Field-to-Field

А бонусом несколько видов снаружи павильонов Арсенала. Вот то, что с бурлящими сосудами это Canal Cafe от Diller Scofidio + Renfro, где очищается вода из венецианского канала. На сколько очищается не могу оценить, не пробовал.

И в конце коллективный интеллект где переплетается взаимодействие между людьми, природными искусственными агентами.

Потом искусственный интеллект с его обработкой данных, памятью, и технологическим развитием укорённым в истории.

Далее идут разные виды интеллекта. Начиная от естественных, природных, биологических. Это включает и вторичное использование используя 3D сканы и цифровые двойники, и переработка, и создание материальных систем на основе альтернативных материалов, например мицелия или золы от сгоревших лисов.

Успел попасть на последнюю неделю Венецианской Архитектурной Биеннале. В этом году куратор Карло Ратти превратил Арсенале в исследовательский лабиринт под темой “Intelligens. Natural. Artificial. Collective.” Экспозиционные пространства рассказывали о переплетении трёх видов интеллекта: природного — через биоматериалы и живые экосистемы, искусственного — через роботизированные конструкции, сенсорику и алгоритмы, и коллективного — через места для обсуждений, совместного производства знаний и участия. Далее подборка видео по порядку из пространств Арсенала. Разделю их на несколько постов для удобства. Начну с пролетаризирующей экспозиции, которая представляет собой сцену-нарратив о том, почему архитектуре сегодня нужно учиться адаптироваться — от природных, искусственных и коллективных форм интеллекта.

Umwelt здания — познание без движения 5/5 А чем может быть Umwelt здания? Если Umwelt робота формируется через сенсорное движение, то Umwelt здания — инвертированная форма познания: здание не двигается в мире, чтобы узнавать его, — мир движется внутри здания. Его внешняя среда находится внутри, а восприятие — распределено в пространстве. Архитектура становится стационарным агентом, который познаёт себя через внутренние ритмы, потоки и состояния. Здание ощущает людей, свет, воздух, звук и реагирует — не действуя телесно, а вычисляя закономерности. Это новая форма опыта — эпистемология неподвижного: познание через наблюдение, а не через действие. Система датчиков, поведенческие модели, диалоги с пользователями и обучающие алгоритмы создают у здания собственное пространство восприятия — ограниченное, но информационно плотное. Так Umwelt архитектуры выходит за пределы метафоры и превращает здание в субъект данных, который не просто обслуживает жизнь, а участвует в её познании.

Umwelt робота — мир, ограниченный интерфейсом 4/5 Современный робот или ИИ-агент также живёт в своём Umwelt — мире, заданном сенсорами, алгоритмами и целью задачи. Для камеры это мир пикселей, для лидара — расстояний, для модели — распределений вероятностей. Всё, что лежит за пределами сенсорного поля, не существует для системы. Восприятие машин становится зеркалом восприятия живых систем: машины тоже создают свои миры. Их Umwelt — не набор данных, а топология значений, определяемая архитектурой модели и задачей. В этом смысле каждый ИИ — феноменологическая система, у которой есть собственный “мир для себя”. В embodied AI и enactive cognition, изучающих то, как агенты действуют в физическом (воплощённом) мире, познание понимается как результат взаимодействия — сенсорной петли восприятия и действия. Робот “понимает” среду, потому что учится действовать в ней. Его пространство восприятия (observation space) — цифровой Umwelt, формализованный математически, но подчинённый той же логике ограниченного восприятия.

Umwelt живых систем — субъективная экология восприятия 2/4 Живое существо никогда не взаимодействует с “миром как он есть” — оно живёт в собственном мире значений, вырезанном из реальности его органами чувств и потребностями. Этот ограниченный, но полный смыслов мир Якоб фон Икскюль назвал Umwelt. Понятие Umwelt показывает, что жизнь — это не биология материи, а биология восприятия. Каждый организм строит свою версию мира: то, что он может ощутить, становится реальностью; то, чего не может, — попросту не существует для него. Мир множится на столько вселенных, сколько существует существ. В Umwelt und Innenwelt der Tiere (1909) Икскюль сравнивал человека, клеща и краба, показывая, что каждый “живёт в другом мире”. Эта идея стала основой для феноменологии, кибернетики и когнитивных наук, заложив мысль: познание — это форма существования, а не обладания истиной.

