DfD в на практике (3/3)

Ключевые приёмы DfD:
– Использование разъёмных соединений (demountable connections), а не жёстких стыков.
– Проектирование ясных зон доступа к узлам и оборудованию.
– Минимизация взаимозависимости компонентов: каждый элемент выполняет свою функцию и не «завязанный» на соседние системы.
– Разделение компонентов по разной продолжительности службы (например, фасад ≠ инженерия ≠ несущая структура).

Одним из пионеров DfD подхода является проект от Ryder Architecture — Stow-Away Hotel — пятиэтажный модульный отель на 20 номеров, собранный из 25 бывших морских контейнеров, вышедших из эксплуатации. Каждый контейнер — это самостоятельный номер, построенный как отдельное здание. Контейнеры уложены по схеме 5×5 и соединены так, чтобы весь отель можно было разобрать и собрать заново в другом месте по окончании срока аренды. Для этого инженерные системы каждого блока были спроектированы так, чтобы их можно было отключить в одной точке — над дверью, и затем подключить заново после перестановки

Changes: как и почему здания меняются.

Ещё одним ключевым понятием связанные с адаптивностью в архитектуре это изменения. Под изменениями (changes) понимаются трансформации в использовании здания, которые происходят, когда его внутренние характеристики или связи с другими элементами — например, с пользователями — изменяются. Т.е. это не то как здание меняется, а то как меняются условия, которые провоцируют адаптацию здания. Это может быть:
• смена типа или интенсивности эксплуатации;
• рост или снижение количества пользователей;
• ухудшение показателей эксплуатации, таких как техническая, энергетическая, экономическая или нормативная эффективность.

Изменения в использовании — главный фактор, определяющий необходимость адаптации здания. Для обеспечения адаптивности нужно предвидеть возможные изменения, чтобы закладывать гибкие решения ещё на этапе проектирования. Изменения часто запускаются в ответ на неудачи в работе здания: отказами в системах, несоответствием новым нормам и прочее. Адаптация не провоцируется одним изменением, это обычно следствие целого процесса изменений. Они охватывают и физические параметры здания, и социальные/операционные сценарии его использования. Вмешательство происходит не сразу, а когда накопилось достаточное расхождение между текущей ситуацией и требуемой

Когда разрыв между ожидаемой и текущей производительностью превышает порог, запускается одно или несколько вмешательств:
• адаптация (adaptation),
• обновление/реставрация (refurbishment),
• улучшение (improvement),
• техническое обслуживание (maintenance),
• модификация (modification),
• перестройка (rebuilding),
• капитальный ремонт (renovation),
• восстановление (rehabilitation),
• ремонт (repair),
• реставрация (restoration),
• модернизация (retrofitting).

Также различаются два типа трансформаций следующих за изменениями:
1. Смена функций здания (например, из школы в жильё);
2. Сохранение основной функции, но с приспособлением к изменившимся условиям. Мои исследование, например, сосредоточено на втором типе — как сохранить функцию здания в условиях внутренних и внешних трансформаций. Но об этом как ни будь в следующий раз.

Архитектура как ответ на изменения условий

Проект Quinta Monroy (2004), авторства Алехандро Аравеной и бюро Elemental в Икике (Чили), стал знаковым примером того, как архитектура может структурно предусматривать будущие изменения, не зная их точных параметров.

Задача была предельно жёсткой: обеспечить жильём 100 семей с очень ограниченной государственной субсидией, при этом оно должно быть в центральной части города, где земля дорогая, но зато есть доступ к городской инфраструктуре, и оно ещё не должно оказаться тупиком для семей, развиваясь вместе с обитателями.

Ключевая идея: "половина дома" как инфраструктура. Каждая единица жилья была спроектирована как двухэтажный фрейм, содержащий прочную несущую структуру, лестницу, ванную, кухню, и все основные инженерные подключения — т.е. те элементы, которые невозможно качественно построить самостоятельно.

Оставшаяся часть дома была незаполненной — это было свободное пространство для будущего расширения, в рамках габаритов и логики общей структуры.

Успех и признание проекта Quinta Monroy в том, что его архитектура признаёт, что семейный состав изменится, доходы вырастут или уменьшатся, появятся новые поколения, социальный и физический контекст будет эволюционировать. И вместо того чтобы «решить проблему навсегда», проект предлагает адаптивную платформу — такую, которая не ломается от изменений, а работает вместе с ними.

