EN TR

Blog

Mimarlık, AI ve hesaplamalı tasarımın kesişiminden seçilmiş notlar.

Sektör haberleri, araç incelemeleri ve Fraktal stüdyo notları.

16 makale
Stüdyodan Notlar

Mimarlık ve AI'ın Kesişimi

Fraktal, hesaplamalı tasarım, yapay zekâ ve mimarlık pratiğinin kesişim noktasını araştırıyor. Burada araştırma notlarımızı, araç incelemelerimizi, sektör haberlerini ve gelişen teknolojinin yapılı çevreyi nasıl yeniden şekillendirdiğine dair perspektiflerimizi paylaşıyoruz.

0 Makale
0 Etkinlik
0 Kategori
Fraktal Notları 3 dk
AI prompt paneli ve üretilmiş waffle strüktürüyle Grasshopper tuvali

FraktalMCP 1.0 Food4Rhino'da: Grasshopper İçin Ücretsiz AI Köprüsü

FraktalMCP 1.0 bugün Food4Rhino'da yayında. Tek bir .gha dosyası kurun, ihtiyacınızı düz dille tarif edin, Rhino geometrisini ve onu üreten GhPython betiğini alın. Rhino 8 içinde yerel çalışır; hesap yok, abonelik yok, çağırmayı seçtiğiniz model dışında bulut bağımlılığı yok.

Fiyat modeli tam olarak bu: yok. Eklenti MIT lisanslı ve ücretsiz; kendi anahtarını getir ilkesiyle çalışır. Claude'a, GPT'ye ya da yerel bir Ollama modeline bağlayın. Kendi API anahtarınız demek, maliyet kontrolünün ve veri gizliliğinin sizde kalması demek; tanımlarınızla ilgili hiçbir şey bizim üzerimizden geçmez.

1.0'ın neyi bilerek yapmadığı da aynı derecede net: istekten betik yazar ama tuvalinizi okumaz. Tanım planlamak, mevcut bağlantıları açıklamak ve veri ağaçlarında hata ayıklamak, pro hattımız Falcon AI'ın işi. Tek işi güvenilir yapan ücretsiz bir araç, her şeyi vaat eden ücretsiz bir araçtan iyidir.

Eklenti, AI Form Bulma ve Generatif Cepheler araştırma hatlarımızdan doğdu; bu araştırma çizgisi Falcon AI'ın içinde devam ediyor. Kaynak kod GitHub'da, fraktal-design/fraktal-mcp altında; hata bildirimlerine ve katkılara açığız. Elinizde çalışan bir tanım eklentiyle bozulursa, haber verin.

Fraktal Notları 3 dk
Parametrik kule tel kafes görünümü, düğüm grafiği ve copilot paneli

Falcon AI'ı Neden Yapıyoruz: Tuvali Okuyan Bir Copilot

Her Grasshopper kullanıcısı bu hata biçimini bilir. Sohbet asistanından bir tanım istersiniz, betiği yapıştırırsınız, çalışır ve sinsice yanlıştır: ters dönmüş bir veri ağacı, flatten gereken yerde graft, eklenti setinizde var olmayan bir bileşen. Betik hiçbir zaman zor kısım değildi. Zor olan bağlantılardır.

Falcon AI tam bu boşluk için kurulan bir copilot. İhtiyacınız olan parametrik mantığı tarif edin; kod yığmak yerine bileşen zincirini planlasın. Mevcut bir tanımı açın; grafiğin ne yaptığını küme küme açıklasın. Bir veri ağacı sarpa sardığında, tahminle değil, tuval üzerinde görsel olarak iz sürsün. Ve eklenti farkındalığı var: önerileri, kurulu Ladybug, Karamba ya da Kangaroo bileşenlerinizi kullanır, hayali olanları değil.

Kadro basit. FraktalMCP ücretsiz ve açık kaynak kalır: metin girer, geometri çıkar, Rhino 8 içinde. Falcon AI yanındaki profesyonel katman; tanımları bir sohbet penceresinin taşıyamayacağı kadar büyümüş ekipler için.

