EN TR

Blog

Mimarlık, AI ve hesaplamalı tasarımın kesişiminden seçilmiş notlar.

Sektör haberleri, araç incelemeleri ve Fraktal stüdyo notları.

14 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
AI & Teknoloji 4 min
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 red edilecek 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 min
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 min
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
2026'da İş Akışımızı Değiştiren 10 Grasshopper Eklentisi

2026'da İş Akışımızı Değiştiren 10 Grasshopper Eklentisi

Grasshopper eklenti ekosistemi, bir avuç temel araçtan özelleştirilmiş bileşenlerin devasa bir peyzajına sessizce evrildi. Bu yıl düzinelerce yeni 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, en heyecanlı olduğumuz yeni gelen. Farklı makinelerde çalışan Grasshopper örnekleri arasında canlı veri bağlantıları oluşturuyor ve dağıtık parametrik iş akışlarını mümkün kılıyor.

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 formal dili için tartışılır, ama asıl hikaye hesaplamalıdır. ZH CODE, firmanın araştırma ve geliştirme grubu, o ünlü geometrileri inşa edilebilir kılan araçları geliştiren özel bir hesaplamalı tasarımcı ekibi çalıştırıyor.

ZH CODE'u benzersiz kılan yalnızca ölçek değil entegrasyondur. Çoğu firmada hesaplamalı ekip tasarımın yanında otururken, ZH CODE üyeleri birinci günden proje ekiplerine gömülür. Parametrik model bir post-rasyonalizasyon aracı değil; birincil tasarım ortamıdır.

Teknik yığınları öğretici: çekirdek platform olarak Rhino + Grasshopper, kapsamlı özel C# ve Python scriptleri ile. Yapısal optimizasyon için Karamba3D ve tescilli sonlu eleman araçları kombinasyonu kullanıyorlar. Çevresel analiz Ladybug Tools üzerine kurulmuş özel bir hat üzerinden çalışıyor.

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

En ilginç bulduğumuz şey son makine öğrenmesi yatırımları. ZH CODE, kendi proje arşivi (on yılları bulan yapılmış ve yapılmamış işler) üzerinde sinir ağları eğitiyor; amaç tasarım karar verme süreçlerindeki kalıpları belirlemek.

Bizim ölçeğimizdeki firmalar için çıkarım açık: yazdığınız her script, geliştirdiğiniz her algoritma, zamanla birleşen bir varlık. Hesaplamalı kütüphanenizi kasıtlı olarak 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 doğurmuşlar. 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.

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.

Üçüncü ders: her şeyi hesaplamalı olarak belgeleyin. SHoP sadece bina tasarlamaz; binaları tasarlayan süreçlerin kendisini tasarlar. Biz de bu zihniyeti benimsedik: proje teslimatları yalnızca çizimleri ve modelleri değil, onları üreten Grasshopper tanımlarını ve scriptleri de içerir.

Yüzlerce kişilik bir firma ile 5 kişilik stüdyo arasındaki ölçek farkı gerçek, ama dijital yaklaşım rahatlıkla küçük ölçeğe uyarlanır.

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 peyzajı, ArchiGAN'ın sinir ağlarının makul konut yerleşim planları üretebileceğini ilk gösterdiğinden bu yana dramatik şekilde değişti.

Mevcut en ileri teknikler difüzyon modellerini kullanıyor. Bu modeller temel mekânsal kısıtlamaları karşılayan kat planları üretebiliyor. Görsel kalite etkileyici, ancak mimari kalite hâlâ sorgulanabilir.

Temel zorluk, bir kat planının bir görüntü olmamasıdır. Geometrik gömme, yapısal kısıtlamalar ve erişilebilirlik standartlarına sahip topolojik bir grafik.

En umut verici yaklaşımlar AI üretimini kural tabanlı doğrulama ile birleştiriyor. Archly.ai için inşa ettiğimiz sistem gibi, AI kullanarak aday yerleşimler üretiyor, sonra kısıt karşılama motorundan geçiriyor.

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, kaçınılmaz hissettiren çarpıcı binalarla bir ün inşa etti. Daha az tartışılan şey, bu kaçınılmazlığın ne kadarının hesaplamalı olarak inşa edildiğidir.

BIG'in tasarım süreci "bilgi mimarisi" ile başlıyor: her kısıtlamayı parametrik modelde birleştirmek. Güneş açıları, rüzgâr desenleri, manzara koridorları, imar çekilmeleri veri katmanları olarak kodlanıyor.

Kopenhag'daki Mountain Dwellings projesi kanonik bir örnek. Kademelenen konut birimleri formal bir jest değil; üç eş zamanlı kısıtlamanın optimize etmenin geometrik sonucu.

Daha küçük pratikler için ders: BIG hesaplamanın parametrik formalizm anlamına gelmek zorunda olmadığını kanıtlıyor. Hesaplama görünmez, açık çözümün aynı zamanda optimal çözüm olduğunu kanıtlayan analizin içine gömülü.

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, Ocak 2026'da o3-mini'yi yayınladı ve mimarlık camiası dikkat etmeli. Kat planı üretmediği için değil. Karmaşık çok kısıtlı problemleri mimari analize doğrudan eşlediği şekillerde 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 yaparak, ekibimizin ilk fizibilite sırasında kaçırdığı emsal çatışmasını tespit etti.

İkincisi, yapısal sezgi testi: konut yüklemesi ile 12 metre serbest açıklık verilmiş şekilde çelik, ahşap ve betonarme için makul kiriş yüksekliği nedir? o3-mini, yapısal mühendisimizin ön boyutlandırmasıyla %10 içerisinde eşleşen aralıklar sağladı.

Desen açık: muhakeme modelleri, alan bilgisini mantıksal çıkarımla birleştirmeyi gerektiren görevlerde başarılı. Mekânsal muhakeme ve estetik yargılarda zorlanıyorlar.

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.