La pareidolia es un fenómeno psicológico en el que las personas perciben patrones o significados reconocibles en estímulos aleatorios, como ver caras en nubes, rocas o elementos abstractos.

El cerebro humano busca activamente patrones familiares o formas reconocibles en datos que pueden carecer de estructura real. Esto puede ser una respuesta a la necesidad del cerebro de encontrar significado en su entorno y tomar decisiones rápidas sobre la identidad o la seguridad de un objeto o situación.

ChatGPT

 

Inicié esta investigación personal motivado principalmente por dos aspectos contradictorios entre sí. Por un lado, mantenerme actualizado sobre la vanguardia en software, pero por otro, me arrebataba una curiosidad morbosa de saber si estas herramientas me desplazarían en mi actividad profesional como arquitecto.

Como es habitual en nuestro presente siglo, nada escapa a la polarización. Abundan los artículos sobre la Inteligencia Artificial, desde los que auguran un futuro brillante, promesas excesivas hasta exageradas visiones apocalípticas (al mejor estilo Terminator).

Para tratar de no caer en ello puse el foco en brindar una visión equilibrada y basada en hechos concretos sobre el rol jugará la Inteligencia Artificial en el diseño arquitectónico, desafiando mitos y promesas sin fundamento.

Permitir una comprensión más completa de cómo esta tecnología realmente puede ser una herramienta poderosa de innovación y eficiencia, con ocasionales problemas de errores, predisposición a sesgos y alucinaciones.

Repasaremos los antecedentes e hitos en la historia de la IA, explicaremos cómo funciona una red neuronal artificial y experimentaremos con ellas bajo la premisa de diseñar a nivel preliminar un centro quirúrgico.

Breve Historia

 

Cualquier salto tecnológico es antecedido por una larga cadena de factores y actores, y conociendo su historia podremos imaginar cómo sería un nuevo paradigma artificial.

Turing Test 1940-1960

Investigadores de neurología habían teorizado el cerebro como una red eléctrica de neuronas que disparaban impulsos binarios, “prendido” y “apagado”.

Norbert Wiener fue uno de los primeros en teorizar que todo comportamiento inteligente era el resultado de mecanismos de retroalimentación. Mecanismos que posiblemente podrían ser simulados por máquinas. Paralelamente, Claude Shannon demostró en su tesis que la algebra booleana (1 y 0) podía construir cualquier lógica numérica.[1]

La estrecha relación entre estas tres corrientes de investigación sugería que se podía construir un cerebro electrónico.

Alan Turing publicó un artículo en el que especulaba sobre la posibilidad de crear máquinas que pensaran. Turing observó que “pensar” es difícil de definir y propuso su famoso “Test de Turing”. Si una máquina podía mantener una conversación que fuera indistinguible de una conversación con un ser humano, entonces era razonable decir que la máquina estaba “pensando”. [2]

 

ELIZA 1964

Era un programa de procesamiento de lenguaje natural y simulaba conversaciones utilizando una metodología de coincidencia de patrones y sustitución que daba a los usuarios la ilusión de que el programa entendía, cuando en realidad daba respuestas predeterminadas y repetitivas.

 

Paradoja de Moravec 1970-1980

El excesivo optimismo de las décadas pasadas había elevado demasiado las expectativas de lo que realmente se podía hacer con la tecnología disponible en ese momento. Cuando prototipos como el perceptrón no empezaron a dar resultados esperados el financiamiento viró hacia otro tipo de proyectos.

El optimismo se debía en parte al hecho de que habían tenido éxito en escribir programas que utilizaban lógica, resolvían problemas de álgebra y jugaban juegos como el ajedrez, y estos procesos son difíciles para los seres humanos.

Muchos investigadores asumieron que, habiendo resuelto los problemas “difíciles”, los problemas “fáciles” como percepción y sentido común pronto serían resueltos, pero estaban equivocados.

Habilidades humanas innatas como el reconocimiento de rostros, objetos y comunicación verbal fueron desarrolladas por la selección natural en el curso evolutivo.

 

2000-actualidad

Para la década de 2000, de acuerdo con la Ley de Moore, las computadoras eran cientos de millones de veces más rápidas que en la década de 1970, y la potencia adicional de la computadora finalmente era suficiente para comenzar a manejar la percepción y las habilidades sensoriales.

De esta forma los esfuerzos se enfocaron por generar computadoras más perceptivas. No había que simular el paso a paso de procesos inteligentes para resolver problemas, en su lugar, más eficiente serían los procesos rápidos e intuitivos, como reconocimientos de patrones y anomalías.