Durum şu: aktif geliştirme, falconai.build üzerinden taleple özel beta. Lansman tarihi açıklamıyoruz. Koyduğumuz çıta belli: Falcon gerçek bir projeden dağınık 400 bileşenli bir tanımı okuyup, sorulmadan, hakkında doğru bir şey söylediği gün tarih konuşmaya başlarız.

AI & Teknoloji 4 dk
Müşteri Sunumunda AI Render: Pratik Bir Dürüstlük Protokolü

Müşteri Sunumunda AI Render: Pratik Bir Dürüstlük Protokolü

AI render, güzel bir görselin maliyetini çökertti. Bu mimarlar için çoğunlukla iyi haber, müşteriler içinse sessizce tehlikeli. Fotoreal bir kare dört saat yerine kırk saniye sürünce, tasarımın gerçekte vaat ettiğinden fazlasını gösterme cazibesi doğuyor. Bir yıl boyunca her gün AI görselleştirme kullandıktan sonra küçük bir protokolde karar kıldık.

Birinci kural: geometri amirdir, atmosfer pazarlık konusudur. Bir AI geçişi ışığı, malzeme havasını, bitki örtüsünü, gökyüzünü değiştirebilir. Kat ekleyemez, konsolu genişletemez, arsada olmayan bir manzara icat edemez. Görsel modelle çelişiyorsa, kaybeden görseldir.

İkinci kural: aşamayı etiketle. Konsept görseli konsept diye etiketlenir; tasarım geliştirme render'ı bir model durumuna bağlanır. Müşteriler erken görsellerin gevşek olmasına gücenmez; sonradan "final görünüş" sandıklarının bir ruh panosu olduğunu keşfetmeye gücenir. Tek satırlık dürüst etiket, yıllarca güven satın alır.

Üçüncü kural: modelin kazara tasarım yapmasına izin verme. AI araçları kimsenin çizmediği detayları kendinden emin biçimde önerir: bir korkuluk deseni, bir saçak altı, bir döşeme dizilimi. Bunları bilinçli kabul ya da reddedilecek öneriler olarak ele alın. Halüsinasyon bir detay sunuma kadar yaşarsa, sahibi olmayan bir tasarım kararına dönüşmüş demektir.

Dördüncü kural: güzel görselin yanında sıkıcı olanı tut. Her atmosferik render'ın yanına, türediği yalın cephe veya kütle görünüşünü koyuyoruz. Bu eşleştirme, müşterinin havaya âşık olurken geometrinin gerçeğini de görmesini sağlıyor.

Bunların hiçbiri akışı yavaşlatmıyor. Bir etiketleme alışkanlığı ve "neye kimin karar verdiği" disiplini. AI görüntülemenin hızı zaten mesele; protokol, o hızla satılan şeyin hâlâ mimarlık olduğundan emin oluyor.

Hesap. Tasarım 4 dk
Grasshopper Tanımınız Aslında Bir Ürün: Sadece Yayınlamıyorsunuz

Grasshopper Tanımınız Aslında Bir Ürün: Sadece Yayınlamıyorsunuz

Ofisinizde bir yerde, bir projeyi kurtaran bir Grasshopper tanımı var. Bir cepheyi rasyonalize etti, bir merdiveni çözdü ya da bir gecede üç yüz panel çizimi üretti. Bugün ise o projenin adını taşıyan bir klasörde, yazan kişi dışında kimsenin kullanamayacağı hâlde duruyor; sekiz ay sonra, yazan kişi dahil.

Bunu hesaplamalı tasarımın en büyük israf edilen varlığı olarak görmeye başladık. Çalışan bir tanım zaten bir üründür: kullanıcıları var (ekibiniz), yaptığı bir iş var, kanıtlanmış değeri var. Eksik olan, gösterişsiz %20: makul aralıkları olan isimli girdiler, bozuk geometriye karşı korumalar, neyi varsaydığını söyleyen bir not ve sessiz çöp üretmek yerine yüksek sesle hata verme becerisi.

