دانشکده معماری

• تحول پارادایمیک اتوماسیون: گذار از اتوماسیون مبتنی بر هندسه (Parametric/Geometric Automation) به اتوماسیون مبتنی بر استدلال و شناخت (Cognitive/Reasoning Automation) با بهره‌گیری از مدل‌های زبانی بزرگ (LLMs) و مدل‌های چندوجهی (Multimodal Models).
• مدل‌های زبانی-معماری تخصصی: توسعه مدل‌های دامنه-محور (Domain-specific Models) با توانایی تفسیر معنایی نقشه‌ها و اسناد فنی؛ این مدل‌ها قادرند داده‌های غیرساختاریافته معماری را به فرمت‌های استاندارد و قابل پردازش توسط هوش مصنوعی مانند گراف‌های دانش تبدیل کنند.
• سیستم‌های عامل‌محور (Agentic AI): جایگزینی ابزارهای تک‌منظوره با عامل‌های هوشمندی که قادر به برنامه‌ریزی مستقل و اجرای چرخه‌های کامل طراحی و بازبینی فنی هستند.
• معمار به مثابه راهبر (Orchestrator): تحول نقش معمار به یک هماهنگ‌کننده استراتژیک (Strategic Orchestrator)؛ در این پارادایم معمار بین داده، مدل، ضوابط و خلاقیت هماهنگی ایجاد کرده و قضاوت انتقادی، نظارت اخلاقی، مسئولیت حرفه‌ای و هم‌راستایی خروجی‌های هوش مصنوعی با ارزش‌های انسانی و محیطی را بر عهده دارد.

• تخصصی‌سازی و مقیاس (Domain-specific LLMs) : ضرورت کنونی، گذار از مدل‌های عمومی به سمت مدل‌های زبانی دامنه-محور (Domain-specific) در صنعت ساختمان است؛ مدل‌هایی که قادر به درک منطقِ حاکم بر فضا و ساختار باشند. دستاورد کلیدی محققان در سال گذشته، ابداع روش‌هایی برای تبدیل داده‌های هندسی صلب به نمایش‌های متنی و معنایی (Semantic Representations)  بوده است. به عنوان مثال، با استفاده از الگوریتم‌های استخراج ویژگی، داده‌های ساختاریافته‌ تولید می‌شوند و نقشه‌ها به فرمت‌هایی تبدیل می‌شوند که برای مدل‌های زبانی قابل پردازش و استدلال باشند. امروزه با بهره‌گیری از مدل‌های متن‌باز در پلتفرم‌هایی مانند Hugging Face، دانشجویان و پژوهشگران می‌توانند از طریق استراتژی‌های Fine-tuning  (برای آموزش تخصصی) و RAG  (برای بازیابی اطلاعات از اسناد پروژه‌ها)، این هوش مصنوعی را با ضوابط و دانش بومی معماری هم‌راستا کنند. همچنین، افزایش چشمگیر پنجره بافت  (Context Window)، این امکان فنی را فراهم کرده تا کلِ اسناد، نقشه‌ها و مکاتبات یک پروژه کلان به‌طور یکپارچه در حافظه عملیاتی مدل جهت تحلیل و استنتاج قرار گیرد.

• هوش مصنوعی عامل‌محور (Agentic AI) : روند کلیدی دیگر، به‌کارگیری عامل‌های هوشمند خودمختار است. در مدل‌های گفتگومحور ساده، کاربر مستقیماً با چالش‌هایی نظیر توهم  (Hallucination)  یا پاسخ‌های غیرمنطقی مواجه می‌شود. اما در رویکرد ایجنتیک، مجموعه‌ای از عامل‌های تخصصی در یک زنجیره استدلال (Chain of Thought) تعریف می‌شوند که وظایف مختلف را از برنامه‌ریزی اولیه و تولید طرح تا نقد فنی و بازنگری به‌طور خودکار مدیریت می‌کنند. این سیستم‌ها با بهره‌گیری از مکانیسم‌های خود-اصلاح‌گر  (Self-Correction Loop)، خروجی‌های خود را با ضوابط و فرضیات طراحی تطبیق داده و خطای عملیاتی را به حداقل می‌رسانند. در این پارادایم، هوش مصنوعی از یک ابزار صرف به یک دستیار اجرایی و استراتژیک تبدیل می‌شود که قادر است فرآیند پیچیده و رفت‌وبرگشتی (Iterative) طراحی معماری را از ابتدا تا انتها پیش ببرد.

• مدل‌های چندوجهی (Multi-modality) و یکپارچه‌سازی دانش: امروزه با ظهور مدل‌های چندوجهی، مرز میان انواع داده‌ها (متن، تصویر و داده‌های هندسی) از میان رفته است. این مدل‌ها به‌طور همزمان قادر به درک و پردازش ورودی‌های نامتجانس هستند؛ از کدهای برنامه‌نویسی (Scripting) و فایل‌های عددی گرفته تا متونِ پیچیده مقررات ملی ساختمان و کانسپت‌های بصری. پتانسیل بنیادین این فناوری در توانایی سنتز (Synthesis) یا ترکیب این مؤلفه‌های پراکنده در یک فضای محاسباتی واحد نهفته است.

با این حال، این تحول با چالش‌های اخلاقی و حقوقی عمیقی گره خورده است. مسائلی همچون سوگیری (Bias)  در داده‌های آموزشی، پیچیدگی‌های مالکیت فکری (Intellectual Property) و ضرورت پاسخگویی حرفه‌ای، مرزهای جدید مسئولیت معمار را تعریف می‌کنند. در نهایت، اعتباربخشی و امضای حرفه‌ای، همچنان قلمرو انحصاری معمار باقی می‌ماند؛ چرا که امروزه هوش مصنوعی یک تسهیل‌گر در لایه‌های شناختی است و مسئولیت نهایی در قبال جامعه و زیست‌بوم، بر عهده قضاوت انسانی است.