Words, Spaces and Generative AI: Layers of language in contemporary architecture

何世紀もの間、建築家は言葉を単なる指示書、つまり建設者に何を造るべきかを伝えるための手段として扱ってきた。しかし、言語はそれ自体が建築材料であり、レンガや鉄と同様にデザインにとって不可欠なものであるという考えが広まりつつある。この考えは、単純な観察に基づいている。すなわち、私たちは言葉で世界を記述するだけでなく、言葉を用いて世界の「見え方」を形作っているということである。混雑した近隣地域を「スラム」と呼べば、それは取り除くべき「問題」として枠付けされる。一方で、それを「コミュニティ」と呼べば、それは保存すべき「何か」として枠付けされる。このフレーミング（枠付け）は、解決策が見出される前に発生し、私たちが気づかないうちに思考を導いていく。現在、テキストから画像や3Dモデルを生成する人工知能ツールが建築において一般的になるにつれ、この言語と空間の関係は極めて重要になっている。これらのツールは単に命令に従うだけではない。人間が使う、曖昧で比喩的な話し方を解釈して、新しい形態を生み出すのである。機械が私たちの言葉をどのように読み取っているのかを理解することは、もはや単なる理論的な演習ではなく、未来の構築環境がどのように構想されるかを理解するための鍵となっている。

アンカ＝シモナ・ホルヴァスによる章「言葉、空間、そして生成AI（Words, Spaces and and Generative AI）」は、建築家がこれらの強力な新しいツールを使用する際に、3つの異なる言語の層がいかに絡み合っているかを検証することで、この新たな領域を探求している。第一の層は、私たちが日常的に話し、書いている自然言語であり、そこには建築家が自身の仕事について議論するために用いる特定の専門用語も含まれる。第二の層は、厳格な論理に基づいて構築された人工的な言語であるコンピュータを動かすプログラミングコードである。第三の層は、これらのAIシステムを訓練するために使用される数百万枚の画像に付随する、短いラベルや記述である「アノテーション」である。ホルヴァスは、建築家が「緑の屋根を持つ持続可能な図書館」といったプロンプトを入力するとき、AIは単に定義を検索しているのではないと主張する。その代わりに、AIは人間の比喩、硬直したコンピュータコード、そして学習データの偏ったカテゴリーが衝突し合う複雑なウェブの中をナビゲートし、結果を生み出しているのである。

この仕組みを理解するために、論文は言語についての思考の歴史を辿っている。それは20世紀初頭、哲学者ルートヴィヒ・ウィトゲンシュタインが、コミュニケーションとは精神的なイメージを交換することのようなものであると示唆した時代まで遡る。つまり、私たちは互いの心の中にイメージを呼び起こすために言葉を使うのである。後に、ジョージ・レイコフやマーク・ジョンソンといった研究者たちは、私たちの精神がメタファー（比喩）によって組み込まれており、抽象的な概念を理解するために具体的な経験を用いていることを示した。例えば、私たちは時間を「流れる」ものや「飛ぶ」ものとして理解し、時間を川や鳥のように扱う。これらのメタファーは単なる詩的な装飾ではなく、私たちの思考の構造そのものである。1970年代には、都市計画家のドナルド・ショーンがこれをデザインに応用し、問題の捉え方（フレーミング）が、どのような解決策が見えるかを決定すると論じた。もし都市の街区を「機械」と見なせば、効率性のためのデザインが行われ、もしそれを「庭園」と見なせば、成長のためのデザインが行われる。これらの概念は、人間がデザインと関わる際のバックボーンを形成しているが、同時に機械に対して特有の課題を突きつけている。

次に、論文はテキストから画像、およびテキストから3Dへと変換するツールの具体的なメカニズムへと移る。近年の研究によれば、これらのシステムはテキストによる記述に基づいて、建築計画や橋梁構造、さらには土着の住宅様式さえも生成できることが示されている。しかし、その結果はしばしば、人間の意図と機械の出力との間の乖我が露呈することになる。例えば、研究者がAIに対してトルコ、日本、メキシコの伝統的な家屋を生成するよう求めた際、モデルは視覚的なスタイル（屋根の形状や窓の配置など）を模倣することには成功したが、それらの形態の背後にある深い文化的論理や社会的意味を見落とすことが多かった。AIは視覚的にはもっともらしい画像を生成したが、それは意味論的に希薄であり、人間の建築家が理解するような豊かな文脈を欠いていた。別の研究では、建築家が構造化された手法を用いずにこれらのツールを使用した際、出力されるものはしばしば、建物のように見えるものの機能的には意味をなさない、ランダムな形状の集合体になってしまうことが判明した。研究者たちは、より良い結果を得るためには、プロンプトを単なる命令としてではなく、機械の隠れたルールを理解する必要がある、洗練されたコミュニケーション行為として扱う必要があると示唆している。

論文の重要な部分は、言語の隠れた層である「アノテーション」に焦点を当てている。画像生成AIの訓練に使用される最も有名なデータセットである「ImageNet」には、2万以上のカテゴリーに分類された1,400万枚以上の画像が含まれている。これらのカテゴリーは無作為に選ばれたのではなく、概念を階層的に整理する「WordNet」と呼ばれる単語辞書に基づいている。これは、AIが、人間の偏見や仮定を含む、特定の人間が作ったレンズを通して世界を見るように学習したことを意味する。論文は、このデータセットが人々を精神疾患の診断名や蔑称の下にグループ化するなど、攻撃的な方法で分類していたことを強調している。AIが「家族」や「専門職」の画像を生成するとき、それはこれらの欠陥のあるカテゴリーを引き寄せているのである。機械は「家族」とは何かを知っているのではない。単に、その言葉が統計的に特定の画像とどのように結びついていたかを知っているに過ぎない。これは、AIが中立な観察者ではなく、人間が知識を整理してきた特定の方法、しばしば偏った方法を映し出す鏡であることを明らかにしている。

著者は、建築がこれらのツールと共に前進するためには、分野として「言語をデザイン材料として真剣に捉える」必要があると結論づけている。これは、プロンプトを単なる単純な指示と考えることを超えることを意味する。むしろ、建築家は機械の「具現化（エンボディメント）」、すなわち、AIが人間の脳とは異なる方法で情報を処理しているという事実を理解する必要がある。人間は身体と感覚を通じて世界を経験するが、AIシステムはデータとパターンを通じて世界を経験する。論文は、今後の研究において、異なる言語や文化がいかにデザイン思考を形作るか、そしてそれらの違いが機械コードへと翻訳される際にどのように失われたり歪められたりするかを詳細に調査すべきであると示唆している。それは、コンピュータサイエンスの精密さと、人間のコミュニケーションのニュアンスを組み合わせた新しいアプローチを求めている。言葉がいかに私たちの心のイメージを形作り、そしてそれらのイメージがいかにコードへと翻訳されるかを研究することで、建築家は生成AIの全潜在能力を活用し、未来の建造物が単に視覚的に印象的なだけでなく、深く意味があり、文化的に共鳴するものとなるようにすることができるのである。