Kullandığımız yükseltme yolu bilerek sıkıcı. Önce parametreleri mantıktan ayır: her sihirli sayı, tanım aralığı olan isimli bir girdiye dönüşür. İkinci adım, girişe doğrulama koy: girdi yüzeyi tolerans içinde düzlemsel değilse bunu söyle; makul görünen yanlış cevap üretme. Üçüncüsü, başlık notunu yaz: ne yapar, neyi varsayar, asla ne için kullanılmamalı. Dördüncüsü, ancak tanım bunu hak ediyorsa: onu Grasshopper'ı hiç açmayan insanlar için paketle.

Kendi araçlarımız o son adımdan doğdu. FraktalMCP, tanımlar AI asistanlarıyla konuşmak istediği için var; Falcon AI, bir tanımın kullanıcılarının çoğunun canvas'ı hiç görmemesi gerektiği için var. Ama faydalanmak için ürün şirketi kurmanız gerekmiyor. İsimli girdileri ve dürüst hata mesajları olan bir tanım kütüphanesi, tek başına rekabet avantajıdır.

Test basit: yeni bir çalışan, siz odada olmadan en iyi tanımınızı çalıştırabiliyorsa bir aracınız var demektir. Çalıştıramıyorsa, elinizdeki bir aracın anısıdır.

Mimarlık 4 dk
Önce Tara, Sonra Tasarla: Mevcut Durum Neden LiDAR Hak Ediyor

Önce Tara, Sonra Tasarla: Mevcut Durum Neden LiDAR Hak Ediyor

Renovasyonda çalışmış her mimar o anı bilir: mevcut çizimler bir şey söyler, bina başka bir şey. Duvar 40 santim kaymıştır, kimsenin belgelemediği bir kiriş tavanı kat eder, "3 metrelik" koridor 2,7 çıkar. Renovasyon bütçelerini patlatan şey çoğu zaman iddialı tasarım değildir; binayı geç keşfetmektir.

Bu yüzden stüdyomuzun iş akışı eskizle değil, taramayla başlıyor. Telefon LiDAR'ı erken aşama mekânsal veri toplama için sessizce yeterli hâle geldi: cihazı mekâna doğrultun, alanda yürüyün; bir deftere aktarılan lazer metre ölçümleriyle geçen bir gün yerine, dakikalar içinde ölçülebilir geometri elinizde.

Bunun size ne verdiği konusunda net olalım: tasarım kararları için hızlı ve güvenilir mekân geometrisi: duvar konumları, boşluklar, tavan yükseklikleri, mekânın gerçek biçimi. Sözleşme gereği milimetre toleransı gereken bir mühendislik rölövesinin yerini tutmaz. Hangi aşamada hangisine ihtiyacınız olduğunu bilmek, işin ustalık kısmı.

Karar kıldığımız akış basit: mekânı yerinde tara. Taramayı temizle ve referans model olarak Rhino'ya al. Binanın 1980'lerden kalma çizimlerinin iddia ettiği hâline değil, gerçekte var olduğu hâline karşı tasarla. Sonraki her karar (yıkım kapsamı, mobilya yerleşimi, tesisat güzergâhı) o ilk yakalamanın doğruluğunu miras alır.

Bu akışı sonunda bir ürüne dönüştürdük: iPhone LiDAR tarayıcımız SpaceCraft, "önce tara" alışkanlığı faturalanabilir günler değil dakikalar tutsun diye var. Ama alışkanlık, araçtan daha önemli. Hangi tarayıcıyı kullanırsanız kullanın: önce gerçekliği yakalayın. Bina, çizimlerle girdiği her tartışmayı kazanır.

Hesap. Tasarım 4 dk
İş Akışımızı Değiştiren 10 Grasshopper Eklentisi

İş Akışımızı Değiştiren 10 Grasshopper Eklentisi

Grasshopper eklenti ekosistemi, bir avuç temel araçtan özelleşmiş bileşenlerden oluşan devasa bir ekosisteme sessizce evrildi. Geçtiğimiz yıl düzinelerce sürümü test ettikten sonra, çalışma şeklimizi kalıcı olarak değiştiren on tanesi.

