Генеративное проектирование: где взлетает, а где остаётся демо

Разбор задач, где перебор вариантов даёт результат: планировки, размещение оборудования, трассировка, каркасы. Что нужно на входе, сколько стоит подготовка и когда проще решить руками.

Красивая картинка из презентаций: алгоритм за ночь перебрал 40 тысяч вариантов планировки и выдал оптимальный. Красиво, местами правда, но между картинкой и рабочим применением лежит вопрос, который в презентациях не показывают: кто и как описал критерии оптимальности.

Генеративное проектирование это не «ИИ придумал за нас». Это перебор вариантов по заданным правилам с оценкой по заданной функции. Вся сложность в правилах и в функции. Разберём, где на этом получается результат, а где выходит дорогая игрушка.

Что это на самом деле такое

Разберём по частям.

Три составные части, без которых ничего не работает.

Параметры. Что алгоритм может менять: шаг колонн, положение перегородок, ориентацию блоков, диаметры участков.

Ограничения. Что нарушать нельзя: нормативные расстояния, минимальные площади, несущие оси, зоны обслуживания оборудования.

Целевая функция. Что считать лучшим: минимум длины трасс, максимум полезной площади, минимум стоимости конструкций, равномерность освещённости. Обычно несколько целей сразу, и тогда решается компромисс между ними.

Дальше алгоритм генерирует варианты и оценивает. Метод перебора вторичен: от простого перебора сетки до эволюционных алгоритмов. Качество результата определяется тем, насколько честно описаны ограничения.

Ключевой вывод, который экономит бюджет: если правила вашей задачи невозможно записать формально, генеративное проектирование к ней неприменимо. Никакая модель не угадает то, что даже словами не сформулировано.

Где действительно взлетает

Размещение однотипных объектов

Парковка, стеллажи на складе, посадочные места в офисе, оборудование в технологическом зале. Правила описываются легко: габариты, проходы, нормативные расстояния, зоны обслуживания. Целевая функция очевидна, уместить максимум, не нарушив ограничений. И вот тут интересно.

Здесь алгоритм выигрывает у человека. Задача чисто комбинаторная. На складе средней площади перебор находит компоновку на 8–12 процентов вместительнее той, что собирали руками, а это реальные деньги, посчитанные в квадратных метрах.

Трассировка сетей

Проложить трассу от точки А до точки Б по коридорам, обойдя зоны, где нельзя, с минимальной длиной и минимумом поворотов. Формальная задача, решается уверенно. Ограничение одно: работает, когда пространство уже определено. Есть модель, есть зоны, есть точки подключения. На стадии, когда планировка ещё плавает, толку мало.

Раскрой и подбор сечений

Оптимизировать раскладку листовых материалов, подобрать сечения элементов каркаса под нагрузки с минимальной массой. Классические оптимизационные задачи, к «ИИ» имеющие отношение косвенное, но работающие.

Варианты объёмно-планировочных решений на ранней стадии

Не финальная планировка. Быстрая прикидка: сколько секций влезает на участок при разных отступах, как меняется площадь квартир при разной глубине корпуса. Числа понятные. Результат тоже скромный: не готовый проект, а таблица вариантов для разговора с заказчиком.

Где остаётся демо

А теперь про обещания из презентаций.

«Оптимальная планировка квартиры»

Причина проста: критерий «удобно жить» не записывается формально. Алгоритм оптимизирует то, что ему задали: площадь, длину коридоров, количество окон, и выдаёт планировку, которая по числам лучше, а по ощущениям хуже. Спорить с ним бессмысленно, он выполнил ровно то, что попросили, и в этом вся проблема подхода к жилью.

Плюс нормативы. Инсоляция, эвакуация, требования к помещениям без окон. Их можно частично формализовать, но проверка вариантов на соответствие занимает больше времени, чем сама генерация.

Применимо в узком коридоре: типовое жильё с повторяющимися секциями, где правила уже отработаны и записаны. Для индивидуальных объектов, нет.

Генерация фасадов и форм

Красивее всего выглядит в презентациях. И меньше всего применяется. Формальных критериев красоты не существует, а конструктивные ограничения обычно сводят фантазию алгоритма к тому, что и так собирались строить.

«Полностью автоматический проект»

Между генерацией геометрии и проектом лежат разделы, согласования, нормоконтроль, экспертиза и ответственность конкретного человека под подписью. Ни одна из этих частей не автоматизируется генеративными методами, и дело здесь не в зрелости технологии: подпись под проектом ставит человек, который отвечает за решение перед законом, и переложить это на перебор вариантов нельзя ни при каком качестве алгоритма.

Что нужно на входе

Здесь начинается неприятная правда о стоимости.

Чтобы алгоритм перебирал варианты, кто-то должен формализовать правила. Это работа опытного проектировщика вместе с тем, кто пишет скрипт. Неделя-две на первую задачу, если правила простые. Месяц, если в них есть нормативные тонкости.

Дальше нужна проверка. Сгенерированные варианты кто-то должен отсмотреть. Алгоритм честно найдёт лазейку в описании ограничений: поставит оборудование так, что формально проход есть, а дверь шкафа не откроется.

Поэтому окупается генеративное проектирование в двух случаях. Первый: задача повторяется на многих объектах, тогда затраты на формализацию делятся на десяток проектов. Второй: цена ошибки высока, а вариантов много, склад, паркинг, технологическое размещение.

Разовая задача на одном объекте почти всегда решается быстрее руками.

Без вариантов.

Как начать, если хочется попробовать

Точно не с планировок.

Возьмите узкую задачу, которая у вас повторяется, и где результат измеряется числом.

Пример из практики: расстановка светильников по помещению с равномерной освещённостью и привязкой к сетке потолка. Правила формализуются за день, скрипт пишется за два, экономия, по часу на каждом помещении, а помещений в проекте сотни.

Дальше можно двигаться к трассировке и компоновке. Ключ не в том, чтобы «внедрить генеративное проектирование», а в том, чтобы решить конкретную задачу, у которой есть числовой критерий.

Как выбирать такие задачи и считать эффект, разбирали отдельно. дорожная карта внедрения AI в проектной компании. А про то, где языковые модели уже дают результат в повседневной работе, есть честная карта задач с примерами и цифрами.