Bajo el concepto de “Dividir y conquistar” surgen varios proyectos tratando de simular aspectos puntuales de la inteligencia humana. Una IA totalmente abarcativa no era posible lograrla, pero si recrear habilidades separadas.

Dentro de este nuevo paradigma de la ciencia, surgen otras nuevas técnicas prometedoras como el aprendizaje profundo y las redes neuronales para abordar algunos de los desafíos señalados por la “Paradoja de Moravec”[3].

Al imitar en cierta medida la estructura y función del cerebro humano, las redes neuronales pueden aprender de la experiencia y mejorar su rendimiento en tareas como el reconocimiento de objetos. Este enfoque se asemeja más a cómo desarrollan las habilidades de percepción los humanos.

 

Redes Neuronales

¿Cómo Funcionan?

 

Para entenderlo cómo funcionan las Redes Neuronales de forma más sencilla veamos cómo resuelve un software “tradicional” una partida de ajedrez:

* Se basa en un conjunto de reglas predefinidas y heurísticas. Estas reglas dictan cómo se mueven las piezas, evalúan las posiciones y toman decisiones.

* El software tradicional utiliza el algoritmo para explorar posibles movimientos y evaluar posiciones.

* Examina el árbol de juego considerando todas las jugadas posibles y sus consecuencias.

* Busca la mejor jugada que maximice las posibilidades de ganar del jugador y minimice las del oponente.

 

En cambio, las redes neuronales (GNN) son algoritmos que aprenden patrones a partir de datos para generar nuevo contenido y en el contexto del ajedrez, pueden aprender a generar nuevos movimientos o evaluar posiciones:

* Se entrenan procesando una gran base de datos.

* Esta base de datos se puede componer de miles de movimientos y jugadas, posiciones relativas de piezas de ajedrez.

* Durante el entrenamiento, la GNN minimiza la diferencia entre su movimiento predicho y el movimiento real jugado en los datos de entrenamiento.

* Considera patrones, características posicionales y conocimiento aprendido y a diferencia de los sistemas basados en reglas, las GNNs pueden descubrir movimientos no convencionales o novedosos.

Las redes neuronales generativas combinan patrones aprendidos con creatividad. Mientras que el software tradicional se basa en reglas y heurísticas programadas, las redes aprenden de datos y se adaptan dinámicamente.

Cabe destacar que la inteligencia artificial es un software que no está diseñado para una tarea especifica, mientras más vinculado esté a una tarea o lógica menos se considera una IA.

Idealmente el objetivo es que defina dinámicamente su proceso de toma de decisiones en función del entorno, la experiencia previa y los resultados deseados. Esto implica poseer sensores, o canales de entrada, capacidad para reconocer patrones, aprender y evaluar mejoras en el output para optimizar todo el proceso.

Para resolver este tipo de problemas se emplean las redes neuronales, que son particularmente funcionales en estas tareas, y además con las siguientes ventajas:

* El límite de procesamiento esta dado por el hardware, lo que significa que se le pueden asignar infinitos recursos al problema a resolver.

* No es necesario entender el problema de antemano, sino que la misma red teje sus correlaciones entre los patrones que observa.

* Son muy buenas para administrar grandes espacios de datos de entrada y salida, así como imágenes.

Como principal desventaja es que la solución que establecen es imposible de entender para los humanos, una matriz gigante de números que no se puede observar y comprender cómo es que funciona. Esto lleva al problema de no entender la solución que nos presenta una IA.

 

Diseño Artificial en la Arquitectura

F° 4 Difusion de plantas, Stanislas Chaillou

Habiendo ya expuesto este cambio de paradigma en materia de software, nos toca ver cómo podríamos aplicar esta tecnología al campo de la arquitectura. Cómo replicar este análisis de base de datos, conceptualización de patrones y generación de contenido dentro de nuestra disciplina.

Idealmente, se podría pensar en un software que genere automáticamente una obra con su correspondiente documentación gráfica, sin errores ni discrepancias, pensada dentro de los parámetros municipales, tomando en cuenta variables económicas, logísticas y climáticas, además de contentar a un cliente exigente e indeciso. Además de todo esto, cumpliendo en tiempo y forma.

Esta integración por ahora será ciencia ficción.

Es más factible pensar en cuáles aspectos del diseño podemos automatizar y ser asistidos por la IA, de manera más integral:

Definición de requisitos y procesos funcionales

Utilizando herramientas de procesamiento de lenguaje natural y análisis de datos se puede recabar información y encontrar patrones de relaciones para comprender y organizar los requisitos en un programa de necesidades detallado.