Wallacei X, çok amaçlı optimizasyon için hâlâ vazgeçilmezimiz. Son güncelleme gerçek zamanlı Pareto cephesi görselleştirmesi ve harici Python hedefleriyle entegrasyon ekledi. Performans odaklı form bulma içeren her projede kullanıyoruz.

Telepathy, Andrew Heumann'ın kablosuz bağlantı bileşeni, yerini korumaya devam ediyor. Uzun kabloların yerine tanım içinde isimli göndericiler ve alıcılar koyuyor; birkaç yüz bileşeni aşan projelerde canvası okunur tutan da tam olarak bu.

Human UI 2.0, Grasshopper tanımlarımızı gerçek masaüstü uygulamalarına dönüştürdü. Müşterilerin Grasshopper'ın karmaşık arayüzünü görmeden doğrudan tasarım parametrelerini ayarlayabildiği panolar oluşturuyoruz.

Karamba3D 2.2 doğrusal olmayan yapısal analiz ekledi. Bu önemli çünkü gerçek binalar aşırı yükler altında doğrusal davranmaz. Artık burkulma analizi ve plastik mafsal oluşumu çalışmalarını doğrudan Grasshopper'da yapabiliyoruz.

Heteroptera, Metahopper, Elefront, Lunchbox, Pufferfish ve Anemone günlük araç setimizi tamamlıyor. Her biri veri yönetimi, geometri işleme ve iteratif iş akışlarındaki belirli sorunları çözüyor.

Grasshopper'ı yeri doldurulamaz kılan ekosistemdir. Dynamo ve yeni görsel programlama ortamlarından gelen rekabete rağmen, hiçbir platform topluluk tarafından inşa edilmiş bu araç derinliğine yaklaşamıyor.

Mimarlık 5 dk
Zaha Hadid CODE: Firmanın Hesaplamalı Departmanının İçinden

Zaha Hadid CODE: Firmanın Hesaplamalı Departmanının İçinden

Zaha Hadid Architects genellikle biçim dili üzerinden tartışılır, ama asıl hikâye hesaplamalıdır. Firmanın araştırma ve geliştirme grubu ZH CODE, o ünlü geometrileri inşa edilebilir kılan araçları geliştiren özel bir hesaplamalı tasarımcı ekibi çalıştırıyor.

ZH CODE'u benzersiz kılan yalnızca ölçek değil, entegrasyon. Çoğu firmada hesaplamalı ekip tasarımın yanında otururken, ZH CODE üyeleri birinci günden itibaren proje ekiplerinin içinde yer alıyor. Parametrik model sonradan rasyonelleştirme aracı değil; birincil tasarım ortamı.

Teknik yığınları öğretici: çekirdek platform olarak Rhino + Grasshopper, üstüne kapsamlı özel C# ve Python betikleri. Yapısal optimizasyon için Karamba3D ile kendi sonlu eleman araçlarını birlikte kullanıyorlar. Çevresel analiz, Ladybug Tools üzerine kurulmuş özel bir hattan geçiyor. Üretim rasyonelleştirmesinde panelizasyon için kendi kümeleme algoritmalarını çalıştırıyorlar.

Daha küçük stüdyolar için ders: ZH CODE bu ölçekte başlamadı. Belirli proje sorunlarını çözmek için script yazan bir avuç tasarımcıdan büyüdü. Araçlar yirmi yılda kapsamlı bir platforma dönüştü. Hesaplamalı yetenek proje proje inşa edilir, hazır satın alınmaz.

En ilginç bulduğumuz konu, kamuya açık anlattıkları makine öğrenmesi ilgisi: kendi proje arşivlerini (on yılları bulan yapılmış ve yapılmamış işleri) tasarım kararlarındaki kalıplar için tarıyorlar. Kendi ifadeleriyle amaç tasarımı otomatikleştirmek değil; tasarımcı benzer bir problemle karşılaştığında ilgili emsalleri önerebilen bir hesaplamalı hafıza kurmak.

