Son yıllarda en hızlı rotayı bulmamıza yardımcı olan, ne dinleyeceğimizi veya izleyeceğimizi, nerede yemek yiyeceğimizi öneren, otonom arabaları süren, zeminlerimizi temizlemek için robotları kontrol eden, sosyal medyadaki arkadaşlarımızı kategorize eden ve hatta bazen en uygun partneri bulmamıza bile yardımcı olan yapay zeka teknolojisi, kaçınılmaz olarak günlük hayatımızın bir parçası haline gelmiştir. Tarihsel süreçte, yapay zekanın ilk filizleri 1950 ile 1960 arasında ortaya çıkmış, 1956’da IBM, ilk yapay zeka yazılımı olan bir satranç programını geliştirmiştir (1). 1960 yılında geliştirilen ve üzerinde çalışılmaya devam edilen Bulanık Mantık (Fuzzy Logic) tekniği, makine öğrenmesinin ve dolayısıyla yapay zekanın çekirdeğini oluşturmaktadır. Satranç oyununda yapay zeka “insanüstü” seviyeye ulaşmış ve 1997’de küresel sıralamada en üstteki oyuncu olan Garri Kasparov’u mağlup etmiştir. Daha güncel ve çok daha etkileyici bir mihenk taşı ise Google DeepMind’ın 2017’de Go oyununda Lee Sedol’u yenmesidir. Go oyunu 5000 yıllık bir geçmişe sahiptir ve evrendeki atomlardan daha fazla oyun varyasyonu olan dünyanın en zor masa oyunudur. Dolayısıyla Kasparov’u yenen olasılık hesaplama yöntemi bu oyun için yeterli olmamış ve derin öğrenme gibi teknikler üzerinden algoritma geliştirilmiştir. Halen çok farklı teknikler ile yapay zeka algoritmaları büyük bir ivmeyle geliştirilmeye devam etmektedir.

Yapay zekanın sınıflandırması zamanla değişse bile (2),  çoğu çalışmada, üç tür yapay zeka tanımında fikir birliği bulunmaktadır; ilki, belirli bir işi başarmak için kodlanmış olan “Yapay Dar Zeka”dır. İkincisi, insan bilincinin yerini alan ”Yapay Genel Zeka”dır. Sonuncusu ve varsayımsal olanı, makinelerin insan zekâsının ve bilişsel yeteneklerinin kapasitesini aştığı “Yapay Süper Zeka”dır. Bu metin kapsamında “Yapay Dar Zeka” ile metinden görüntü oluşturma yönteminin aracılığıyla, farklı zamanlarda ortaya çıkmış mimari akımların füzyonu irdelenmektedir. Öncelikle yapay zeka ile metinden görüntü oluşturmanın mantığını kavramak için ana terminoloji ve yöntemler açıklanmaktadır. Daha sonra yapay zekanın mimarlık disiplininde kullanım alanlarına değinilip, son olarak Midjourney platformu kullanılarak Le Corbusier yapıları ile parametrik mimarlığın anakronik birleşimi elde edilmektedir (3). 

Makine öğrenmesi (Machine Learning); bilgisayarlara, deneyimlerden otomatik olarak öğrenme ve programlanmadan gelişme kapasitesi sağlayan bir yapay zeka uygulamasıdır. Makine öğrenimini kullanan algoritmalar verileri inceleyebilir, kalıpları tanıyabilir ve tahminler üretebilir. Bu algoritmaların öğrenme ve yeni veri kümelerine uyum sağlama yoluyla sürekli olarak büyümesi amaçlanmaktadır.

Derin Öğrenme (Deep Learning); makine öğrenmesinin bir alt kümesidir. Algoritmaların veri işleme yoluyla öğrenmesini sağlamak için yapay sinir ağları kullanılmaktadır. Derin öğrenme, algoritmaya sunulan veri kümesinin yapısı veya çeşitliliği ne olursa olsun karmaşık sorunların çözümünü sağlamaktadır (4). Bu durumda öğrenme, sürekli bir geri besleme döngüsüne dayalı olarak sistem operasyonlarını değiştirerek gerçekleşmektedir. Sistem her doğru eylemi ödüllendirir ve her yanlışı cezalandırır. Böylelikle algoritma, ödülü en üst düzeye çıkarmak için etkinliklerini değiştirmeye çalışır.