2/5 Икскюль ввёл Umwelt, чтобы описать уникальные “миры опыта” животных, каждый из которых вырезает из реальности лишь релевантные сигналы. В середине XX века концепт подхватили философы — Кассирер, Хайдеггер, Йонас — исследуя различие между животным и человеческим миром. Позже биосемиотика и кибернетика (Себеок, Матурана, Варела) связали Umwelt с коммуникацией и автопоэзисом. В XXI веке понятие получило цифровое продолжение: робототехника и enactive AI, изучающие поведение агента в физической реальности, рассматривают каждого искусственного агента как носителя собственного Umwelt, определяемого сенсорными данными и политикой поведения. Следующий шаг — архитектура как агент, у которого Umwelt не вне, а внутри него: пространство восприятия, встроенное в саму материю здания.

Umwelt — от биологии к зданию 1/5 Понятие Umwelt появилось в начале XX века, когда биолог Якоб фон Икскюль предложил видеть в каждом живом существе не часть единой реальности, а создателя собственного мира восприятия. С тех пор идея субъективного окружения — “мира для кого-то” — многократно переосмысливалась: от биологии к философии, от феноменологии к роботехнике, от живых организмов к искусственным агентам. На этом пути Umwelt превратился из метафоры о различии животных миров в универсальную модель когнитивной относительности — способ объяснить, что восприятие всегда ограничено структурой тела, сенсорами, алгоритмами и целями системы. Сегодня эта идея возвращается в новом виде — как observation space в reinforcement learning: формализованное пространство того, что агент способен “видеть” и “понимать”.

У меня накопилось так много материала об обучении с подкреплением (RL) — его возможностях, особенностях и внедрении в проекты, — что появилось желание сделать об этом курс или серию небольших курсов, охватывающих отдельные аспекты. В связи с этим хочу понять, есть ли на это спрос. Ниже — опрос, чтобы определить интерес и количество желающих.

До меня наконец добралось новое издание книги Нила Лича «Architecture in the Age of Artificial Intelligence: An Introduction to AI for Architecture». И это классно по двум причинам. Певаря, это действительно классное издание, расширенное за счет множества новых материалов отражающее современное состояние, множество иллюстраций проектов и других обновлений по сравнению с первым. Второе, мне очень приятно видеть в книге мой проект Endlessskyscraper, разработанный на ранней стадии развития генеративного ИИ, страшно сказать в 2021 году, что как буд-то не двно, но для ИИ те нейронки как динозавры сейчас — далеки, загадочны и прекрасны. В проекте я исследовал, как архитектура может возникнуть из скрытого пространства нейронных сетей.

В Figma появилась функция Make — по сути, песочница для создания микроприложений с помощью ИИ-агента. В отличие от Cursor, где нужно проделать много обёрток и писать гайды, чтобы получить что-то вменяемое, в Figma всё происходит гораздо быстрее. Я попробовал сделать Parallel Coordinate Plot, нужный для моего исследования и ранее собранный через Cursor. В Figma удалось создать микроприложение, работающее прямо внутри Figma app, которое умеет подгружать CSV, фильтровать и настраивать данные, а также менять внешний вид — и всё это заняло всего несколько часов. При этом Make генерирует код, который можно развивать или интегрировать, например, на сайт. Выглядит это очень впечатляюще. Единственное, чего не хватает в таких chat-driven системах, — это возможности наглядно объяснить, что именно нужно исправить в графике: какие зависимости между элементами и как они должны работать. Кажется, должен появиться гибридный формат, где можно прямо в окне приложения указывать, что и как менять.