Bizim ölçeğimizdeki firmalar için çıkarım açık: yazdığınız her script, geliştirdiğiniz her algoritma zamanla birikip değer kazanan bir varlık. Hesaplamalı kütüphanenizi bilinçli biçimde inşa edin.

Mimarlık 4 dk
SHoP Architects'in Dijital Pratiği: Küçük Stüdyolar İçin Dersler

SHoP Architects'in Dijital Pratiği: Küçük Stüdyolar İçin Dersler

SHoP Architects, dijital entegre pratiğin öncü temsilcilerinden biridir. Kendi üretim hatlarına sahipler, özel yazılım araçları geliştiriyorlar ve AR-GE çalışmalarından bağımsız teknoloji şirketleri çıkarmışlar. Küçük bir stüdyo için bu imkânsız derecede iddialı görünebilir. Ama altta yatan ilkeler gayet uygulanabilir.

Birinci ders: veri hattınıza sahip olun. SHoP'un rekabet avantajı tek bir araç değil, tasarımdan üretime kadar verinin kesintisiz akışıdır. Bizim ölçeğimizde bu, yazılımlar arasında manuel aktarım yapmak yerine Rhino, yapısal analiz ve üretim çıktısı arasındaki bağlantıları script ile otomatikleştirmek demektir. Grasshopper-Tekla köprüsüne harcanan bir öğleden sonra, birden çok projede haftalarca sürecek manuel koordinasyonu geri kazandırır.

İkinci ders: gerçek malzemelerle erken prototip yapın. SHoP, dijital modelleri tamamlamadan önce karmaşık montajların fiziksel prototiplerini üretmesiyle tanınır. Bunun için bir imalat atölyesine sahip olmanız gerekmez. Birleşim detaylarını 1:1 ölçekte test etmek için yerel CNC hizmetleri ve 3D baskı kullanıyoruz; maliyeti, inşaat sorununu şantiyede keşfetmenin yanında önemsiz kalıyor.

Üçüncü ders: her şeyi hesaplamalı olarak belgeleyin. SHoP sadece bina tasarlamaz; binaları tasarlayan süreçlerin kendisini tasarlar. Her proje yeniden kullanılabilir algoritmalar, üretim şablonları ve analiz iş akışları üretir. Biz de bu zihniyeti benimsedik: proje teslimatları yalnızca çizimleri ve modelleri değil, onları üreten Grasshopper tanımlarını ve betikleri de içerir.

Yüzlerce kişilik bir firma ile küçük bağımsız bir stüdyo arasındaki ölçek farkı gerçek, ama dijital yaklaşım rahatlıkla küçük ölçeğe uyarlanır. Veri hattıyla başlayın, script kütüphanenizi kurun, fiziksel prototip alın. Bu üç alışkanlık birbirini besleyerek birikir.

Fraktal Notları 4 dk
SpaceCraft v2: LiDAR Tarayıcımızı Yeniden Başlatmak Bize Ne Öğretti

SpaceCraft v2: LiDAR Tarayıcımızı Yeniden Başlatmak Bize Ne Öğretti

SpaceCraft bir soruyla başladı: ya mevcut bir odayı kayıt altına almak saatler yerine dakikalar sürse? Dürüst cevap iki deneme aldı. İlk versiyon aynı anda her şey olmaya çalıştı: meshing motoru, malzeme tanıyıcı, evrensel dışa aktarıcı. Demoda harikaydı, yayınlanacak kadar sağlam hiç olmadı. Biz de sıfırdan başlattık.

SpaceCraft v2 bilerek dar. Odaları Apple'ın LiDAR ve RoomPlan altyapısıyla yakalıyor, her şeyi cihaz üzerinde işliyor (bulut yok, hesap yok) ve mimarların ilk sırada gerçekten istediği şeyi dışa aktarıyor: USDZ oda modeli ve PDF kat planı; tarama ham mesh veya nokta bulutu yakaladığında OBJ ve PLY de var. Ürünün tamamı bu ve App Store'da ücretsiz çıkacak.