Doğal Dil İşleme (Natural Language Processing); algoritmaların insan dilini okumasını, anlamasını ve çoğaltmasını sağlayan yapay zekanın bir alt alanıdır. Çoğu sesli asistan doğal dil işlemeyi kullanmaktadır. DDİ, yapılandırılmamış dilsel verileri bilgisayarların yorumlayabileceği bir biçime dönüştürmek için akıllı algoritmalar kullanır (5). Bu yöntemle algoritmaya girilen sözcüklerden oluşan anlam algılanmaya çalışılır. 

Bilgisayarlı Görü (Computer Vision); olarak bilinen bilgisayar bilimi dalı, makinelerin resim ve videoların içeriğini “görebilmesi” ve anlayabilmesi için insanın görsel sistemini taklit etmeyi amaçlamaktadır. Derin öğrenme gelişmeleri, bilgisayarlı görü alanının erken döneminde oluşan engellerin üstesinden gelinmesini sağlamıştır. Makineler, nesne algılama ve etiketlemeyi sağlayan bilgisayarlarla görüntülerdeki nesneleri tanıyabilmektedir (6). Sürücüsüz arabaları mümkün kılan çok önemli bir unsur bilgisayarlı görüdür. Bu yöntemle otonom arabaların diğer arabaları, işaretleri, yayaları ve şerit işaretlerini görebilmeleri ve güvenli bir şekilde herhangi bir engelle karşılaşmadan ilerlemeleri sağlanmaktadır. Google Fotoğraflar’daki otomatik etiketleme işlevi, bilgisayarlı görünün bir başka kayda değer kullanımıdır. Bu özelliği kullanarak fotoğraflar albümler halinde düzenlenebilir ve içeriğe göre sıralanabilir.

Metinden Görüntüye Üretim (Text-to-Image Generation); anahtar kelimeler veya deyimler gibi insan tarafından yazılan metinsel açıklamaları, metinle karşılaştırılabilir anlamsal bir kurguya sahip görsellere dönüştüren bilgisayar yaklaşımlarını ifade etmektedir. Resim sınıflandırma gibi görevlerde, bir resmin içeriği, sınıflandırılacak belirgin bir öğeyle birlikte genellikle karmaşık değildir. Bilgisayarların karmaşık senaryoları kavramasını istenirse, sorun çok daha zor hale gelmektedir (4). Günümüzde çeşitli sayısal platformlarda karmaşık senaryoları görsele dönüştüren “bot”lar bulunmaktadır. Bilişim terminolojisinde çevrimiçi ortamda özelleşmiş bir amaç için bir görev yapan algoritmalara “bot” adı verilmektedir. Görüntüyü tanıyıp sınıflandırabilme yetisine sahip botlar makine öğrenimi alanındaki yeni başarılardan biridir. Ancak görüntülerin “halüsinasyonu” çok daha yakın zamanda ortaya çıkan bir olgudur. 2015 yılında, Alexander Mordvintsev adlı bir Google mühendisi, ters yönde bir sinir ağı işlevi yapmanın mümkün olduğu konusunda çığır açan bir keşif yapmıştır. Yapay zeka sadece görüntüleri tanımakla sınırlı değil, artık halüsinasyon da görebilmektedir. Mordvintsev yarattığı halüsinasyonlar nedeniyle sanat camiasında önemli bir infial yaratan “DeepDream” olarak bilinen bilgisayarlı görü programını tanıtmıştır. Örneğin, bir DeepDream sinir ağını kediler üzerinde eğitirseniz, her şeyde kediyle ilgili kalıplar bulacaktır. Bu, bir yağlıboya tabloda bir astronotun kucağına kedi oturtmak gibi veya Picasso tablolarından oluşan bir veri kümesi üzerinde eğitilmiş bir sinir ağı aracılığıyla bir görüntüyü okumak gibi stil aktarımı olasılığını da önünü açmıştır.

Bu konuda kayda değer bir atılım, 2014 yılında bilgisayar bilimcisi Ian Goodfellow’un “Üretken Çekişmeli Ağlar” (Generative Adverserial Networks) ile gerçekleşmiştir (7-8). Bunlar, iki sinir ağı arasındaki rekabete dayanmaktadır. Birincisi, üreteç, görüntüleri üretirken, ikincisi, tasnifçi, bu görüntüleri bir eğitim veri kümesiyle birlikte değerlendirmektedir. Bu, bir sanat eleştirmenini bir eserin gerçek olduğuna ikna etmeye çalışan bir sanat sahtekarıyla benzeştirilebilir. Tasnifçi, kaliteleri veri kümesindeki görüntülerin kalitesine eşit olana kadar çıktı görüntülerini reddetmeye devam etmektedir. Eğitimden sonra tasnifçi kaldırılabilecek ve üreteç ikna edici görüntüler üretmeye devam edecektir. 

