Cognitive Assemblages
Thesis project by Alessandro Mintrone - advisor: Alessio Erioli - Thesis project done @ Università di Bologna - 2020
Thesis project by Alessandro Mintrone - advisor: Alessio Erioli - Thesis project done @ Università di Bologna - 2020
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
COGNITIVE
ASSEMBLAGES
Sharpening machine sensibility for architectural design
of spatial assemblages through Wave Function
Collapse and Reinforcement Learning
COGNITIVE
ASSEMBLAGES
Sharpening machine sensibility for architectural design of spatial
assemblages through Wave Function Collapse and Reinforcement
Learning
Tesi di laurea in Architettura e
Composizione architettonica
Corso di laurea in Ingegneria
Edile-Architettura
Scuola di Ingegneria e Architettura
Alma Mater Studiorium
Università di Bologna
aa 2019/2020
Relatore: Alessio Erioli
Candidato: Alessandro Mintrone
A Francesca
Indice
Abstract
09
Reinforcement
Learning
64
Premessa
11
1. Cognizione e ambiente
2. Esperienza
3. Intelligenze
66
68
69
Reti Neurali
1. Metafore
2. Modelli
3. Storia
4. Stato dell’arte
14
16
18
19
20
Input visivo
Qualità spaziali
Training
Assemblaggi
Discreti
72
74
82
104
Wave Function
Collapse
24
1. Spazi discreti
2. Elementi discreti
3. Saper vedere
l’architettura
106
108
109
1. Introduzione
2. Logica computazionale
3. Regole di connessione
Aggregazione
Tile sets
26
28
30
32
36
Parti
Mappe
Assemblaggi
Case study
Conclusioni
112
114
120
134
160
Bibliografia
167
Abstract
Questa ricerca esplora le conseguenze del paradigma
emergente dalla connessione di una cognizione artificiale
all’interno del processo progettuale, nel tentativo di far trascendere
alla macchina il mero ruolo di strumento passivo
o di imitazione del pensiero umano. Sfruttando tecniche di
Deep Reinforcement Learning, un’Artificial Neural Network
(ANN) in seguito ad un processo di training compie scelte
locali, assemblando elementi discreti e strutturando un’organizzazione
spaziale su scala architettonica. Selezionando
come features, quantità capaci di descrivere alcune qualità
spaziali come direzionalità, densità e connettività, il sistema
può apprendere la correlazione tra le sue azioni e i risultati
ottenuti, affinando così la sua sensibilità per la comprensione
spaziale.
Implementando in Unity3D un algoritmo di constraint
solving denominato Wave Function Collapse, che posiziona
parti discrete in una griglia seguendo regole di possibile
adiacenza, l’ANN impara a posizionare tali elementi in
modo da massimizzare una funzione di reward. Le reward
fornite sono intese come una serie di stimoli che rinforzano
e sviluppano una cognizione che acquisisce la capacità di
strutturare uno spazio di possibilità progettuali. Una volta
fornito il set di elementi discreti e le qualità spaziali correlate
a una funzione di reward, l’agent è in grado di imparare a
perseguire obiettivi diversi utilizzando differenti set di ele-
Cognitive Assemblages
9
menti, pur mantenendo la stessa struttura che reagisce a
questo flusso di stimoli imparando una serie di comportamenti
da cui può emergere una vasta classe di condizioni
spaziali.
La qualità intrinseca di una ANN è la capacità di strutturare
uno spazio rappresentativo, non solo approssimando una
correlazione tra input e output, ma anche rappresentando
vettorialmente lo spazio delle possibili configurazioni. Questa
ricerca tenta di definire un paradigma in cui questo processo
cognitivo non è negato o limitato ad un problema
chiuso, ma connettendo il designer e la macchina in un ciclo
di feedback, sfuma la distinzione tra l’autore e lo strumento
ed esplora le conseguenze di una cognizione che trascende
i limiti dell’umano e del macchinico.