Doğruluk sorusu düz bir cevabı hak ediyor: duruma göre değişir. Cihaz, ışık, yüzey kalitesi ve ne kadar yavaş yürüdüğünüz sonucu oynatır. Oda yakalamaları tasarım kararları için (duvar konumları, boşluklar, tavan yükseklikleri) güvenilir biçimde yeterli; milimetre toleransının sözleşmeye bağlı olduğu bir mühendislik rölövesinin yerini tutmaz. Hangi aşamada hangisine ihtiyacınız olduğunu bilmek asıl iş akışı becerisi; ve bunu sahada keşfetmenizdense ürün sayfasında söylemeyi tercih ederiz.

İlginç problem, büyük ölçekte ne olduğu. Tarama oturumunu açık tutun, noktalar birikmeye devam eder: mesh iyileşmek yerine büyür. Çıkış sonrası sürümler için araştırdığımız yön, birikim yerine rafine etme: bölge düzeyinde güven ("bu köşe anlaşıldı, nokta eklemeyi bırak"), yeni gözlemlerin yüzeyin üstüne yığılmak yerine onu düzelttiği tekrar-ziyaret geçişleri ve sizi taramanın hâlâ eksik olduğu yöne yönlendiren kapsama-güdümlü uyarılar.

Reboot dersi tarayıcıların çok ötesine genelleniyor: yayınlanan dar bir araç, demosu iyi geniş bir prototipi döver. SpaceCraft şu anda App Store hazırlığında; yayını getspacecraft.app adresinden takip edebilirsiniz.

AI & Teknoloji 4 dk
AI Destekli Kat Planı Üretimi: 2026'da Neredeyiz

AI Destekli Kat Planı Üretimi: 2026'da Neredeyiz

AI kat planı üretimi alanı, ArchiGAN'ın 2019'da sinir ağlarının makul konut yerleşimleri üretebileceğini ilk göstermesinden bu yana çarpıcı biçimde değişti. Yedi yıl sonra teknoloji hem daha yetenekli hem de daha dürüst anlaşılıyor.

Bugünün en ileri yaklaşımı difüzyon modelleri; Stable Diffusion'ın arkasındaki mimarinin kat planı üretimine uyarlanmış hâli. Bu modeller temel mekânsal kısıtları karşılayan planlar üretebiliyor: odalar kapılarla bağlanıyor, koridorlar dolaşımı sağlıyor, ıslak hacimler tesisat şaftlarının çevresinde kümeleniyor. Görsel kalite etkileyici; mimari kalite ise hâlâ tartışmalı.

Temel zorluk şu: kat planı bir görüntü değil. Geometrik gömmeye sahip topolojik bir çizge; üstüne yapısal kısıtlar, mekanik-elektrik-tesisat güzergâhları, yangın kaçışı ve erişilebilirlik standartları biniyor. Mevcut modeller görsel deseni çok iyi öğreniyor ama mühendislik gerçeğinde zorlanıyor: makul görünen bir plan, altında kolon olmayan yere taşıyıcı duvar koyabiliyor ya da yangın kaçış genişliğini ihlal eden bir koridor çizebiliyor.

En umut verici yaklaşımlar AI üretimini kural tabanlı doğrulamayla birleştiriyor: aday yerleşimleri AI üretiyor, ardından yapısal yapılabilirliği, yönetmelik uygunluğunu ve mekânsal kalite metriklerini denetleyen bir kısıt karşılama motoru süzüyor. Mimara yalnızca tüm kontrolleri geçen planlar ulaşıyor. Kendi araçlarımız için araştırdığımız yön de bu; daha az seçenek üretiyor ama kalitesi çok daha yüksek.