Difüzyon Modelleme (Diffusion Modelling) görüntü üretimi için bu makalenin yazıldığı sırada en yeni ve verimli teknik olarak kabul görmektedir (9). Bu teknik temel olarak eski televizyonlardaki parazit (noise) gibi tarif edebileceğimiz bir görüntüye dayanmaktadır. Parazitten oluşan görüntü geliştirilerek daha az parazitli görüntüler elde edilmeye çalışılır. Nihai görüntü girdi olarak verilen tanımlamalara ne kadar çok uyarsa süreç o kadar başarılıdır (Resim 1). Dall-E ve Midjourney gibi metinden görüntüye oluşturma botlarının çoğu, difüzyon modellemesini kullanır. Özetle üretken çekişmeli ağlar birçok imajdan oluşan bir veri tabanına benzemeye çalışırken, difüzyon modelleme, kaostan gelişerek veri tabanına uygun bir yaratım elde etmeye çalışır. Bu sebeple, ÜÇA tarafından üretilen imajların çok dünyalı olduğu, difüzyon modellemesiyle üretilen görsellerin çok daha yaratıcı ve sanatsal olduğu yorumlanabilir. Teknik açıdan bakmak gerekirse, donanımsal olarak büyük miktarda veri setini işleyebilme yeteneğiyle ve makine öğrenmesi algoritmalarının geliştirilmesiyle, yapay zekanın görsel olarak hayal kurması sağlanmıştır. Difüzyon modelleme teknolojisi ve açık kaynaklı metinden görüntüye dönüştürmenin kullanılması, tasarımcılar ve sanatçılar için ilham ve konsept anlayışına yeni tanımlar getirecek ve daha geniş perspektiflerin kapılarını açacaktır.

Yapay Zeka ve Mimarlık

Bilgisayarların mimaride kullanımı onlarca yıldır uygulanıyor olsa da (10), yapay zekanın mimaride kullanımı uzun süre teoride kalmıştır. Mesleğin karmaşıklığı nedeniyle mimari, yapay zeka uygulamaları için önemli bir araştırma alanıdır. Yapı endüstrisinde yapay zekanın en önemli kullanım alanı performans optimizasyonudur. Örnek olarak, mimaride yapay zekanın kullanılmasıyla, bir binanın boyutu, konumu, yönü, morfolojisi ve cephe düzeni optimize edilerek daha iyi termal performans elde edilebilir (11-12). Strüktürel olarak verimli bir başka yapay zeka tekniği ise “Topoloji Optimizasyonu”dur (Topology Optimisation). TO, sistemin yapısal performansını en üst düzeye çıkarmak için belirli bir tasarım alanı, belirli bir yük, sınır koşulları ve kısıtlamalar dahilinde malzeme yerleşimini optimize eden bir yöntemdir (13). Akustik optimizasyon, mimaride yapay zekanın kullanıldığı bir başka hesaplamalı tasarım yöntemidir. Bunun en önemli örneği, Herzog de Meuron tarafından tasarlanan Hamburg’daki Elbphilharmonie’dir. Yapının ana salonunun yüzeylerinde maksimum akustik etki elde etmek adına, birbirine geçen, dalgalı yapboz parçaları gibi sıralanan 10.000 akustik panelin her biri için benzersiz bir şekil oluşturan algoritmalar kullanılmıştır (14).

Yapay zeka yapı tasarımı ve inşası ile sınırlı değildir. Akıllı binalar, çevresel değişkenleri izlemek için yeni yapay zeka sistemlerinin geliştirilmesinin bir sonucu olarak çoğalmaktadır. Akıllı binalarda ortam koşullarına yanıt vermek ve çevresel performanslarını en üst düzeye çıkarmak için sensörlere, işlemcilere ve aktüatörlere dayanan sistemlerle enerji tasarrufu sağlanmaktadır. Sıcaklık ve nemi düzenlemek, ses seviyelerini izlemek ve su kalitesini değerlendirmek için akıllı binalarda yapay zeka kullanılmaktadır (15). Bu nedenle “çevresel zeka” (environmental intelligence) ek bir yapay zeka kategorisi olarak düşünülebilir.

