THE EVOLUTION OF ALGORITHMISATION IN ARCHITECTURAL AND URBAN PLANNING THINKING: FROM CYBERNETICS TO AI URBANISTICS

Развитие искусственного интеллекта (ИИ) и цифровых технологий ставит перед архитектурой новые методологические задачи. Проектирование всё чаще понимается как алгоритмический процесс обработки данных и поиска оптимальных решений. В этой перспективе исторический опыт алгоритмизации приобретает ключевое значение, показывая, на каких основаниях формируется современная ИИ‑урбанистика.

Архитектурная наука XX века выработала разнообразные формы формализации проектного процесса: от кибернетики Н. Винера и первых экспериментов с ЭВМ (Л.Н. Авдотьин) до градостроительных моделей Я.В. Косицкого, имитационной динамики Дж. Форрестера, семиотики Ч.А. Дженкса, паттерн‑языка К. Александера и экистики К. Доксиадиса. Эти работы фактически предвосхитили принципы машинного обучения, цифрового моделирования и генеративного дизайна.

Несмотря на масштабность исследований, системный анализ эволюции алгоритмизации архитектурного мышления в контексте ИИ до сих пор отсутствует. Между тем именно он позволяет рассматривать классические труды не только как историко‑теоретическое наследие, но и как прототипы будущих алгоритмических библиотек для обучения ИИ.

Цель исследования — выявить логику эволюции алгоритмизации и обосновать её значимость как методологической базы для формирования новых цифровых инструментов, включая цифровые двойники городов и системы генеративного проектирования.

Исследование базируется на комплексе методов:

– Историко-генетический метод — для выявления эволюционной логики алгоритмизации архитектурного мышления.

– Сравнительно-типологический анализ — для классификации подходов по критериям:

а) степень формализации проектных решений;

б) уровень автоматизации процессов;

в) характер человеко-машинного взаимодействия.

– Системный анализ — для установления структурных связей между историческими концепциями и современными ИИ-технологиями.

Критерии отбора источников:

а) концептуальная значимость для развития алгоритмизации;

б) практическое влияние на методологию проектирования;

в) потенциал для цифровой формализации.

Практическое осмысление ИИ началось с кибернетики — науки об управлении сложными системами. В книге «Кибернетика» (1948) Н. Винер

С 1960-х годов вычислительная техника начала применяться в градостроительстве. «Рекомендации по использованию ЭВМ» (1965) стали отправной точкой, а труды Л.Н. Авдотьина — теоретическим фундаментом алгоритмизации проектирования. Его пособие «Применение вычислительной техники и моделирования в архитектурном проектировании» (1978)

Фундаментальный вклад внёс Я.В. Косицкий в книге «Архитектурно‑планировочное развитие городов» (2005)

В зарубежной традиции ключевым этапом стала работа Дж. Форрестера «Динамика развития города» (1969)

Однако модель Форрестера имела существенные ограничения: линейная экстраполяция трендов не учитывала системные эффекты городских систем и «черные лебеди» — непредсказуемые события, радикально меняющие траектории развития. Современные нейросетевые модели частично преодолевают эти ограничения через анализ нелинейных паттернов, но проблема прогнозирования разрывных изменений остается нерешенной.

Семиотический и алгоритмический сдвиг в 1970‑е годы обозначили Ч.А. Дженкс и К. Александер. В книге «Язык архитектуры постмодернизма» (1977)

Значимой концепцией стала теория экистики К. Доксиадиса

Во второй половине XX века в мировой архитектурной науке сложилась целостная система подходов к алгоритмизации: от кибернетики и ранних ЭВМ до паттерн‑языков, имитационных моделей и системных урбанистических схем. Эти разработки предвосхитили нынешние методы ИИ‑урбанистики и стали интеллектуальным фундаментом цифровых двойников, генеративного дизайна и анализа больших данных.

Таким образом, анализ эволюции алгоритмизации позволяет выделить три ключевых этапа, каждый из которых внёс специфический вклад в формирование современной ИИ-урбанистики (см. табл. 1).

Машинное обучение и нейросети радикально изменили архитектурное проектирование. Если в 1960‑е годы алгоритмизация оставалась экспериментальной практикой, то сегодня она стала ключевым инструментом формирования городской среды.