10
Premessa
Questa tesi è una ricerca che muove dal riconoscimento dei
limiti del paradigma che vuole la cognizione umana come
autonoma e sufficiente a se stessa, nell’atto di concepire e
creare. Passa per l’idea che ogni processo di cognizione, sia
una rete di cognizioni, che estende e modifica i percorsi della
nostra mente, in cui l’atto della concezione è non-locale,
distribuito, e non può dirsi appartenente in via esclusiva a
nessuna delle singole parti. Questa tesi è volta ad esplorare
il territorio aperto dalla domanda:
In alto.
Andrea Vesalio, Cervello, 1543
È possibile inserire, nella rete di decisioni del processo
progettuale, cognizioni non-umane sufficientemente
complesse da assumere in parte la responsabilità della
creazione, per generare spazi, luoghi e ogni altro esito
che è possibile chiamare architettura?
Evitando la tentazione di ridurre questa domanda ad un
problema che ammette una risposta definitiva, si è cercato
invece di seguirne le aperture, le linee di fuga che da essa
si dipartono, per ridefinire i confini della nostra idea di architettura,
individuando quattro linee di indagine:
1. Strumenti. Nel primo capitolo si analizzeranno le qualità
specifiche delle reti neurali, spiegando perché e in che
modo possono inserirsi attivamente in un processo creativo
Cognitive Assemblages
11
A lato.
Manus, installazione robotica di
Medeline Gannon, al World Economic
Forum
2. Assemblaggi. Nel secondo capitolo si esplorerà la generazione
iterativa di assemblaggi discreti, definendo un
paradigma basato su un processo bottom-up di definizione
di regole locali di aggregazione con conseguenze al livello
dell’organizzazione globale.
3. Cognizioni. Nel terzo capitolo, si indagherà la possibilità
di far emergere capacità cognitive di ordine complesso,
dall’interazione con l’ambiente. Una Neural Network verrà
addestrata tramite il Reinforcement Learning a generare
condizioni spaziali diversificate tramite la selezione di elmenti
discreti da posizionare nell’assemblaggio. Questo
processo di apprendimento sarà guidato da una serie di descrittori
quantitativi, utilizzati sia per caratterizzare le qualità
spaziali dell’assemblaggio, sia come stimoli per la generazione
di nuove configurazioni.
12
A lato.
Distributed Robotic Assembly,
ICD di Stoccarda, 2018
In basso e a lato.
Esempio di ecosistema robotico
che sfrutta una cognizione condivisa
per organizzare il processo
costruttivo.
4. Luoghi. Nel capitolo finale, vengono indagate le qualità
generate da uno specifico set di elementi discreti, speculando
sulla possibilità di analisi spaziale, in un contesto in cui le
possibilità da vagliare crescono esponenzialmente e, infine,
analizzando il momento nodale del dialogo del sistema con
una design agency umana esterna.
Cognitive Assemblages
13
Reti Neurali
I propose to consider the question: ‘Can machines think?’ This should
begin withdefinitions of the meaning of the terms “machine” and “think.”
Alan Turing
Reti Neurali
16
Artificiali
A sinistra.
Machine Hallucinations, installazione
audiovisiva dell’artista
Refik Anadol.
In alto.
Perceptron, ideato da Frank
Rosenblatt, fu uno dei primi esempi
di rete neurale artificiale applicata
alla visione artificiale.
1. Metafore. La storia delle reti neurali nasce da una metafora,
l’idea che per poter crearqualcosa che possegga delle
capacità cognitive umane, si debba replicare substrato che
gnerea queste cognizioni, una rete di neuroni. In questo
senso uno dei primi esperimenti riusciti fu quello del perceptron,
ideato nel 1958 da Rosenblatt, connetteva uno strato di
recettori con uno strato di output, ponendo nel mezzo una
rete di conessioni pesate, analogamente alla rete di connessioni
sinaptiche nel cervello. Il sistema si dimostrò capace
di apprendere funzioni di classificazione attraverso un processo
di apprendimento che andava a modificare i pesi dei
collegamenti. I limiti erano chiari, un’architettura basata solo
su output, input e un sistema di pesi, era capace di approssimare
solo funzioni lineari, al contempo i limiti tecnologici
dell’epoca consentivano una complessità computazionale
che limitava il sistema a problemi estremamente semplici.