Чтобы избежать хаотичной самостройки, структура была сделана пористой и направляющей: жильцы могут строить, но не разрушая окружающую ткань. Проект заложил рамки и пределы, внутри которых допустимы вариации.

Хотя adaptability часто используется как обобщающее понятие, некоторые авторы отличают его от flexibility (гибкость). Гибкость можно определить как способность к быстрым, низкозатратным, краткосрочным, частым, а также временным изменениям, например перестановка мебели, роботизированные перегородки, изменение геометрии акустического потолка. В то время как adaptability — это изменения редкие и долгосрочные, часто в ответ на глубокие ограничения, и вызванные накопительным эффектом сильных изменений о которых говорили в предыдущих постах.

Гибкость и адаптивность можно рассмотреть в более широкой рамке, как показано на схеме. Здесь появляются ещё два типа. Ограничения (constraints) — долгосрочная и постоянная недостаточная эффективность или отсутствие ресурса, как например высота технического этажа не позволяющая поставить современное оборудование. И перегрузка (congestion) — краткосрочные редкие, но острые и даже катастрофические события такие как резкое повышение интенсивности использования пространства.

The Pitt — гибкость и перегрузка.

Взаимоотношения перегрузки и гибкости хорошо показано в сериале The Pitt (2025) про один день больницы Питсбурга и то как меняется её использование в экстренных ситуациях. В нём хорошо видно как меняется протокол использования пространства в критических ситуациях, при наплыве пациентов, что является и хорошей иллюстрацией и перегрузки и гибкости, которая заложена в самом устройстве и планировки современных больниц.

Например использование ширм, мобильного оборудования и открытых пространств для размещения больных позволяет переорганизовать пространство под обслуживание кратно большего количества пациентов.

Там же там хорошо показано перегрузка лобби где ожидают пациентов и то как невозможность изменить что-то в пространстве в этой ситуации ведет к социальной напряженности и ухудшение самочувствия.

В Израиле экстренные ситуации часто связанны с обстрелами, поэтому в больницах часто используют подземный паркинги как буферное пространство. Есть специальные протоколы, того как туда в экстренных ситуациях перевозить больных и оборудование в кратчайшие сроки не нарушив процессы лечения.

Но при этом остается большой вопрос как оптимизировать проекты и существующие больницы так чтобы они могли хорошо и гибко меняться чтобы справится и сгладить негативные эффекты в подобных ситуациях. И главное как можно симулировать и оптимизировать процессы в разных пространствах чтобы затем выбрать лучшее решение.

1 июля на конференции “ИИ-лето” я расскажу о том, как можно использовать ИИ для синхронизации пространства, процессов и людей, на основе исследование, которое веду сейчас в университете Technion.

Большинство ИИ-инструментов в архитектуре сегодня сосредоточено на генерации изображений и форм. Однако архитектура — это не только форма, но и организация процессов внутри пространства. В условиях давления спросов и ограниченности ресурсов становится критически важно адаптировать пространство под меняющиеся сценарии использования.

В своем докладе я расскажу о ИИ-подходе к поиску оптимальных стратегий использования пространства, который опирается на взаимосвязи между пространством, людьми и процессами. Используя методы операционного планирования и алгоритмы обучения с подкреплением (reinforcement learning), мы анализируем и оптимизируем сценарии использования пространства — особенно в тех случаях, где необходимо синхронизировать время, ресурсы и потоки.

Этот подход применим к проектированию и анализу больниц, учебных заведений и других сложных пространств с высокой функциональной нагрузкой. Вы узнаете, как архитектурные задачи можно представить как задачи планирования, и как ИИ может стать новым инструментом для принятия решений в условиях ограниченных ресурсов и пересекающихся активностей.

Доклад будет полезен архитекторам, которые стремятся выйти за рамки визуального проектирования и заинтересованы в более глубоких, вычислительных методах оценки эффективности и адаптивности среды.

⏰ Время: 1 июля (вт), 14:20 по Москве, но лучше уточняйте подробное расписание в канале NishAI.

Ребята с ИИ Лето оперативно скинули видео моего доклада.

В лабу приехала партия книг на разные темы. Так уж вышло что больше всего про машинное обучение и искусственный интеллект и как они влияют на архитектуру. Дальше дам список с кратким описанием.

