiplier’ that can augment our own, human abilities and creativity, in ways we can’t even fully imagine yet.
For now, developments like GPT-3 offer a tantalising preview of the scale of engineering and design questions we might answer tomorrow, as well as highlighting the importance of ethical, open data for the whole industry to work from.
