آموزش معماری در عصر نوین، بازخوانی یک تجربه

دکتر سعید حقیر

دانشیار دانشکده معماری دانشگاه تهران

لیلا تشکری

پژوهشگر دوره دکتری دانشکده معماری دانشگاه تهران
خلاصه سخنرانی
  • چارچوب سایبرنتیک (وینر): شباهت ساختاری کنترل/بازخورد در ماشین و ذهن انسان؛ امکان تحلیل مشترک سیستم‌ها.
  • سایکوسایبرنتیک (مالتز): نقش محوری Self-Image در رفتار و عملکرد؛ ضرورت تمایز میان قرائت عامه‌پسند و مسیرهای علمیِ شناختی.
  • متد آموزشی Painting Design: تبدیل تجربه‌ی چندحسی به پرامپت زبانی و سپس تصویر انتزاعی؛ سپس استخراج بیان فضایی/معماری از ابهام.
  • ادغام با ابزارهای مولد: استفاده از AI برای تولید تصویر انتزاعی بر اساس پرامپت حسی؛ مشاهده‌ی هم‌خانوادگی بصری میان خروجی انسانی و ماشینی (نیازمند سنجش دقیق و گزارش روش).
  • نتیجه آموزشی: AI به‌عنوان شتاب‌دهنده‌ی شبیه‌سازی و ترجمه‌ی حس↔تصویر، نه حذف‌کننده‌ی مسیر طراحی.
Responsive Image
متن کامل سخنرانی
سلام و عرض ادب خدمت استادان گرامی و دوستان عزیز.
موضوعی که امروز می‌خواهم مطرح کنم، ماهیتی عمدتاً نظری دارد؛ به همین دلیل اسلاید یا پاورپوینتی آماده نکرده‌ام. تلاش می‌کنم بحث را در دو بخش پیش ببرم: ابتدا یک مقدمه‌ی تاریخی و مفهومی ـ که به نظرم برای فهم چارچوب ضروری است ـ و سپس تجربه‌ای آموزشی در حوزه‌ی معماری را توضیح بدهم که طی سال‌های اخیر با همکاری کاندیدای دکتری‌ام در دانشگاه تهران، سرکار خانم مهندس لیلا تشکری، روی آن کار کرده‌ایم. طبیعتاً طرح این تجربه در اینجا در حدی است که حقوق علمی و مالکیت فکری ایشان محفوظ بماند.
  • مقدمه: از «ابزار» تا «صورت‌بندی دیگرِ مسئله»
در این سمینار، همکاران محترم به‌خوبی توضیح دادند که هوش مصنوعی چگونه به‌مثابه‌ی «ابزار» شکل گرفت و توسعه پیدا کرد. اما من می‌خواهم از زاویه‌ای دیگر به همان مسیر نگاه کنم؛ زاویه‌ای که به‌جای روایتِ «ابزار»، روایتِ «مدل‌سازیِ ذهن و کنترل» را پررنگ می‌کند.
در این زمینه، نقطه‌ی ارجاع تاریخی مهم، نوربرت وینر، استاد MIT است؛ کسی که در سال‌های جنگ بر سامانه‌های پدافند هوایی کار می‌کرد و در ۱۹۴۸ کتابی با عنوانCybernetics  منتشر کرد. «سایبرنتیک» از ریشه‌ی یونانیِ kybernētēs  می‌آید؛ به معنای سکاندار، هدایت‌گر و کنترل‌کننده. ایده‌ی مرکزی وینر این بود که میان سازوکارهای کنترل و بازخورد در ماشین‌ها، از یک سو، و سازوکارهای عصبی و رفتاری انسان، از سوی دیگر، شباهتی ساختاری وجود دارد؛ و بنابراین می‌توان زبان مشترکی برای تحلیل، هدایت و تنظیم این سیستم‌ها به دست داد.
چند سال بعد، در ۱۹۵۷، ماکسول مالتز ـ جراح پلاستیک ـ کتابی منتشر کرد با عنوان Psycho-Cybernetics.  انگیزه‌ی مالتز از تجربه‌های بالینی می‌آمد: او مشاهده کرده بود که برخی مراجعان، با وجود موفقیت چشمگیر در جراحی زیبایی، همچنان احساس رضایت و «خودپذیری» ندارند؛ و در مقابل، برخی افراد با وجود نارضایتی ظاهری، اعتماد به نفس و ثبات روانی بالایی دارند. نتیجه‌ی نظری او این بود که موتورِ رفتار و موفقیت انسانی، صرفاً توانایی بیرونی نیست، بلکه چیزی است که او آن را Self-Image  یا «تصویر ذهنی از خود» می‌نامید.
اینجا لازم است یک تمایز بگذارم. سایکوسایبرنتیک امروز گاهی در قالب ادبیات عامه‌پسندِ موفقیت عرضه می‌شود و طبیعتاً بخش‌هایی از آن می‌تواند سطحی یا غیرعلمی تفسیر شود؛ اما در عین حال، مفهوم «تصویر ذهنی» و سازوکارهای پرایمینگ، بازخورد، تنظیم توجه و الگوهای تصمیم‌گیری در ادبیات علمیِ شناخت و رفتار، مسیرهای جدی و قابل پژوهش دارند؛ و همین‌جاست که بحث برای حوزه‌های استراتژی، تبلیغات، و حتی مدیریت جمعیِ ادراک نیز جذاب می‌شود.