Se puede usar un compendio de normativas locales, procesarlas por una red neuronal y resumir los puntos conflictivos para luego utilizarlos como instrucción en un software y generar una volumetría donde se permita la máxima superficie construible.

1.Diseño Conceptual

       

F° 5 Obayashi Proyect Gan Viewer

Existen herramientas enfocadas en optimizar diseños según métricas de rendimiento y generar planos de planta a partir de entradas programáticas simples, reorganizar planos de planta dinámicamente a medida que se mueven paredes y particiones.

Para generar layouts los arquitectos introducen una serie de parámetros léxicos: oraciones simples que especifican elementos del edificio y su ubicación, y muestran cómo se relacionan entre sí, esto podría ser:

“Las habitaciones deben tener vista al exterior y los servicios deben mantenerse en el centro de la planta.”

Combina dos aspectos; por un lado, parametriza un diseño y por el otro otorga la posibilidad a la IA de alterar dichos parámetros. El resultado es un modelo que va mutando, dentro de los límites preestablecidos.

Recordemos que el output es resultado de procesos internos de la IA carentes de lógica, por ende, el trabajo evaluar, descartar o seleccionar las variantes más viables sigue recayendo sobre el diseñador.

F° 7 Blueprints-AI, Software de texto a plano

Traducir los esquemas de layouts generados por IA a una documentación coherente para poder construir un proyecto en el mundo real, es el sueño de muchos: acortar plazos, costos de mano de obra, reducir margen de error y poder realizar cambios en tiempo real.

Pero un programa integral que pueda resolver hoy todos los aspectos del diseño arquitectónico con lógica y orden, es virtualmente imposible.  El poder de hardware necesario implicado para procesar tantas variables tendería al infinito.

Es por esto que los esfuerzos de programadores de software CAD y BIM van enfocados a implementar Plug-ins a sus respectivas plataformas, que automaticen de manera parcial ciertas tareas que se vuelven tediosas para los arquitectos.

Por otro lado, la inteligencia artificial en la arquitectura se ve limitada por sesgos de selección que afectan la calidad de los datos en los que se basan estas aplicaciones. En arquitectura estos datos son propietarios, es decir, no hay incentivo en compartir documentación con posibles competidores. Como la IA solo puede sintetizar lo que haya visto de un banco de imágenes en internet, esto tendrá sesgos culturales o regionales, (por ejemplo, una sobre representación de naciones ricas).

En resumen, mientras que la IA puede ofrecer beneficios en términos de automatización y optimización en el diseño arquitectónico, también plantea desafíos relacionados con la calidad de los datos, sesgos, creatividad y comprensión contextual, entre otros. La integración exitosa de la IA en la arquitectura requerirá una consideración cuidadosa de estos problemas y un equilibrio entre la tecnología y la creatividad humana.

Diseño Experimental Asistido por IA

A continuación, se mostrarán los resultados de la puesta en práctica de estas redes neuronales generativas, con sus logros y sus fracasos.

Para comenzar a armar el programa arquitectónico se le solicitó a ChatGPT 3.5 que describa los procesos médicos llevados a cabo dentro de una planta de cirugía con 10 quirófanos, como condiciones debería considerar factores críticos para garantizar la eficiencia, la seguridad y la comodidad de los pacientes y el personal médico:

• Evaluación preoperatoria
• Programación de la cirugía
• Preparación del paciente
• Preparación del quirófano
• Anestesia
• Cirugía
• Postoperatorio
• Alta hospitalaria

Se le pidió que traduzca esos procesos en locales arquitectónicos.

• Recepción y Admisión
• Preparación Preoperatoria
• Área de Quirófanos
• Estaciones de Anestesia
• Área de Recuperación Postoperatoria
• Esterilización y Suministros
• Farmacia
• Almacenamiento de Material Médico
• Salas de Descanso y Vestuarios
• Área de Control y Monitoreo
• Áreas de Consulta y Oficinas

La siguiente instrucción fue para que hilara en un circuito de flujo de paciente/personal médico esos locales, con la premisa de que no se cruzaran.

Circuito para Pacientes:

1. Recepción -> 2. Evaluación Preoperatoria -> 3. Preparación Quirúrgica -> 4. Quirófano -> 5. Anestesia -> 6. Postoperatorio -> 7. Alta Hospitalaria

Circuito para Médicos:

1. Área de Recepción y Admisión -> 2. Área de Evaluación Preoperatoria -> 3. Área de Quirófanos -> 4. Área de Anestesia -> 5. Área de Postoperatorio y Cuidados Intensivos -> 6. Área de Esterilización y Suministros -> 7. Áreas de Servicios Generales -> 8. Áreas de Servicios de Apoyo.