Pratikteki mimar için tavsiye net: AI kat planı araçlarını erken aşama keşif için kullanın, üretim çizimi için değil. Tasarım olasılık uzayını genişletmekte, aklınıza gelmeyecek konfigürasyonları göstermekte çok iyiler. Ama AI üretimi her plan; yapılabilirlik, yönetmelik ve mekânsal kalite açısından profesyonel incelemeden geçmek zorunda. Araç bir başlangıç noktası, asla nihai cevap değil.

Mimarlık 4 dk
BIG ve Algoritma: Bjarke Ingels Group'ta Veri Odaklı Tasarım

BIG ve Algoritma: Bjarke Ingels Group'ta Veri Odaklı Tasarım

Bjarke Ingels Group, sanki başka türlü olamazmış gibi hissettiren, kaçınılmaz görünen binalarla ün kazandı. Daha az konuşulan şey, bu kaçınılmazlık hissinin ne kadarının hesaplamayla kurulduğu.

BIG'in tasarım süreci kendi deyimleriyle "bilgi mimarisi" ile başlıyor: herhangi bir form üretilmeden önce ölçülebilir her kısıtın tek bir parametrik modelde toplanması. Güneş açıları, rüzgâr desenleri, manzara koridorları, imar çekmeleri, program gereksinimleri ve dolaşım akışları veri katmanları olarak kodlanıyor. Tasarım, peçete eskizinden değil, bu kısıtların kesişiminden doğuyor.

Kopenhag'daki Mountain Dwellings projesi kanonik bir örnek. Kademeli konut birimleri biçimsel bir jest değil; üç eş zamanlı kısıtı birden eniyilemenin geometrik sonucu: her birim güney güneşi alıyor, her birim Öresund Boğazı'na bakıyor ve otopark hacmi kuzey tarafı dolduruyor. "Dağ" formu, üçünü aynı anda karşılayan tek biçim.

BIG'in ofislerine dağılmış hesaplamalı tasarım ekibi her proje için özel araç geliştiriyor: geometrik keşif için Grasshopper, çevresel analiz için özel Python betikleri, karmaşık çok amaçlı problemler için kendi optimizasyon algoritmaları. Ekip yapısı ZH CODE'a benziyor: konseptten inşaata kadar proje ekiplerinin içinde çalışıyorlar.

Daha küçük pratikler için ders: BIG, hesaplamanın parametrik formalizm anlamına gelmek zorunda olmadığını kanıtlıyor. Binaları "hesaplamalı" görünmüyor; sade, hatta apaçık görünüyor. Hesaplama görünmez; apaçık çözümün aynı zamanda optimal çözüm olduğunu kanıtlayan analizin içine gömülü. Bu güçlü bir model: hesaplamayı tasarım sezgisinin yerine koymak için değil, onu doğrulamak ve incelmek için kullanın.

AI & Teknoloji 4 dk
OpenAI o3-mini: Muhakeme Modelleri Mimarlık Pratiği İçin Ne Anlama Geliyor

OpenAI o3-mini: Muhakeme Modelleri Mimarlık Pratiği İçin Ne Anlama Geliyor

OpenAI, o3-mini'yi Ocak 2025'te yayınladı; aradan geçen bir yıla rağmen mimarlık camiası hâlâ dikkat etmeli. Kat planı ürettiği için değil, üretmiyor. Karmaşık çok kısıtlı problemleri, mimari analize doğrudan karşılık gelen biçimde muhakeme ettiği için.

o3-mini'yi stüdyo pratiğimizden üç gerçek problemde test ettik. Birincisi, imar uygunluk kontrolü: İstanbul'un ticari bölge imar yönetmeliğine göre, %60 taban alanlı 7 katlı karma kullanımlı bir bina otopark, çekilme ve emsal gereksinimlerini eş zamanlı karşılayabilir mi? o3-mini hesaplamayı doğru yürüttü ve ilk fizibilitede gözden kaçan emsal çatışmasını yakaladı.

İkincisi, yapısal sezgi testi: konut yüklemesiyle 12 metre serbest açıklıkta çelik, tutkallı ahşap ve betonarme için makul kiriş yüksekliği nedir? o3-mini, yayınlanmış ön boyutlandırma pratik kurallarına yakın aralıklar verdi.