Mimari Halüsinasyonlar

Mimaride doğrudan inşa öncesi, süreci ve sonrasında kullanılan yapay zeka uygulamalarının yanı sıra bu teknolojinin mimarinin tasarım alanını genişleten sanatsal denemelerde de kullanılmaya başlandığını söylemek mümkündür. 2017’de yapay zeka tarafından oluşturulan sanat eserlerinin ilk sergisi ve 2018’de ilk müzayedesi düzenlenmiştir. Yapay zeks ile üretilen, mimarlık ve sanat alanlarını birleştiren en başat ve etkili örneklerini sergileyen figürlerden biri, genellikle “yapay zeka sanatçısı” veya “veri heykeltıraşı” olarak atfedilen, yapay zekayı görüntü ve video halüsinasyonları için kullanan Refik Anadol’dur. Çalışmalarını sıklıkla yapıların iç veya dış cephelerine yansıtan Anadol, yansıtılan görüntünün algoritmalarını da bir kentin fotoğrafları gibi mimari kaynaklarla beslemektedir([16). 2018 yılında Los Angeles Filarmoni Orkestrası’nın 100. yıl dönümü için hazırlanan enstalasyonda Frank Gehry tarafından tasarlanan Walt Disney Konser Salonu’nun dışına yansıtılan halüsinasyonları oluşturmak için makine öğrenme algoritmaları kullanılmıştır (Resim 2). Anadol ve ekibi, dünya çapında ses getiren bu izdüşüm gönderiminde (projection mapping) Blade Runner filmindeki Rachael karakterinin kendisini keşfettiği sahneden ilham almıştır. Los Angeles’ın en işlek kamusal alanlarının birinde bu fütürist deneyimi elde etmek için 42 projektör yapıya “bilinç” kazandırmak ve halüsinasyon görmesini sağlamak üzere orkestranın 100 yıl öncesine dayanan 45 terabaytlık imaj, video, ses kaydı gibi dijitalleştirilmiş arşivlerinden yararlanılmıştır (17). Böylesine önemli bir mimari başyapıta bu kadar büyük bir veri heykelinin 50 K çözünürlüğünde yansıtılması, yapay zekanın mimarlık dünyasına girişinde teknolojik görsel bir eşik olarak algılanmaktadır.

Le Corbusier ve Parametrisizm 

Modern mimarlığın en önemli temsilcisi olan Le Corbusier “ev yaşamak için bir makinedir” demiştir. Bu işlevsel düşünce biçimi yapısal çevrenin şekillenmesinde büyük bir etki yaratmış ve geleceğe yön vermiştir. Le Corbusier dönemindeki makine ve mimarlık ilişkisi günümüzde Parametrisizm ile özdeşleştirilebilir. Makine işleyişindeki mantık gibi Parametrisizm’de de tasarımı şekillendiren algoritmaya girilen parametrelerdir. Günümüzde mimari tasarım alanında giderek daha fazla yararlanılmaya çalışılan algoritmik yaklaşımın yapısal çevrede yarattığı etkilerinin gelecekte daha fazla deneyimleneceği söylenebilir. Yapay zekanın tasarımda kullanılması ise algoritmik yaklaşımın bir üst safhasıdır. Le Corbusier’nin deyimiyle “makineci teknik” (18) ve “makine çağı medeniyeti” (19) günümüzde evirilerek, gerek form bulmada gerek optimizasyonda yerini makine öğrenmesi algoritmalarına bırakmaktadır. Yapay zekanın tasarım alanında kullanımının en güncel ve görsel olarak en etkileyici yöntemi ise “metinden görüntüye üretim”dir. Le Corbusier’nin yapıtlarını bu yeni görselleştirme yöntemleri kullanılarak çağdaş mimari akımlar çerçevesinde yeniden üretebilmek üzere, Midjourney arayüzünde “parametrik mimarlık” ve “Le Corbusier binası” terimleri komut olarak girilmiştir.