Nondimeno, l’idea di base, che si possa costruire un sistema
basato sull’apprendimento, costituito da una rete densa di
elementi le cui connessioni posseggono pesi che, opportunamente
adattati, sono capaci di approssimare una funzione
continua.
Cognitive Assemblages
17
Reti Neurali
2. Modelli. Le reti neurali attualmente in uso aggiungono
a questa logica, un’ ulteriore qualità o, meglio, un’ulteriore
dimensione, la profondità. Esse infatti sono costituite da una
matrice di input e una di output connesse ad un numero
variabile di strati intermedi, tali strati sono detti hidden layers
e consentono alla rete neurale di approssimare non solo
funzioni lineari, ma qualsiasi funzione continua.
Appare evidente come, al crescere del numero di neuroni
e layers la quantità di connessioni e dunque di pesi da calcolare,
cresca esponenzialmente. Per questa ragione, i limiti
computazionali, solo recentemente superati, hanno sempre
reso impraticabile questa stada per l’intelligenza artificiale.
A partire dal modello di base detto feedforward network,
sono stati sviluppati una gran quantità di diversi modelli, che
appartengono tutti alla classe delle reti neurali. Per quanto
diversi, questi modelli mantengono i due tratti definiti originariamente,
la rete di connessioni e un sistema di rappresentazione
interno della conoscenza, costituito da una serie
di pesi che vengono definiti durante la fase di training.
Anche se lo spettro delle architetture utilizzabili va espandendosi
velocemente, i modelli più semplici, basati su un
solo hidden layer o addirittura privi, coesistono per specifici
compiti accanto alle architeture più complesse andando a
determinare una vera e propria ecologia di sistemi.
A sinistra.
Schema di una rete neurale con
un singolo hidden layer
In alto.
Immagine del perceptron
18
A destra.
Diagramma di classificazione dell’
AI, il Deep Learning è un sottoinsieme
specifico del Machine
Learning. Ian Goodfellow
In alto.
Alan Turing
3. Storia. Riprendendo la tassonomia operata da Ian Goodfellow
nel suo testo Deep Learning. Il campo dell’intelligenza
artificiale, può essere suddiviso in sistemi basti sulla
conoscenza e sistemi che apprendono questa conoscenza,
all’nternodi questi ultimi, vi è una classe di sistemi capace di
dar forma anche alla rapprensentazione di detta conoscenza,
questi sistemi organizzano le informazioni in uno spazio
vettoriale di rappresentazione interna, andando a costruire
un modello non dato in partenza delle informazioni ricevute.
Di questa classe di sistemi, fanno parte i sistemi utilizzati
per gli scopi di questa ricerca, definiti di Deep Learning.
L’idea di apprendimento automatico, in una forma sufficientemente
simile a quella attuale è riconducibile all’architettura
del Pandemonium ideata da Oliver Selfridge nel 1959. Per
cercare invece il punto d’origine del problema della definzione
dell’intelligenza nelle macchine è necessario tornare
ad Alan Turing e al suo articolo del 1950 Computing machinery
and intelligence, dove propose per caratterizzare
l’intelligenza il test che prenderà poi il suo nome. Questo
test è basato sulla capacità di un’ intelligenza artificiale di
ingannare un interlocutore e rendersi indistinguibile da un
essere umano, sebbene assuma troppo ingenuamente una
certa innocenza del linguaggio nel veicolare le informazioni,
stabilisce un criterio importante: è intelligente ciò che è capace
di causare fenoeni che richiedono intelligenza.
Cognitive Assemblages
19
Intelligenze
1. Stato dell’ arte. Lo stato attuale delle applicazioni di intelligenza
artificiale basate sulle Neural Network è frammentario.