Para complejizar la tarea, se le pidió que imaginara un árbol en medio de la planta, y tenía que decidir qué hacer con él. Afortunadamente fue contundente con la decisión de no removerlo:

“Si el árbol es valioso desde el punto de vista ambiental o estético, puedes considerar la opción de preservarlo. Esto podría requerir la reconfiguración del diseño del centro quirúrgico para adaptarse al árbol.”

Lo que está sucediendo aquí es que CHATGPT está prediciendo la mejor respuesta a cada pregunta, no en base a un conocimiento y lógica, sino en la semántica de las palabras. De cualquier forma, los resultados parecen guardar correlación con los procedimientos habituales, además de demostrar cierta afinidad por la naturaleza.

Podríamos solicitarle las medidas mínimas requeridas para cada local y recabar más datos, (de dudosa veracidad), pero como la idea es traducirlo a un diseño arquitectónico necesitamos cambiar de software. Finalmente, se le pidió que genere instrucciones para que otro programa pueda esquematizar gráficamente el layout.

Utilizamos el software de código abierto “Stable Diffusion”, que puede generar imágenes a partir de instrucciones de texto generadas por ChatGPT. El objetivo era generar una sinergia entre ambos programas, con la mínima intervención humana posible que pueda guiarlos:

 

“Genera planos arquitectónicos en 2D (blueprints) detallados para un centro quirúrgico de vanguardia ubicado en un terreno que incluye un árbol. Asegura que los planos incluyan la disposición de las salas de operaciones, áreas de recuperación, vestidores, áreas de almacenamiento de suministros médicos, espacios de admisión de pacientes y todas las instalaciones necesarias. Además, considera la preservación del árbol en el diseño arquitectónico. Ten en cuenta los siguientes procesos llevados a cabo en el centro quirúrgico: Recepción y Admisión de Pacientes. Vestidores y Preparación de Pacientes. Sala de Operaciones. Sala de Preparación. Sala de Recuperación Postoperatoria. Áreas de Almacenamiento y Esterilización. Área de Suministros y Farmacia. Oficinas Administrativas y Control de Calidad. Áreas de Apoyo Técnico. Sala de Reuniones y Consultorios. Áreas de Descanso y Vestuarios del Personal. Áreas de Limpieza y Eliminación de Desechos. Asegura que los planos reflejen adecuadamente la ubicación de estos locales y su relación con la preservación del árbol en el diseño.”

F° 8 “Prompt” Generado por ChatGPT

La generación de un layout generado a partir de esa frase probó ser más difícil de lo esperado, puesto que las abstracciones realizadas por la red neuronal resultaron ser ininteligibles, con alguna reminiscencia a un croquis hecho a mano.

 

F° 9 Imagen generada por Stable Diffusion

Quedó claro que era necesario guiar al programa de forma más directa: para lograr resultados más arquitectónicos había que restarle autonomía. En consecuencia, se le suministró una planta arquitectónica de un proyecto real, para que establezca nuevas abstracciones y encuentre patrones. Ya no en base a una instrucción concreta y lógica, sino de forma más abstracta.

Utilizamos como referencia el diseño del centro quirúrgico del Hospital Alemán de Buenos Aires, para que tenga como input un sustento grafico más consistente, y pueda copiar de manera más precisa las líneas y contornos que componen una planta arquitectónica:

 

F° 10 Cortesía de AFS Arquitectos y Hospital Alemán

 

F° 11 Iteraciones de Stable Diffusion

 

A través de numerosas pruebas y progresiones del programa podemos observar cómo fue encontrando patrones de relaciones entre formas y lineas, tratando de replicarlas.

De forma progresiva y guiando las pruebas pudimos llegar a un resultado convincente, unos bloques que se asemejan a consultorios, con una circulación central estrecha rodeada de un anillo más ancho. Locales que aparentan ser de servicio escala en los bordes, rodeando lo que interpretamos como quirófanos.

 

Se podría imaginar cómo sería un posible proceso de diseño asistido por IA. Sobre la planimetría de un edificio existente, habría que definir formas básicas de los paquetes funcionales. Dentro, la IA podría resolver un layout interno con organizaciones de locales previamente enseñados.