Architecture in the Age of Artificial Intelligence (Neil Leach) — вводит архитекторов в мир ИИ, показывая, как алгоритмы меняют процесс проектирования от концепции до реализации.

Architectural Intelligence (Molly Wright Steenson) — исторический очерк о том, как архитекторы и дизайнеры с 1960-х годов вплетали кибернетику и ИИ в цифровой ландшафт профессии.

A Brief History of Artificial Intelligence (Samuel S. Wade) — стремительное путешествие по ключевым открытиям и поворотным моментам ИИ, раскрывающее его влияние на общество.

The Evolution of Computation in Architecture (Fox & Bell) — обзор эволюции вычислительных методов в архитектуре — от ранних CAD-систем до генеративных алгоритмов и машинного обучения.

Darwin among the Machines (George Dyson) — захватывающая история о том, как глобальные вычислительные сети развиваются по законам естественного отбора, формируя «цифровую жизнь».

Machines Like Us: Toward AI with Common Sense (Ronald J. Brachman & Hector J. Levesque) — аргумент в пользу создания ИИ, способного к здравому смыслу, и дорожная карта к этой цели.

Artificial Intelligence in Architecture (AD) — тематический выпуск, демонстрирующий новейшие проекты и исследования, где ИИ становится соавтором формы, структуры и функциональности.

Artificial Intelligence: A Modern Approach (Stuart Russell & Peter Norvig) — фундаментальный учебник, систематизирующий концепции, алгоритмы и практики, ставшие золотым стандартом для изучения ИИ.

А вот этот эти шесть книг о том, как архитектура перестаёт быть статичной, как здания могут чувствовать, думать и приспосабливаться к климату, пользователям и технологиям.

Climatic Architecture (Philippe Rahm) — рассматривает здание как «климатическую машину», где форма и материал подчинены управлению теплом, светом и воздухом.

Adaptive Sensory Environments: An Introduction (Maria Lorena Lehman) — объясняет, как динамически настраивать свет, звук и визуальные стимулы, превращая пространство в чувствительную среду.

Cybernetics and the Constructed Environment (Zhao Zhang) — переосмысливает кибернетику, показывая, как архитектура может стать посредником между природными системами и цифровыми технологиями.

Architecture and Interaction: Human–Computer Interaction in Space and Place (ред. Dalton et al.) — объединяет HCI и архитектуру, раскрывая, как интерфейсы и сенсоры превращают пространство в интерактивный опыт.

Interactive Architecture: Adaptive World (ред. Michael Fox) — демонстрирует проекты, где конструкции изменяют конфигурацию в реальном времени, реагируя на людей и окружение.

Adaptive Architecture: Changing Parameters and Practice (ред. Preiser, Hardy & Wilhelm) — исследует методы проектирования и эксплуатации зданий, способных эволюционировать вместе с меняющимися климатическими и социальными требованиями.

И как говорится last but not least, блок про симуляцию, что является ключом к пониманию и проектированию сложных систем. Эти три книги раскрывают её философские корни, прикладные методики и культурные последствия.

Philosophy and Simulation: The Emergence of Synthetic Reason (Manuel DeLanda) — раскрывает, как компьютерные симуляции формируют «синтетический разум», соединяя философию науки, теорию сложности и искусственную жизнь.

Building Performance Simulation for Design and Operation (ред. Jan L. M. Hensen & Roberto Lamberts) — всеобъемлющее руководство по моделированию энергопотребления, комфорта и устойчивости зданий на этапах проектирования и эксплуатации.

Co-Designers: Cultures of Computer Simulation in Architecture (Yanni Alexander Loukissas) — этнографический взгляд на то, как симуляционные инструменты меняют коллективную практику архитекторов и принятие проектных решений.

Я много раз упоминал что в своём исследовании я применяю обучение с подкреплением (Reinforcement Learning) для оптимизации распределения пространства и персонала в зданиях где важно расписание и планирование, таких как клиники. Цель — находить стратегии, которые адаптируются к изменяющемуся спросу и позволяют балансировать между операционной эффективностью, удобством для пользователей (например, сокращение расстояний для пациентов) и уплотнение использования пространства во времени. Но я как-то упускал рассказать, а что под капотом.

