به گزارش سرویس ترجمه خبرگزاری ایمنا، شرکتهای معماری امروز با فشار فزایندهای برای تحویل پروژههای شهری با سرعت بیشتر، بودجه محدودتر، مقررات پیچیدهتر و انتظارات بالاتر کارفرمایان روبهرو هستند. مدل سنتی که بر پایه تخصصگرایی، نظارت دستی و مسئولیتهای بخشبندیشده استوار است، دانش حیاتی (همچون ضوابط ارتفاع، عقبنشینی، تراکم، دسترسی معلولان، ایمنی و پهنهبندی) را در اختیار چند معمار ارشد متمرکز میکند. این ساختار موجب میشود فشار کار بر دوش گروه کوچکی باقی بماند و در غیاب آنها، روند تصمیمگیری با توقف یا ارجاع به مشاوران بیرونی همراه شود که هزینه و زمان را افزایش میدهد. از سوی دیگر شکاف میان الزامات پروژههای امروزی و توانایی مدل سنتی، دیگر اندک نیست، بلکه ساختاری شده است.
هوش مصنوعی بهعنوان زیرساخت عملیاتی
هوش مصنوعی اختصاصی معماری از یک ابزار حاشیهای به زیرساخت عملیاتی تبدیل شده است. پلتفرمهایی همچون «ایچی پلن» امکان خواندن اسناد ساختمانی، ارجاع خودکار به مقررات ملی و محلی (همچون ضوابط طرح تفصیلی) و بازگرداندن پاسخهای مستند در عرض چند دقیقه را دارند. این سکوها به جای نقش یک موتور جستوجو، بهعنوان «شریک فکری تیم» عمل گ و به معمار در ارائه قضاوت حرفهای کمک میکنند.
در پروژههای شهری، این قابلیت پیامد مستقیم دارد. برای مثال سیستمی که الزامات حفاظت در برابر حریق را بازبینی میکند، ظرف پنج دقیقه تأیید میکند که نصب دمپرهای حریق الزامی نیست. این خروجی مستند میتواند به صرفهجویی ۲۵۰هزار دلاری منجر شود. هنگامی که این الگو در برابر دهها پرسش مقرراتی در چرخه حیات یک پروژه شهری تعمیم پیدا کند، تأثیر تجمعی آن به بازتعریف نحوه سازماندهی و تحویل کار منجر میشود.
گذار از مدل نیروی کار به مدل اهرمی دانش
در پروژههای شهری، حجم چشمگیری از تکرار شامل پژوهش ضوابط تفصیلی، بررسی تراکم، کنترل کیفیت نقشهها، تطابق با استانداردهای دسترسی و ایمنی وجود دارد. با استفاده از «جریانهای کاری عاملمحور»، این فرایندها به توالیهای نیمهخودکار تبدیل میشوند. سیستم بازبینی اولیه (شناسایی ناهماهنگیها و ثبت نواقص) را انجام میدهد و معماران برای تصمیمهای نهایی وارد میشوند. در نتیجه، بازبینی فهرست برگههای یک مجموعه نقشه ۵۰۰ برگی که ۶ ساعت وقت میگرفت به کمتر از یک ساعت کاهش پیدا میکند. در این مدل جدید، ارزش خلقشده دیگر نه بر حسب ساعت کار، بلکه بر پایه اثربخشی دسترسی، کاربست و اشتراک دانش در سراسر پروژه سنجیده میشود.
دانش نهادی بهعنوان دارایی استراتژیک
در مدل سنتی، دانش نهادی در گفتوگوها و حافظه افراد باقی میماند و با جایگیری در یک نظام اشتراکی، به یک دارایی عملیاتی تبدیل میشود. تیمهای طراحی شهری میتوانند مرور کنند که مسائل مشابه در پروژههای پیشین چگونه حل شده است (برای مثال تفسیر یک بند خاص از ضوابط پارکینگ). در یک دفتر معماری، پرسشهای مرتبط با ضوابط شهری که نیاز به مشاور خارجی داشت، بهصورت داخلی با هزینه کمتر و سازگاری بیشتر پاسخ داده شد. کاهش بازخوردهای منفی از سوی کمیسیونهای مربوط، کاهش تعداد بازارسالها و افزایش کنترل تیم بر بازههای زمانی از نتایج این رویکرد است.
آنچه در حال دگرگونی است، نهتنها ورود ابزارهای نوین، بلکه بازتعریف نحوه سازماندهی کار محسوب میشود. شرکتهایی که دهه آینده را در معماری شهری پیشتاز خواهند بود، آنهایی نیستند که هوش مصنوعی را به حاشیه رویه خود افزودهاند، بلکه آنهایی هستند که ساختار جریان دانش را در سراسر چرخه حیات پروژه از مطالعات امکانسنجی و تحلیل ضوابط منطقهبندی تا اسناد مناقصه و نظارت بر ساخت بازطراحی کردهاند. در این رویکرد، وظایف تکراری خودکار میشوند و معمار به نقش اصلی خود یعنی تفسیر محدودیتهای شهری، ترکیب اطلاعات چندلایه و تصمیمگیری برای شکل دادن به محیط ساختهشده بازمیگردد. عمل معماری به کارگیری راهبردی دانش، پشتیبانی شده توسط نظامهایی که آن دانش را در تمام مراحل جاری و انباشته میسازند، تبدیل خواهد شد.
بر اساس جدیدترین گزارشهای بینالمللی، دو نمونه واقعی و قابل استناد از کاربرد هوش مصنوعی در پروژههای شهری در شهر لسآنجلس آمریکا و بمبئی هند دیده میشود. در لسآنجلس پس از آتشسوزی ویرانگر ژانویه ۲۰۲۵ که بیش از ۱۶ هزار سازه را نابود کرد، معماران و شهروندان از سکوی هوشمند Archistar AI PreCheck برای تسریع بازسازی استفاده کردند. این سیستم با خواندن خودکار مقررات شهرسازی و آتشنشانی، نقشهها را در لحظه بازبینی و مشکلات قابل اصلاح را پیش از ارسال به شهرداری شناسایی میکند. بر اساس گزارش رسمی دفتر شهردار لسآنجلس، این فناوری زمان تصویب مجوزهای ساختمانی را بهشدت کاهش داده و فرایند بازبینی مجدد را به حداقل رسانده است.
در شهر بمبئی نیز یک شرکت توسعهدهنده بزرگ با همکاری یک شرکت برنامهریزی بر پایه هوش مصنوعی موفق شد در یک پروژه مسکونی بزرگ، سطح زیربنای ساختهشده را حدود ۲۰ درصد کاهش دهد. این بهینهسازی از طریق بازطراحی هوشمند پارکینگ و کاهش عمق گودبرداری انجام شد که به گزارش پایگاه Homes & Buildings، نهتنها هزینه ساخت (کاهش مصرف بتن و فولاد) بلکه انتشار کربن ناشی از ساخت را نیز پایین آورد. هر دو مثال نشان میدهند که هوش مصنوعی با تبدیل دانش مقرراتی به یک دارایی عملیاتی، هم زمان بازدهی پروژههای شهری را افزایش و هزینههای مستقیم و زیستمحیطی را کاهش میدهد.
نظر شما