  • مسئله‌ی اصلی: محدودیت‌های شناخت انسانی و مسیرهای «افزایش ظرفیت»
حال، اگر این چارچوب را بپذیریم، یک نتیجه‌ی مهم به دست می‌آید: ما می‌توانیم از شباهت‌های ساختاری میان «سیستم‌های ماشینی» و «سیستم ذهنی انسان» برای توسعه‌ی هر دو طرف استفاده کنیم. اما به نظر من، آنچه امروز تحت عنوان «هوش مصنوعی» می‌شناسیم، صرفاً یک ابزار منفصل نیست؛ بلکه بخشی از روندی است که به محدودیت‌های شناختی انسان پاسخ می‌دهد.
من شخصاً این مسیر را «توطئه» نمی‌فهمم. برعکس، آن را در سطح کلان، یک روند تکاملی ـ فناورانه می‌بینم؛ روندی که می‌کوشد ظرفیت‌های تصمیم‌گیری، شبیه‌سازی آینده، و تولید معنا را از مرزهای زیستیِ مغز انسانی فراتر ببرد.
در اینجا، یک نکته‌ی کلیدی وجود دارد: مغز انسان، در عالی‌ترین حالت هم ظرفیت محدودی برای تصمیم‌گیریِ مستمر و پیچیده دارد؛ و از سوی دیگر، بسیاری از کنش‌های ما الزاماً عقلانی و حسابگرانه نیستند. بنابراین، وقتی از پرایمینگ عصبی یا تقویت کارکردهای اجرایی سخن می‌گوییم ـ به‌ویژه در ارتباط با لوب پیش- پیشانی ـ عملاً درباره‌ی «بهینه‌سازیِ محدودیت‌ها» حرف می‌زنیم، نه حذف آنها.
  • گذار به مقیاس کوچک‌تر: تجربه‌ی آموزشی در معماری
حالا برای اینکه بحث از سطح نظری به یک نمونه‌ی قابل لمس برسد، مقیاس را کوچک می‌کنم و وارد آموزش معماری می‌شوم.
حدود هجده سال است که در خدمت دانشجویان عزیز در دانشگاه تهران هستم و در آتلیه‌های طرح- طرح دو و طرح سه-، تدریس کرده‌ام. نزدیک به پانزده سال پیش، روشی را به‌صورت عملی توسعه دادم که هدفش پرایم کردن ذهن دانشجو برای دستیابی به ایده‌های فرمال و فضایی پیش از ورود به طراحی بود. من این روش را به‌طور قراردادی Painting Design  نام‌گذاری کردم.
منطق روش ساده است: پیش از آنکه دانشجو فوراً وارد فرم‌سازی یا دیاگرام‌پردازی شود، باید «محتوا» را به تجربه‌ی ذهنیِ چندحسی تبدیل کند. بنابراین، در گروه، درباره‌ی موضوع طرح گفت‌وگو می‌کردیم و سپس از دانشجو می‌خواستیم به‌جای توصیف صرفاً بصری، تجربه‌ی خود را چندحسی بیان کند:
وقتی درباره‌ی این موضوع فکر می‌کنی، حس غالب تو چیست؟ گرماست یا سرما؟ چه صداهایی در فضا می‌شنوی؟ آیا بو، مزه، یا ریتم خاصی در ذهن تو شکل می‌گیرد؟
پس از این مرحله، از دانشجو می‌خواستیم حدود یک صفحه درباره‌ی این تجربه بنویسد، سپس متن را به چند خط فشرده کند. به یک معنا، این «فشرده‌سازی» یک پرامپت انسانی بود: دستورالعملی زبانی برای برانگیختن تخیل و تصمیم.
مرحله‌ی بعد، تبدیل همین پرامپت زبانی به یک تصویر غیر‌فرمال بود. الگوی ما در اینجا، بیان‌گراترین طیفِ هنر مدرن یعنی اکسپرسیونیسم انتزاعی بود. هدف، تولید یک تصویر دو‌بعدیِ غیر‌فیگوراتیو بود که «حس» را نشان بدهد، نه «شیء» را. دانشجو آزاد بود از هر رنگ و ابزار استفاده کند: قلم‌مو، کاردک، اسفنج، پاشیدن رنگ، یا حتی دست؛ اما شرط این بود که اثر بتواند کیفیت‌های ادراکیِ توصیف‌شده در پرامپت را منتقل کند.
در ادامه، مرحله‌ی مهم دیگری داشتیم: درباره‌ی همین تصاویر انتزاعی گفت‌وگو می‌کردیم و می‌کوشیدیم نشان بدهیم که چگونه ذهن، از میان نشانه‌های ظاهراً بی‌معنا، به استخراج «تصویر فیگوراتیو» یا «الگوی قابل تشخیص» می‌رسد. در بسیاری از موارد، دانشجو در کارِ خود چیزهایی می‌دید: جانور، انسان، کشتی، مسیر، یا اشکال نامرتبط به موضوع. این دقیقاً همان نقطه‌ای بود که ذهن برای استخراج معنا از ابهام فعال می‌شد.
