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

Eeuwenlang hebben architecten woorden behandeld als louter instructies, een manier om bouwers te vertellen wat ze moeten construeren. Maar een groeiende hoeveelheid denkers suggereert dat taal in feite een bouwmateriaal op zich is, even essentieel voor ontwerp als baksteen of staal. Dit idee rust op een eenvoudige observatie: we beschrijven de wereld niet alleen met woorden; we gebruiken woorden om te vormen hoe we haar zien. Wanneer we een drukke buurt een "sloppenwijk" noemen, kaderen we het als een probleem dat verwijderd moet worden; wanneer we het een "gemeenschap" noemen, kaderen we het als iets dat behouden moet blijven. Deze inkadering vindt plaats voordat er een oplossing is gevonden, en stuurt ons denken op manieren die we vaak niet eens opmerken. Nu tools voor kunstmatige intelligentie die tekst omzetten in afbeeldingen en 3D-modellen algemeen worden in de architectuur, is deze relatie tussen taal en ruimte cruciaal geworden. Deze tools volgen niet alleen bevelen; ze interpreteren de rommelige, metaforische manier waarop mensen spreken om nieuwe vormen te genereren. Het begrijpen van hoe deze machines onze woorden lezen, is niet langer slechts een theoretische oefening; het is de sleutel tot het begrijpen van hoe de gebouwde omgeving van de toekomst wordt geconcipieerd.

Anca-Simona Horvaths hoofdstuk, "Words, Spaces and Generative AI," verkent deze nieuwe grens door te onderzoeken hoe drie verschillende lagen van taal met elkaar verweven raken wanneer architecten deze krachtige nieuwe tools gebruiken. De eerste laag is de natuurlijke taal die we dagelijks spreken en schrijven, inclusief de specifieke jargon die architecten gebruiken om hun werk te bespreken. De tweede laag is de programmeercode die de computers aanstuurt, een kunstmatige taal gebouwd op strikte logica in plaats van menselijke nuance. De derde laag zijn de annotaties—de korte labels en beschrijvingen die aan de miljoenen afbeeldingen zijn gekoppeld die worden gebruikt om deze AI-systemen te trainen. Horvath betoogt dat wanneer een architect een prompt typt zoals "een duurzame bibliotheek met een groen dak", de AI niet simpelweg een definitie opzoekt. In plaats daarvan navigeert de AI door een complex web waar menselijke metaforen, rigide computercode en de bevooroordeelde categorieën van de trainingsdata met elkaar botsen om een resultaat te produceren.

Om te begrijpen hoe dit werkt, volgt het artikel de geschiedenis van hoe wij over taal denken. Het kijkt terug naar de vroege 20e eeuw, toen de filosoof Ludwig Wittgenstein suggereerde dat communicatie lijkt op het uitwisselen van mentale plaatjes; we gebruiken woorden om beelden in elkaars geest te triggeren. Later toonden onderzoekers zoals George Lakoff en Mark Johnson aan dat onze geest is geprogrammeerd met metaforen, waarbij we concrete ervaringen gebruiken om abstracte ideeën te begrijpen. Zo begrijpen we tijd als iets dat "stroomt" of "vliegt", waarbij we het behandelen als een rivier of een vogel. Deze metaforen zijn niet slechts poëtische franjes; ze zijn de eigenlijke structuur van ons denken. In de jaren 1970 paste stedenbouwkundige Donald Schön dit toe op ontwerp, waarbij hij beargumenteerde dat de manier waarop we een probleem inkaderen, bepaalt welke oplossingen we kunnen zien. Als we een bouwblok als een "machine" zien, ontwerpen we voor efficiëntie; als we het als een "tuin" zien, ontwerpen we voor groei. Deze ideeën vormen de ruggengraat van hoe mensen met ontwerp interageren, maar ze creëren een unieke uitdaging voor machines.

Het artikel richt zich vervolgens op de specifieke mechanica van hoe text-to-image en text-to-3D tools opereren. Recente studies laten zien dat deze systemen bouwplannen, brugconstructies en zelfs volkse woningstijlen kunnen genereren op basis van tekstbeschrijvingen. De resultaten onthullen echter vaak een kloof tussen menselijke intentie en machine-output. Wanneer onderzoekers AI bijvoorbeeld vroegen om traditionele huizen uit Turkije, Japan en Mexico te genereren, kopieerden de modellen succesvol de visuele stijl—de vormen van daken en de arrangement van ramen—maar misten ze vaak de diepere culturele logica en sociale betekenis achter die vormen. De AI produceerde visueel plausibele afbeeldingen die semantisch arm waren en de rijke context misten die een menselijke architect zou begrijpen. Een andere studie vond dat wanneer architecten deze tools gebruikten zonder een gestructureerde methode, de outputs vaak slechts willekeurige collecties vormen waren die op gebouwen leken, maar functioneel geen zin maakten. De onderzoekers suggereren dat om betere resultaten te krijgen, architecten prompting niet moeten behandelen als een simpel commando, maar als een verfijnde daad van communicatie die een begrip vereist van de verborgen regels van de machine.

Een aanzienlijk deel van het artikel richt zich op de verborgen laag van de taal: de annotaties die deze systemen voeden. De bekendste dataset die wordt gebruikt om beeldgenererende AI te trainen, genaamd ImageNet, bevat meer dan 14 miljoen afbeeldingen verdeeld over meer dan 20.000 categorieën. Deze categorieën werden niet willekeurig gekozen; ze waren gebaseerd op een woordenboek genaamd WordNet, dat concepten hiërarchisch organiseert. Dit betekent dat de AI leerde de wereld te zien door een specifieke, door mensen gemaakte lens die onze vooroordelen en aannames bevat. Het artikel benadrukt dat deze dataset mensen op beledigende wijze classificeerde, door hen onder psychiatrische diagnoses of scheldwoorden te groeperen, omdat de oorspronkelijke menselijke labels die vooroordelen bevatten. Wanneer een AI een afbeelding genereert van een "gezin" of een "professional", put het uit deze gebrekkige categorieën. De machine weet niet wat een gezin is; het weet alleen hoe het woord "gezin" statistisch gekoppeld was aan bepaalde afbeeldingen in de trainingsdata. Dit onthult dat de AI geen neutrale waarnemer is, maar een spiegel die de specifieke, vaak bevooroordeelde manier reflecteert waarop mensen hun kennis hebben georganiseerd.

De auteur concludeert dat voor de vooruitgang van de architectuur met deze tools, het vakgebied taal serieus moet nemen als een ontwerpmateriaal. Dit betekent verder gaan dan het idee dat een prompt slechts een simpele instructie is. In plaats daarvan moeten architecten de "belichaming" van de machine begrijpen—het feit dat zij informatie anders verwerkt dan een menselijk brein. Terwijl mensen de wereld ervaren via hun lichaam en zintuigen, ervaart AI de wereld via data en patronen. Het artikel suggereert dat toekomstig onderzoek nauw moet kijken naar hoe verschillende talen en culturen het ontwerpproces vormgeven, en hoe deze verschillen verloren kunnen gaan of vervormd kunnen worden wanneer ze worden vertaald naar machinecode. Het roept op tot een nieuwe benadering die de precisie van computerwetenschappen combineert met de nuance van menselijke communicatie. Door te bestuderen hoe woorden onze mentale beelden vormen en hoe die beelden worden vertaald naar code, kunnen architecten beginnen met het benutten van het volledige potentieel van generatieve AI, om ervoor te zorgen dat de gebouwen van de toekomst niet alleen visueel opvallend zijn, maar ook diep betekenisvol en cultureel resonant.