Güncel olarak metinden görüntüye üretimin en etkileyici yöntemlerinden olan Midjourney botuna çevrimiçi iletişim platformu olan Discord aracılığıyla erişilebilmektedir. Platformda yeni bir kullanıcı 25 adet görsel üretim hakkına sahiptir. Farklı ticari yöntemlerle bu sayı çoğaltılabilmekte ve sınırsız kullanım veya gizlilik gibi çok çeşitli özellikler elde edilebilmektedir. Kullanıcı, “/imagine” komutuyla başlayarak elde etmek istediği görseli metin olarak girmektedir. İstenilen komutun algoritmaya tanımlanmasıyla 4 adet görsel elde edilmekte ve oluşan bu çalışma “işler” (jobs) veya “GPU dakikaları” olarak tanımlanmaktadır. Midjourney botu zaman içinde değişmekte, kullanıcıların geri bildirimleriyle her makine öğrenimi algoritmaları gibi kendini geliştirmesi sonucunda, bota girilen aynı komutlarla farklı görsel çıktılar elde edilebilmektedir. Arayüzde oluşturulan görselin altında iki sıra bulunmaktadır: Üst sırada, seçilen görüntünün detayını ve çözünürlüğünü yükseltmek için U1 (sol üst), U2 (sağ üst), U3 (sol alt) ve U4 (sağ alt) olmak üzere dört düğme bulunmakta, alt sırada yine aynı sıralamayla V1, V2, V3 ve V4 düğmeleri ise, seçilen görüntünün varyasyonlarını oluşturmaya olanak tanımaktadır (Resim 3).

Midjourney botunda bir görsel oluşturmaya çalışılırken genellikle ilk girilen komutlar istenilen sonucu vermemektedir. Elde edilmek istenen görüntüye ulaşmanın en etkin ve kontrollü yolu, komutların çok net bir şekilde tanımlanmasıdır.  Bunun yanında botun sunduğu varyasyonlar arasında seçim yapılıp, istenilen görüntüye yaklaşan imajların seçilmesiyle çalışmaya yön verilebilir. Varyantlar oluşturulurken, seçilen görüntüye kompozisyon, şekil ve imge açısından benzeyen dört yeni görsel daha üretilmesiyle imgesel yönelim kontrol edilmektedir. 

Çalışmaya Midjourney botuna “Parametrik mimari stilinde Le Corbusier binası” komutu verilerek başlanmıştır (Resim 4). Elde edilen görseller incelendiğinde, dört görselde de ortogonal ve renkleriyle “De Stijl” akımına gönderme yapan doğramalar ile bunların etrafında şekillenen kütlelerde eğrisel formların dengeli bir çekişmesi gözlenmektedir. Hiçbir görsel Le Corbusier’nin eserlerine doğrudan benzemese de her bir görselde mimarın kimi çalışmalarından nüanslar sezilebilmektedir. Birinci ve ikinci görselde Ronchamp Şapelinin çan kulesi, ikinci görselde Chandigarh Meclis Sarayın yarı açık mekanları ve Unite d’Habitation bloğunun çatısındaki havuz, üçüncü görselde mimarın birçok iki katlı “villa”sından izler gibi imgeler fark edilebilmektedir. Oluşan görselin bir tanesinde çok ilginç bir oluşum göze çarpmaktadır; bota komutlar girilirken hiçbir şekilde bir imzadan bahsedilmediği halde, dördüncü görselde mimarın imzasına benzeyen bir imge belirmektedir. Bu durumunun algoritmanın beslendiği birçok görseldeki imza nedeniyle şekillendiği düşünülebilir. Bu çalışmada elde edilmek istenilen görsel etki dikkate alındığında bir numaralı görselin iç mekandan alınmış bir sahne olduğu, iki ve dört numaralı görselde ise yapının tamamı algılanamadığı için, üç numaralı görselin varyasyonlarının oluşturulması yoluna gidilmiştir. 

Resim 4 üzerinden türemiş yeni oluşan görüntüler ise Resim 5’teki gibidir. Bu görseller incelendiğinde yapıların nihai formunun daha çok belirginleştiği, kütle hareketlerinin daha iyi okunduğu ve duvar yüzeylerinin üzerinde brüt beton dokusunun var olduğu gözlenmektedir. Dört varyasyon içerisinden mekan kurgusu ve kütle niteliği bakımından dördüncü görsel (sağ alt) üzerinden çeşitlenmeye gidilmesi tercih edilmiştir. Ayrıca geçirgen zemin kat, yatay pencereler, kütlesel algının Le Corbusier’nin yapıtlarındaki gibi netliği ve parametrisizm akımındaki akışkan formların niteliği bu seçime etki eden diğer faktörlerdir.