Üçüncüsü, şartname yazımı: İstanbul iklim bölgesi gereksinimlerini karşılayan giydirme cephe ısı yalıtımlı cam üniteleri için teknik şartname üret. Çıktı şaşırtıcı derecede ayrıntılıydı; U-değeri hedeflerine ve uygun cam kaplamalarına doğru referans veriyordu.

Desen açık: muhakeme modelleri, alan bilgisini mantıksal çıkarımla birleştirmeyi gerektiren görevlerde başarılı. Mekânsal muhakeme, geometri manipülasyonu ve estetik yargıda zorlanıyorlar. Yaratıcı iş insanda kalıyor.

AI & Teknoloji 5 dk
Grasshopper Kod İnceleyicisi Olarak Claude: Ne İşe Yarıyor, Nerede Çuvallıyor

Grasshopper Kod İnceleyicisi Olarak Claude: Ne İşe Yarıyor, Nerede Çuvallıyor

Geçen yılın bir noktasında Claude, bu stüdyoda Grasshopper işlerinin nasıl gözden geçirildiğinin sessizce parçası oldu. Geometri üretmek için değil, eleştiri için. Stüdyo, projeler boyunca birikmiş bir tanım kütüphanesiyle dönüyor; bir tanım bozulduğunda ya da devredilmesi gerektiğinde, mantığını anlamak işin yavaş kısmı. Yorumlar az; değişken adlandırmanın ruh hâlleri var. İşi Claude'a yapıştırıp sorun bulmasını istemeye başladık.

İş akışı bilerek yalın. Bir tanım için onu yapılandırılmış metne çeviriyoruz (her bileşen, girdileri, çıktıları ve bağlantılarıyla) ve yapısal inceleme istiyoruz: kullanılmayan bileşenler, null referans riskleri, savurgan veri ağacı işlemleri, basitleştirme fırsatları. Python ve C# script bileşenlerinde kod doğrudan giriyor; bir şey değiştiğinde önceki ve sonraki versiyonlar birlikte.

Gerçek şeyler yakalıyor. Bir projede, Cull Pattern sonrasındaki Dispatch bileşenini gereksiz diye işaretledi: filtreleme, Dispatch'in ayıracağı veriyi zaten ayıklamıştı. Bir başkasında, Closest Point bileşenleri zincirini tek bir Pull Point işlemine indirmenizi önerdi; hız farkını hiç ölçmedik, ama canvas okunur hâle geldi; asıl kazanç da buydu. Değiştirilmiş hiçbir script bileşeni, iki versiyon fark incelemesinden geçmeden commit edilmiyor: off-by-one hataları, tür uyumsuzlukları ve null riskleri tutarlı biçimde yüzeye çıkıyor.

Başarısızlık kalıpları da aynı derecede tutarlı. Claude mekânsal akıl yürütmüyor: bir eğri ofsetinin kendisiyle kesişeceğini ya da bir boolean işleminin belirli bir girdide patlayacağını söyleyemez. Grasshopper'ı bir dataflow programı olarak okuyor (ki öyledir) ama canvas'ı hiç hissetmedi. Denemeye dayanan çalışma duruşu şu: onu bütün dokümantasyonu okumuş ama yazılımı bir kez bile açmamış, çok okumuş bir junior geliştirici gibi görün.

Kapanış için iki dürüst uyarı. Birincisi, inceleme ancak serileştirme kadar iyi: açıklanamayacak kadar dolaşık bir tanım, incelenemeyecek kadar da dolaşıktır; bu da inceleyiciden çok tanım hakkında bir şey söyler. İkincisi, bu bir ürün değil, alışkanlık: tanım başına on dakika, ve muhtemelen yetkin her model benzerini yapar. Bu inceleme döngüsünü Falcon AI'ın içine kurmayı araştırıyoruz; ama alttaki disiplin (isimli girdiler, dürüst hata yolları, kendini açıklayabilen tanımlar) stüdyonuzun bu hafta benimseyebileceği kısım, AI şart değil.