Одним из ведущих направлений является моделирование цифровых двойников — динамических виртуальных копий городов, объединяющих данные о планировке, транспорте, демографии и экологии

Примером успешной реализации является платформа Virtual Singapore — полномасштабный цифровой двойник города-государства, охватывающий более 160 000 зданий с детализацией до отдельных архитектурных элементов. Платформа интегрирует семантическую 3D-модель с динамическими данными о транспортных потоках, климате и инфраструктуре для моделирования сценариев развития города и оптимизации маршрутов эвакуации при чрезвычайных ситуациях

Не менее значимо развитие генеративного дизайна. Его методология восходит к паттерн‑языку К. Александера, но современные алгоритмы машинного обучения позволяют не просто комбинировать готовые шаблоны, а самостоятельно генерировать новые решения, учитывающие параметры функциональности, пропорций, энергоэффективности и устойчивости. Генеративные системы ускоряют проектирование и создают формы, выходящие за рамки традиционного мышления

Технология генеративного дизайна Autodesk (ранее проект Dreamcatcher) демонстрирует алгоритмический подход к проектированию: система генерирует множество вариантов конструкций на основе заданных ограничений. При проектировании офиса Autodesk (Торонто, 2018) алгоритмы сгенерировали более 10 000 вариантов внутренней планировки пространства. В качестве критериев оптимизации были заданы не только параметры освещенности и видов из окон, но и сложные социальные факторы: необходимость близкого расположения взаимодействующих команд и предпочтения по стилю работы сотрудников

Нейронные сети применяются для анализа архитектурного наследия: выявления стилевых закономерностей, морфологических трансформаций и семиотических кодов. Этот подход можно рассматривать как цифровое продолжение идей Ч. Дженкса: его «эволюционное древо» получило алгоритмическое воплощение в системах, которые обучаются на исторических данных и используют их для генерации новых решений.

Современные архитектуры интеллектуальных систем демонстрируют синергию кибернетических принципов и символьного ИИ

Современные исследования направлены и на разработку «умных» городов, в которых алгоритмы управляют не только пространством, но и энергией, ресурсами и коммуникациями

Историческая линия алгоритмизации получает новое развитие в условиях ИИ. Алгоритм перестаёт быть лишь вспомогательным средством и становится полноправным партнёром в проектировании, формируя новую дисциплину — ИИ‑урбанистику.

Эволюция архитектурно‑градостроительного мышления показывает устойчивую логику алгоритмизации — от кибернетики и первых ЭВМ до современных инструментов ИИ. Архитектура и градостроительство на протяжении всего XX века рассматривались как процессы, поддающиеся формализации, моделированию и прогнозированию.

Научная новизна исследования заключается в сопоставлении классических концепций алгоритмизации с современными методами ИИ‑урбанистики. Работы Н. Винера, Л.Н. Авдотьина, Я.В. Косицкого, Дж. Форрестера, Ч. Дженкса, К. Александера и К. Доксиадиса показаны как интеллектуальные «алгоритмические прототипы», которые могут быть перекодированы и использованы для обучения ИИ.

К конкретным алгоритмическим структурам, готовым к формализации для ИИ-систем, относятся:

1) морфотипы Я.В. Косицкого — математические модели пространственного роста городов (концентрические, радиальные, линейные), формализуемые через графовые структуры;

2) паттерны К. Александера — каждый описывается как функция с входными параметрами (контекст, проблема) и выходными (решение), что позволяет создать обучающую базу данных для генеративных моделей;

3) семиотические коды Ч. Дженкса — трансформируемые в векторные представления архитектурных стилей для обучения классификаторов.

Практическая значимость исследования состоит в возможности применить выявленные алгоритмы и модельные конструкции в современных цифровых инструментах: при создании цифровых двойников городов, прогнозировании сценариев их развития и генеративном проектировании архитектурных решений. Подобный подход усиливает актуальность классических моделей в условиях роста урбанистических вызовов.

Вместе с тем выявленные концепции демонстрируют не только методологическую преемственность, но и ограниченность ряда классических моделей, что задаёт направление дальнейшего поиска адаптивных, контекстно‑чувствительных форм алгоритмизации.

Перспективы дальнейших исследований связаны с разработкой библиотек архитектурных и градостроительных паттернов, объединяющих исторические и современные модели. Такие базы знаний могут стать фундаментом для обучения ИИ‑систем и инструментом проектирования устойчивых и адаптивных городов XXI века.