4/4 В итоге. Важно, что система не просто классифицирует наблюдаемые феномены, а количественно измеряет свойства открытости и разнообразия — то, что раньше оставалось в области субъективной оценки. Благодаря этому исследователи могут глубже понять, почему и как различные конфигурации приводят к появлению определённых форм поведения. А на 2D атласы из кластеризованных результатов, как на видео, можно наблюдать очень долго ища в них закономерности и градиенты свойств. Подход ASAL открывает возможность превратить поиск искусственной жизни из трудоёмкого и часто случайного процесса в систематическую и масштабируемую процедуру. Его можно расширять на новые среды и применять для исследований сложных систем, искусственной эволюции и биологических аналогий.

3/4 Что получилось? ASAL реализует три ключевых метода поиска интересных симуляций: • Целевой поиск по текстовому описанию. Система варьирует правила и начальные условия генеративных миров и находит конфигурации, чьи визуальные состояния максимально совпадают с заданным текстовым запросом. • Поиск систем, открытых к новизне. Исследователи ввели метрику новизны, основанную на фундаментальной модели, которая оценивает, насколько эволюция мира способна порождать новые формы и оставаться «занимательной» для человеческого наблюдателя. • Иллюминация — создание атласа разнообразия. Генерация наборов симуляций с максимально различающимися паттернами, включая новые клеткоподобные и бактериальные структуры в Lenia и необычные стаи в Boids (например, змейка, кольцевание и другие экзотические формы).

2/4 Каждое сгенерированное поведение затем оценивается фундаментальными визуально-языковыми моделями, которые способны распознать и охарактеризовать динамику — «это напоминает клетку», «это стая», «здесь заметна открытая динамика». Что такое фундаментальные модели? Фундаментальные модели (foundation models) — это крупные универсальные модели, обученные на огромных массивах данных и способные решать множество задач без отдельного переобучения. Они не «заточены» под одну узкую область, а выступают как общие платформы — например, языковые модели (LLM) или визуально-языковые модели (vision-language FM), которые понимают и текст, и изображение. В ASAL именно такие модели — визуально-языковая CLIP и визуальная DINOv2 — позволяют системе «смотреть» на симуляции, описывать их словами и соотносить с представлениями о «жизни» или «эмерджентных паттернах».

Автоматизация поиска искусственной жизни с помощью фундаментальных моделей. 1/4 Любителям эмерджентности, возникающей из генеративных алгоритмов, невозможно пройти мимо этого свежего исследования ASAL (Automating the Search for Artificial Life with Foundation Models), выполненного совместно исследователями из MIT, Sakana AI, IDSIA и OpenAI. Цель работы — избавиться от ручного подбора правил и параметров и переложить задачу поиска «жизнеподобных» симуляций на фундаментальные модели. Вместо того чтобы вручную исследовать миры вроде Boids, Particle Life, Game of Life, Lenia или нейронных клеточных автоматов (расширенной версии «Игры в жизнь», где правила обновления обучаются нейросетью), ASAL автоматически перебирает параметры и начальные условия этих систем: коэффициенты взаимодействия, правила рождения и смерти клеток, силу притяжения и отталкивания агентов, расположение и плотность исходных конфигураций.

2/2 Третья и четвертая части объединяют практиков и педагогов. Здесь — опыт внедрения AI-Unit в бюро Penzel Valier, позиция архитекторов Zaha Hadid Architects о потенциале и ограничениях генеративного ИИ, а также критика цифровых «теневых городов» и проблема «данных-колоний». Отдельный блок посвящён образованию: от экспериментов в студиях с «креативной странностью» ИИ до концепта «Codeless Studio». Авторы показывают не только возможности, но и риски — от упрощения архитектурной практики до угрозы утраты человеческого измерения. В итоге книга становится инструментом для выработки критической позиции: использовать ИИ как расширение архитектурного воображения, а не замену.