در سطح پژوهشی، ما این مسیر را در قالب ابزارهای تصویربرداری مغزی نیز رصد کرده‌ایم؛ به‌طور کلی، در کسانی که این مسیر را طی می‌کنند، نشانه‌هایی از افزایش درگیری لوب پیشانی و در برخی لحظه‌های بینشی، تغییراتی در امواج مرتبط با تمرکز و تجربه‌ی خلاقیت (آنچه در ادبیات خلاقیت با عنوان flow شناخته می‌شود) مشاهده می‌شود. (بدیهی است جزئیات روش و داده‌ها، نیازمند ارائه‌ی دقیق علمی در جای خود است.)
پس از این مرحله، از دانشجو می‌خواستیم یک «بیان معماری» از دل همان تصویر استخراج کند: یک پلان، یک مقطع، یک سایت‌پلن، یا یک پرسپکتیو؛ نه لزوماً کامل و دقیق، بلکه به‌عنوان ترجمه‌ی اولیه‌ی حس به فضا و سازمان.
  • ادغام با هوش مصنوعی: دو برابر شدن مسیر، نه حذف آن
این روش، پیش از ظهور ابزارهای مولدِ جدید شکل گرفته بود. اما از حدود دو سال و نیم پیش، با ورود جدی ابزارهای تصویری مولد ـ مثل Midjourney و سپس ابزارهای دیگر ـ ما یک گام تازه برداشتیم: مسیر را حذف نکردیم؛ مسیر را دو مرحله‌ای‌تر و دقیق‌تر کردیم.
پس از مرحله‌ی رمزگذاری حسی و تدوین پرامپت چندخطی، از دانشجو می‌خواستیم که ابتدا «خود و وضعیت ادراکی‌اش» را به سیستم معرفی کند؛ یعنی نوع حساسیت‌ها، علایق، و فضای ذهنی‌اش را شرح دهد، و سپس همان پرامپت را ـ با تنظیماتی ـ به سیستم بدهد تا یک تصویر انتزاعی نزدیک به اکسپرسیونیسم تولید کند. در کنار این، توصیه‌های احتیاطی درباره‌ی ملاحظات داده و حریم خصوصی نیز مطرح می‌شد.
نتیجه برای ما قابل توجه بود: در بسیاری از موارد، تصویر تولیدشده توسط سیستم، از نظر کیفیت‌های بصری و ریتم رنگی، با اثر دستی دانشجو شباهت‌های چشمگیری داشت. در برخی تحلیل‌های ما، این هم‌پوشانی در سطحی گزارش‌پذیر مطرح شد (به‌عنوان نمونه، عددهایی مثل «حدود ۸۵٪» نیز در یک چارچوب سنجش مطرح شده‌اند)، اما تأکید می‌کنم که این عدد، تنها زمانی معنا دارد که روش سنجش و معیارهای شباهت دقیقاً روشن و قابل داوری علمی باشد. آنچه برای بحث امروز مهم است، خودِ پدیده است: اینکه سیستم می‌تواند الگوهای زبانیِ چندحسی را به تصویری تبدیل کند که با خروجی انسانی، هم‌خانواده به نظر می‌رسد.
بعد از این مرحله، از همان تصاویر نیز برای استخراج بیان معماری استفاده کردیم و سپس این دو مسیر ـ خروجی دستی و خروجی ماشینی ـ در فرایند تولید پروژه با هم ترکیب می‌شدند.
  • جمع‌بندی
آنچه این تجربه برای من روشن‌تر کرده، این است که هوش مصنوعی در آموزش طراحی، الزاماً جایگزین مسیر خلاقیت انسانی به معنای ساده‌ی کلمه نیست؛ بلکه می‌تواند «شتاب‌دهنده‌ی شبیه‌سازی» و «تقویت‌کننده‌ی ترجمه‌ی حس به تصویر» باشد. اما در سطحی کلان‌تر، این تجربه هر روز این پرسش را جدی‌تر می‌کند که آیا باید هوش مصنوعی را صرفاً ابزار بدانیم، یا آن را به‌عنوان بخشی از روندی وسیع‌تر در تحول ظرفیت‌های شناختی و تولید معنا در نظر بگیریم.
من در اینجا موضع‌گیری فلسفی نهایی نمی‌کنم، اما می‌گویم: اگر این مسیر ادامه پیدا کند، ما نه تنها با یک «ابزار صرف» که با یک «همکار صرف» نیز مواجه نیستیم؛ با چیزی مواجهیم که به‌تدریج، نقش‌های شناختی و خلاقه‌ی پیچیده‌تری را بر عهده می‌گیرد؛ با گونه جدیدی از نوع تکامل یافته انسان ، و این واقعیت، چه آن را مطلوب بدانیم چه نه، نیازمند فهم دقیق‌تر و مواجهه‌ی مسئولانه‌تر است.
سپاسگزارم.