Resim 6’daki dört görselde artık kütlesel kompozisyonun temel olarak sabitlendiği, cephe elemanları ve açıklıkların çeşitli varyasyonları gözlemlenmektedir. Birinci, üçüncü ve dördüncü görsellerde sol taraftaki yüksek kütlelerin cephelerinde homojen prizmatik formlar gözlemlenmekteyken, ikinci görselde ise aynı noktada çok daha amorf formlar içeren bir kütle plastiği bulunmaktadır. Seçilen ikinci görselin çözünürlüğü ve detayı yükseltildiğinde (upscale) elde edilen görsel Resim 7’deki gibidir. Yükseltilmiş görselde dokuların daha detaylı, ışık ve gölgelerle tariflenmiş hacimlerin okunur, cephedeki açıklıklar ve yırtıklarda Le Corbusier’nin kübist tablolarını andıran biçimlenmeler olduğu fark edilebilir.

Sonuç ve Değerlendirmeler

Yapay zeka tarafından üretilen bir yapıt sanat mıdır? Eserin hak sahibi kimdir? Bu sorular gibi temel çatışmalar önümüzdeki süreçte tasarım ve sanat disiplinini çokça meşgul edecektir. Metinden görüntüye üretim algoritmaları kullanılarak, özellikle konsept geliştirilmesi alanında tasarımcıların yararlanabileceği yeni bir araç geliştirilmiştir. Sanatsal üslupla ilgili olarak, Midjourney, kendi türünde başka araçların sahip olmadığı özelliklere sahiptir. Arayüze girilen komutlarla ne istendiği, neyin istenmediği, hangi stilde görsel oluşturulması gerektiği, kadraj oranları, soyutlama ölçeği gibi birçok farklı parametreler tanımlanabilmektedir. Böylelikle hedefe yönelik farklı görseller oluşturulabilmektedir. 

Programın verdiği sonsuz olasılık dünyasında bu çalışmanın sorgulamalarına koşut olarak yukarıda değinildiği gibi modern mimarinin önde gelen temsilcilerinden Le Corbusier’nin geometrik olarak saf ve keskin mimari eserleriyle, günümüzün en etkili ve geleceğe yön verici mimari akımı olan Parametrisizm birleştirilerek anakronik bir füzyon oluşturulmuştur. Yapay zeka temel olarak, ortogonal formlar ile eğrisel formlar gibi birbirine görsel olarak zıt iki olguyu dengeleyerek, kütlesel algıya uygun etkileyici kompozisyonlar üretebilmektedir.

Bu yenilikçi “metinden görüntüye dönüştürme” yöntemi, tasarım sürecinin konsept aşamasında yaratıcılığı teşvik etmek için çok güçlü bir potansiyele sahiptir. Yapay zeka botlarıyla yaklaşık olarak birkaç dakikada elde edilen konsept çizimlerini, konvansiyonel bilgisayar destekli tasarım yöntemleriyle geliştirmek çok daha fazla zaman ve iş gücü alacaktır. Metinden görsele üretim yöntemiyle, özellikle henüz görsel bir dil geliştirmemiş mimarlık ofislerinde kararsız müşterilerin figüratif olarak ne isteyip ne istemediği çok daha hızlı ve etkin bir şekilde ortaya çıkarılabilir. Aynı şekilde mimarlık öğrencileri de bu yöntemle, projelerinin konsept aşamasında stüdyo yürütücülerine çok çeşitli örnekler sunabilir.

Mimari yenilik, tarih boyunca, Anadolu’daki Göbeklitepe’den Kaliforniya’daki Apple Kampüsü’ne kadar mevcut olan teknolojiden en iyi şekilde yararlanmakla ilgili olmuştur. İnsan gereksinimleri ve teknoloji ilerlemeye devam ederken, yapay zeka, insanın mimari başarılarını bir sonraki seviyeye taşımaya hazırlanmaktadır. Telgraf makinesi geliştirildiğinde atlı kuryelerin işsiz kalacağından şikayet edilse de telgraf teknisyenleri ve telgraf operatörleri gibi yeni ve nitelikli iş dalları ortaya çıkmıştır. Dolayısıyla içinde bulunduğumuz yüzyılda yapay zekâ, konsept imaj üretimi işlerini elimizden alacak diye şikâyet etmek yerine, üniversitelerin mimarlık, sanat ve tasarım bölümlerinde “üretken komut yazarlığı” gibi dersler açılmalıdır. 