 

F° 12 Stanislas Chaillou – ArchiGAN

Para poder visualizar esta planta resultante desde otro ángulo generamos una axonometría:

Explorando las capacidades generativas de imágenes realistas, le solicitamos que nos realice una perspectiva interior de este centro quirúrgico, pero como respuesta nos arrojó unas imágenes muy desalentadoras:

Observamos una fuerte tendencia hacia interpretar los lugares médicos cómo lugares fríos, impolutos con luces de tubo, muy lejos de la idea contemporánea de cómo debería ser la arquitectura para la salud. Esto se debe a que la base de datos con que fue entrenada se nutre de millones de ejemplos, sin criterio estético, y la IA escoge los más genéricos posibles.

F° 13 “Prompt” Fotografia Sala de operaciones, biofilia, superficies limpias.

Para finalizar, le dimos absoluta libertad a la IA para imaginar un espacio surrealista, con equipamiento médico, pero a su vez que se vea amigable y cálido:

 

F° 14 “Prompt”: Hallucinate an Operating room, it is nice and cozy, surreal

Horizonte

Luego de haber concluido esta experiencia de diseño, nos sobreviene la siguiente pregunta, ¿realmente tiene alguna lógica lo que genera, o no es más que una ilusión óptica?

Existe una diferencia entre aprender y entender.

El problema es que no se sabe aún cómo construir redes neuronales que puedan razonar o usar el sentido común. Se sospecha que el futuro de la IA requerirá un enfoque híbrido, en el que las redes neuronales aprendan patrones, pero estén guiadas por alguna lógica codificada de manera tradicional. [4]

Trasladado a la arquitectura implica que la IA no posee la capacidad de derivar esquemas funcionales (menos aún construibles) a partir de imágenes. Pero sí son útiles para generar bocetos de ideas rápidamente.

Al analizar los resultados de manera menos determinista nos lleva a redescubrir el diseño como un proceso no linear.

La IA nos enseña ahora a nosotros, cómo es que realizamos las abstracciones mentales de un programa arquitectónico para traducirlo en bocetos y finalmente llevar a cabo una obra. No hay algoritmo implicado, sino la intuición y la toma de decisiones basadas en objetivos. 

Y dentro de este paradigma, puede significar una herramienta muy valiosa para complementarnos, sin reemplazar, sino aumentando la visión humana.

 

“Después del enfrentamiento con Deep Blue, Kasparov inventó el “ajedrez avanzado”, en el que un humano juega contra otro humano, pero cada uno también utiliza una computadora portátil que ejecuta software de ajedrez.”

 

---

Christian Cammilleri es arquitecto egresado con honores de la Universidad de Buenos Aires, con pasión por la arquitectura de salud y la visualización arquitectónica. Su enfoque principal se ha centrado en el diseño y desarrollo de proyectos arquitectónicos orientados a la atención médica, donde he adquirido una sólida experiencia y conocimiento en este campo. Siempre en la búsqueda de incorporación de nuevas tecnologías informáticas.

Estudios: Egresado Universidad Buenos Aires 2017. Posgrado “Edificios para la Salud” FADU – UBA 2022. Curso Unreal Engine para Arquitectura – Image Campus 2021

Responsable del diseño y desarrollo de proyectos arquitectónicos en el ámbito de la salud en el estudio AFS Arquitectos, con participación en todas las etapas del proyecto, desde la conceptualización y diseño hasta la supervisión de la construcción.

Cofundador, en 2017, de un emprendimiento de visualización arquitectónica: Polystudio.

 

Christian.cammilleri@afs-arq.com.ar /  chrisfcamm@gmail.com

 

Recursos

AI & Architecture, From Research to Practice (Birkhauser, 2022).

Marcus Gary, 2019, “Reboting AI”

Hao Zheng, Weixin Huang, 2018 “Architectural Drawings Recognition and Generation through Machine Learning”, Cambridge, MA, ACADIA.

Nathan Peters, 2017, Master Tesis: “Enabling Alternative Architectures: Collaborative Frameworks for Participatory Design”, Harvard Graduate School of Design, Cambridge MA.

Nono Martinez, 2016 “Suggestive Drawing Among Human and Artificial intelligences”, Harvard Graduate School of Design, Cambridge, MA.

GTC Session: The Future of Generative AI in Architectural Design Practices (2023)

GTC Session: How Generative AI is Transforming the Creative Process, Adobe / NVIDIA

Webinar: Optimizing Building Designs using Simulation Tools.

[1] James, Ioan (2009). “Claude Elwood Shannon 30 April 1916 – 24 February 2001”. Biographical Memoirs of Fellows of the Royal Society.

[2] Agar, Jon (2003). The government machine: a revolutionary history of the computer. Cambridge, Massachusetts: MIT Press.

[3] Moravec, Hans (1988), Mind Children, Harvard University Press.

[4] Marcus Gary, 2019, Rebooting AI