А использую я алгоритм Proximal Policy Optimization (PPO) из библиотеки Stable-Baselines3 (SB3). PPO — это on-policy алгоритм, основанный на архитектуре actor-critic, который сочетает обучение стратегии (policy) и оценочной функции (value function). Его ключевая особенность — ограниченное обновление стратегии (через кллипинг или доверительный регион), что обеспечивает стабильность и предотвращает разрушение уже обученной политики.

Что значит on-policy? Это означает, что алгоритм обучается исключительно на тех действиях, которые сам совершает в процессе взаимодействия с окружением. Это противоположно off-policy алгоритмам, которые могут использовать данные, полученные от других стратегий. On-policy подход делает обучение более стабильным, но обычно требует больше данных.

Кроме того, я использую расширение Maskable PPO, которое позволяет маскировать недопустимые действия в конкретных состояниях среды — это критично для задач, где не все действия допустимы всегда, как в планировании расписаний и распределении ресурсов.

Используемые библиотеки:

🧠 SB3: https://github.com/DLR-RM/stable-baselines3
🛠 SB3-Contrib (Maskable PPO): https://github.com/Stable-Baselines-Team/stable-baselines3-contrib

Model-free vs. model-based RL

Обучение с подкреплением (RL) — это когда агент (как архитектор-стажёр в мастерской) в каждом состоянии делает действие и получает вознаграждение. Его цель — научиться стратегии действий, дающей наилучший суммарный результат. В предыдущем посте я упоминал о RL, который использую, но не уточнил, что это именно model-free. Однако внутри RL есть два основных подхода — model-free и model-based, о которых подробнее далее. А пример с архитектором надеюсь поможет.

Model-free — учиться «на лету»

Представьте архитектора-стажёра, который строит из палочек мост методом проб и ошибок. Конструкция падает — за это он получает «нагоняй». Конструкция устояла — за это его хвалят. Чем дальше он продвинулся, тем выше суммарная похвала. Так шаг за шагом он меняет схему, добавляет стяжки и постепенно накапливает опыт. У него нет внутренней модели физики, он просто учится на последствиях собственных действий. Технически это означает, что алгоритм напрямую учит политику (как действовать) и/или ценность (насколько хороша ситуация), опираясь лишь на историю взаимодействий.

Примеры:

Q-learning — самый простой и классический алгоритм, которым можно «на коленке» показать, как работает обучение с подкреплением. Хорош для понимания базовой идеи.

DQN (Deep Q-Network) — расширение Q-learning, где для оценки действий используется нейросеть. Стал известен благодаря играм Atari: агент учился играть только глядя на пиксели.

PPO (Proximal Policy Optimization) — популярный и надёжный алгоритм из семейства policy gradient. Работает как с дискретными, так и с непрерывными действиями.

DDPG (Deep Deterministic Policy Gradient) — алгоритм для непрерывных пространств действий. Часто применяется в робототехнике, где нужно управлять реальными движениями.

SAC (Soft Actor-Critic) и TD3 (Twin Delayed DDPG) — более современные варианты, которые добавляют устойчивость и эффективность в задачах с непрерывным управлением.

Model-based — учиться «по плану»

Другой стажёр знает немного физику и использует Grasshopper + Kangaroo Physics. Он может симулировать поведение стержней, заранее просматривать последствия шагов и планировать сборку. В терминах RL это означает, что агент учит модель среды — функцию, которая на основе текущего состояния и выбранного действия предполагает следующее состояние и награду. Эта функция позволяет предсказывать и планировать возможные успешные действия и тем самым помогает выбрать текущее.

Примеры:

Dyna-Q — один из первых гибридных алгоритмов: агент одновременно учится на опыте и планирует на основе выученной модели переходов.

PETS (Probabilistic Ensembles with Trajectory Sampling) — использует ансамбль вероятностных моделей динамики, чтобы учитывать неопределённость и лучше предсказывать будущее.

MBPO (Model-Based Policy Optimization) — комбинирует короткие симулированные траектории с реальными данными, чтобы избежать накопления ошибок модели.

Dreamer / DreamerV2 — учится в «латентном пространстве» внутренней мировой модели и действует, воображая будущие сценарии, не взаимодействуя напрямую с внешней средой.

MuZero — алгоритм DeepMind, который научился играть в шахматы, го и Atari, не зная заранее правил: он сам строит модель переходов и наград из опыта.