Caratterizzato da un insieme di tecniche e modelli che
si sono rivelati estremamente efficaci in alcuni ambiti, che
convivono con altre aree in cui l’applicazione è incerta o in
fase embrionale.
Oltre ai successi ottenuti con la manipolazione del linguaggio
(NLP) e delle serie temporali di dati in generale, e lo
sviluppo del Reinforcement Learning come piattaforma per
l’interazione con l’ambiente e lo sviluppo di comportamenti
e capacità decisionali, tematica che verrà approfondita nel
terzo capitolo, una delle applicazioni più di successo riguarda
la possibilità di manipolare immagini.
In basso.
DeepGreen, progetto di EcoLogic
Studio, anche attraverso un GAN
genera immagini alternative di
città in cui è modificata la quantità
e la conformazione del verde.
Reti Neurali
20
A destra
Edmond de Belamy, quadro
generato da una rete neurale
nel 2018, venduto all’asta per
$432.500.
In questo contesto, la possibilità di manipolare qualità complesse
dell’immagine che come contenuto, texture, contorni
e colori, come di estarre informazioni complesse ha stimolato
numerose applicazioni.
Il rapporto di intima interdipendeza che la società occidentale
del XXI secolo ha raggiunto, rende la capacità di intervenire
su qualità complesse al tempo stesso familiare e
sconcertante, sconcertante nella misura in cui sembra segnalare
un’intezione e una capacità cognitiva che attribuiamo
agli esseri intelligenti.
Al contempo è necessario considerare che la capacità generativa
di questi modelli è limtata all’estrazione di qualità
ricorrenti nel dataset utilizzato per il training. La capacità
Cognitive Assemblages
21
A sinistra.
Immagine generata da uno style-
GAN, parte del progetto this person
does not exist
Reti Neurali
di esplorare lo spazio di queste qualità o di utilizzarlo per
colmare dei vuoti di informazione (come ad esempio delle
immagini mancanti in un video, o delle immagini a bassa
risoluzione), rappresenta la forza e il limite di questo approggio
generativo. Esso è capace di scavare a fondo nelle
zone intermedie fra gli esempi proposti, generando anche
condizioni inimmaginate e sorprendenti, ma senza mai porsi
su un piano diverso dai dati del training, senza mai dare
cioè luogo ad una vera condizione emergente.
Questa creatività per interpolazione, ha generato un estetica
del verosimile, di ciò che ha superato i limiti dell’irreale pu
senza essere parte della realtà.
A destra.
Artificial Botany, installazine video
realizzata da *Fuse, genera
illustrazioni botaniche di piante
immaginare.
22
Cognitive Assemblages
23
Wave Function Collapse
“There are only multiplicities of multiplicities forming a single assemblage,
operating in the same assemblage: packs in masses and masses in packs.”
Gilles Deleuze, Felix Guattari
Wave Function Collapse
26
Assemblaggi discreti
1. Intoduzione. Il Wave Function Collapse Algorithm è
un algoritmo di constraint solving, che posiziona elementi
discreti denominati tiles, in una griglia predeterminata, rispettando
regole di adiacenza.
Lavorando con elementi discreti, indipendentemente dal
contenuto, l’algoritmo si dimostra un’ ottima piattafoorma
su cui implementare una generazione spaziale autonoma,
passare dal continuo delle possibili configurazioni spaziali
locali a un insieme finito di parti, connessioni e loro permutazioni.
Al contempo, il poter lavorare in uno spazio discretizzato,
con un insieme finito di scelte possibili, è funzionale
all’inserimento di una cognizione artificiale nel processo, attraverso
l’implementazione di una ANN, semplificando i dati
in ingresso e gli output richiesti, è possibile incrementare,
viceversa, la complessità dei comportamenti sviluppati.
