Words, Spaces and Generative AI: Layers of language in contemporary architecture
Este artigo argumenta que a linguagem funciona como um material de design crítico na arquitetura contemporânea, particularmente com a ascensão da IA generativa, ao analisar a interação entre discurso, linguagens de programação e anotações para propor uma agenda de pesquisa que conecte teorias linguísticas às práticas de design computacional.
Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo
Durante séculos, os arquitetos trataram as palavras como meras instruções, uma forma de dizer aos construtores o que construir. Mas um crescente corpo de pensamento sugere que a linguagem é, na verdade, um material de construção por si só, tão essencial ao design quanto o tijolo ou o aço. Essa ideia baseia-se numa observação simples: não apenas descrevemos o mundo com palavras; usamos as palavras para moldar a forma como o vemos. Quando chamamos um bairro lotado de "favela", enquadramo-lo como um problema a ser removido; quando o chamamos de "comunidade", enquadramo-lo como algo a ser preservado. Esse enquadramento acontece antes que qualquer solução seja encontrada, guiando o nosso pensamento de formas que muitas vezes não percebemos. Agora, à medida que as ferramentas de inteligência artificial que transformam texto em imagens e modelos 3D se tornam comuns na arquitetura, esta relação entre linguagem e espaço tornou-se crítica. Estas ferramentas não se limitam a seguir ordens; elas interpretam a forma desordenada e metafórica como os humanos falam para gerar novas formas. Compreender como estas máquinas leem as nossas palavras já não é apenas um exercício teórico; é a chave para compreender como o ambiente construído do futuro será concebido.
O capítulo de Anca-Simona Horvath, "Words, Spaces and Generative AI", explora esta nova fronteira ao examinar como três camadas distintas de linguagem se entrelaçam quando os arquitetos utilizam estas novas e poderosas ferramentas. A primeira camada é a linguagem natural que falamos e escrevemos todos os dias, incluindo o jargão específico que os arquitetos usam para discutir o seu trabalho. A segunda camada é o código de programação que executa os computadores, uma linguagem artificial construída sobre uma lógica estrita em vez da nuance humana. A terceira camada são as anotações — os rótulos e descrições curtas anexados aos milhões de imagens usados para treinar estes sistemas de IA. Horvath argumenta que, quando um arquiteto digita um comando como "uma biblioteca sustentável com um telhado verde", a IA não procura simplesmente uma definição. Em vez disso, ela navega num complexo emaranhado onde as metáforas humanas, o código de computador rígido e as categorias enviesadas dos seus dados de treino colidem para produzir um resultado.
Para compreender como isto funciona, o artigo traça a história de como pensamos sobre a linguagem. Recua ao início do século XX, quando o filósofo Ludwig Wittgenstein sugeriu que a comunicação é como trocar imagens mentais; usamos palavras para desencadear imagens uns nos outros. Mais tarde, investigadores como George Lakoff e Mark Johnson mostraram que as nossas mentes estão programadas com metáforas, utilizando experiências concretas para compreender ideias abstratas. Por exemplo, entendemos o tempo como algo que "flui" ou "voa", tratando-o como um rio ou um pássaro. Estas metáforas não são apenas floreios poéticos; são a própria estrutura do nosso pensamento. Na década de 1970, o urbanista Donald Schön aplicou isto ao design, argumentando que a forma como enquadramos um problema determina as soluções que conseguimos ver. Se virmos um quartez urbano como uma "máquina", desenhamos para a eficiência; se o virmos como um "jardim", desenhamos para o crescimento. Estas ideias formam a espinha dorsal de como os humanos interagem com o design, mas criam um desafio único para as máquinas.
O artigo volta então para a mecânica específica de como operam as ferramentas de texto-para-imagem e texto-para-3D. Estudos recentes mostram que estes sistemas podem gerar plantas de edifícios, estruturas de pontes e até estilos de habitação vernácula com base em descrições textuais. No entanto, os resultados revelam frequentemente um fosso entre a intenção humana e o output da máquina. Por exemplo, quando investigadores pediram à IA para gerar casas tradicionais da Turquia, Japão e México, os modelos copiaram com sucesso o estilo visual — as formas dos telhados e a disposição das janelas — mas muitas vezes perderam a lógica cultural mais profunda e o significado social por trás dessas formas. A IA produziu imagens visualmente plausíveis, mas semanticamente rasas, carecendo do contexto rico que um arquiteto humano compreenderia. Outro estudo descobriu que, quando os arquitetos utilizavam estas ferramentas sem um método estruturado, os resultados eram frequentemente coleções aleatórias de formas que pareciam edifícios, mas que não faziam sentido funcionalmente. Os investigadores sugerem que, para obter melhores resultados, os arquitetos precisam de tratar o prompting não como um simples comando, mas como um ato sofisticado de comunicação que requer a compreensão das regras ocultas da máquina.
Uma parte significativa do artigo foca-se na camada oculta da linguagem: as anotações que alimentam estes sistemas. O conjunto de dados mais famoso usado para treinar IA geradoras de imagem, chamado ImageNet, contém mais de 14 milhões de imagens organizadas em mais de 20.000 categorias. Estas categorias não foram escolhidas aleatoriamente; basearam-se num dicionário de palavras chamado WordNet, que organiza conceitos hierarquicamente. Isto significa que a IA aprendeu a ver o mundo através de uma lente humana específica, que inclui os nossos preconceitos e suposições. O artigo destaca que este conjunto de dados classificou pessoas de forma ofensiva, agrupando-as sob diagnósticos psiquiátricos ou insultos, porque os rótulos humanos originais continham esses preconceitos. Quando uma IA gera uma imagem de uma "família" ou de um "profissional", está a basear-se nestas categorias falhadas. A máquina não sabe o que é uma família; apenas sabe como a palavra "família" foi estatisticamente ligada a certas imagens nos seus dados de treino. Isto revela que a IA não é um observador neutro, mas um espelho que reflete a forma específica e, muitas vezes, enviesada como os humanos organizaram o seu conhecimento.
A autora conclui que, para a arquitetura avançar com estas ferramentas, o campo deve levar a linguagem a sério como um material de design. Isto significa ir além da ideia de que um prompt é apenas uma instrução simples. Em vez disso, os arquitetos precisam de compreender a "corporificação" da máquina — o facto de ela processar informação de forma diferente de um cérebro humano. Enquanto os humanos experienciam o mundo através dos seus corpos e sentidos, os sistemas de IA experienciam o mundo através de dados e padrões. O artigo sugere que a investigação futura deve observar atentamente como diferentes línguas e culturas moldam o pensamento de design, e como essas diferenças podem ser perdidas ou distorcidas quando traduzidas em código de máquina. Apela a uma nova abordagem que combine a precisão da ciência da computação com a nuance da comunicação humana. Ao estudar como as palavras moldam as nossas imagens mentais e como essas imagens são traduzidas em código, os arquitetos podem começar a aproveitar todo o potencial da IA generativa, garantindo que os edifícios do futuro não sejam apenas visualmente impressionantes, mas profundamente significativos e culturalmente ressonantes.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.