Kaynaklar

1. A. M. Pierce, A Concise Bibliography of the Literature on Artificial Intelligence: Project 4610, Task 46104, vol. 59, no. 773. Communication Sciences Laboratory, Electronics Research Directorate, Air …, 1959.
2. D. Marr, “Artificial intelligence—A personal view,” Artif Intell, vol. 9, no. 1, pp. 37–48, 1977, doi: https://doi.org/10.1016/0004-3702(77)90013-3.
3. “Midjourney.” https://www.midjourney.com/home/ (accessed Sep. 03, 2022).
4. X. He and L. Deng, “Deep Learning for Image-to-Text Generation: A Technical Overview,” IEEE Signal Process Mag, vol. 34, no. 6, pp. 109–116, 2017, doi: 10.1109/MSP.2017.2741510.
5. P. M. Nadkarni, L. Ohno-Machado, and W. W. Chapman, “Natural language processing: An introduction,” Journal of the American Medical Informatics Association, vol. 18, no. 5. pp. 544–551, Sep. 2011. doi: 10.1136/amiajnl-2011-000464.
6. J. Brownlee, Deep learning for computer vision: image classification, object detection, and face recognition in python. Machine Learning Mastery, 2019.
7. I. J. Goodfellow et al., “Generative adversarial nets,” Adv Neural Inf Process Syst, vol. 3, no. January, pp. 2672–2680, 2014, doi: 10.3156/jsoft.29.5_177_2.
8. H. Zhang, I. Goodfellow, D. Metaxas, and A. Odena, “Self-Attention Generative Adversarial Networks.” [Online]. Available: https://github.com/
9. P. Dhariwal and A. Nichol, “Diffusion Models Beat GANs on Image Synthesis,” in 35th Conference on Neural Information Processing Systems, 2021, pp. 1–15.
10. S. A. Coons, “Computer, Art & Architecture,” Art Education, vol. 19, no. 5, pp. 9–12, May 1966, doi: 10.1080/00043125.1966.11652693.
11. T. Wortmann and T. Schroepfer, “From optimization to performance-informed design,” Simulation Series, vol. 51, no. 8, pp. 261–268, 2019.
12. M. L. Castro Pena, A. Carballal, N. Rodríguez-Fernández, I. Santos, and J. Romero, “Artificial intelligence applied to conceptual design. A review of its use in architecture,” Automation in Construction, vol. 124. Elsevier B.V., Apr. 01, 2021. doi: 10.1016/j.autcon.2021.103550.
13. T. Lewinski, S. Czarnecki, G. Dzierzanowski, and T. Sokól, “Topology optimization in structural mechanics,” Bulletin of the Polish Academy of Sciences: Technical Sciences, vol. 61, no. 1, pp. 23–37, Mar. 2013, doi: 10.2478/bpasts-2013-0002.
14. B. S. Koren and T. Müller, “Digital Fabrication Of Non-Standard Sound-Diffusing Panels In The Large Hall Of The Elbphilharmonie,” in Fabricate 2017, A. Menges, B. Sheil, R. Glynn, and M. Skavara, Eds. UCL Press, 2017, pp. 122–128. [Online]. Available: https://www.jstor.org/stable/j.ctt1n7qkg7.20
15. N. Leach, Architecture in the Age of Artificial Intelligence: An Introduction to AI for Architects. Bloomsbury, 2022.
16. R. Anadol, “Space in the Mind of a Machine: Immersive Narratives,” Architectural Design, vol. 92, no. 3, pp. 28–37, May 2022, doi: https://doi.org/10.1002/ad.2810.
17. “WDCH Dreams – Refik Anadol.” https://refikanadol.com/works/wdch-dreams/ (accessed Aug. 21, 2022).
18. Le Corbusier, “Makineci Medeniyetin Umudu: Konut,” in Le Corbusier, Kendi Penceresinde Bir Adam / Seçme Yazılar 1925-1960, 1st ed., B. Uzma, Ed. İstanbul: Kırmızı Kedi, 1938, pp. 92–101.
19. Le Corbusier, My Work. London: Architectural Press, 1960.