2. Logica computazionale. Il processo parte da una griglia
vuota e indifferenziata, posizionato il primo elemento
discreto nella griglia, per ogni punto confinante, viene
aggiornata la lista dei tiles che è possibile inserire secondo
le regole di adiacenza del tile posizionato. Al contempo,
viene aggiornato il valore della funzione entropia che
misura il grado di incertezza, in ogni punto, sui tiles che è
possibile inserire. In specie viene utilizzata la funzione nota
come Entropia di Shannon. Nella successiva iterazione, viene
Cognitive Assemblages
27
selezionato il punto con l’entropia minore, cioè il punto in
cui la certezza sul tile da posizionare è massima, tale logica
è implementata per massimizzare le possibilità di riuscire a
costituire un aggregato coerente.
Se durante l’aggiornamento delle tiles possibili non rimane
più nessun elemento posizionabile nel punto, l’algoritmo
cade in contraddizione e l’aggregazione risulta fallita. (Gumin
2016; Heaton 2018).
Le regole di connessione possono essere definite in due
modi:
A sinistra
Esempio di Overlapping model
basato su un esempio fornito
all’algoritmo.
A sinistra.
Esempio aggregazione, i pizel
ancoa non definiti vengono visualizzati
come una sovrapposizione
di stati possibili.
Wave Function Collapse
28
Entropy Analysys
A destra.
Diagramma generale di funzionamento
dell’algoritmo di Wave
Funcion Collapse
Collapsing
Point Selection
In basso.
Esempio di Simple Tiled model,
in cu vengono fornite le tiles e le
relative regole di connessione.
Possible Tiles
[0, 1, 1, 0, ..., 1, 0]
Contraddiction
Tiles Selection
Diffusion
Overlapping model: Le regole sono derivare da un esempio
fornito all’algoritmo, in questo caso le connessioni per essere
devono essere presenti nell’input.
Cognitive Assemblages
Simple Tiled model: In questo caso, le regole di connessione
vengono fornite direttamente al sistema.
29
Regole di connessione
Analisi combinatoria
Singole tiles
4 tiles piene e una contenente
il vuoto
Permutazioni
Ogni tile può avere un numero
variabile di permutazioni dipendente
dalla propria simmetria
Connessioni
Esempi di connessioni consentite
fra tiles o loro permutazioni
Contraddizioni
Due aggregazioni fallite a causa
di una contraddizione
Aggregazioni
Aggregazione estesa delle tiles.
Wave Function Collapse
30
Regole di connessione
Analisi combinatoria
A destra
Diagramma delle connessioni di
un set di tiles di esempio, i lati
segnati in rosso appartengono
alla tipologia A e necessitano di
connettersi a lati della medesima
tipologia, i restanti lati, di tipologia
B, possono connettersi fra
loro o con tiles vuoti.
Tile Singolo
Permutazioni del tile iniziale
Tiles compatibili
Cognitive Assemblages
31
Aggregazione
Diffusione dell’informazione
Wave Function Collapse
Diffusione dell’informazione
Set di tiles
32
Cognitive Assemblages
33
Tile Set 01
Bidimensionale
Wave Function Collapse
34
Cognitive Assemblages
35
Tile Set 01A
Bidimensionale Ortogonale
In basso.
Set di tiles bidimensionali, con
solo le direzioni ortogonali alla
griglia, connessi lungo l’asse centrale.
Wave Function Collapse
36
Cognitive Assemblages
37
Tile Set 01B
Bidimensionale Diagonale
In basso.
Set di tiles bidimensionali, con direzioni
ortogonali e diagonali rispetto
alla griglia, connessi lungo
l’asse centrale.
Wave Function Collapse
38
Cognitive Assemblages
39
Tile Set 02
Tridimensionale direzionale
Wave Function Collapse
40
Cognitive Assemblages
41
Tile Set 02
Tridimensionale direzionale
In basso.
Set di tiles basato su facce planari,
permutate nelle tre direzioni
principali e lungo i due possibli
orientamenti dei piani. Le connessioni,
avvengono lungo l’asse
principale.
Wave Function Collapse
42
Cognitive Assemblages
43
Tile Set 02
Tridimensionale direzionale
In basso.
Set di tiles basato su facce planari,
permutate nelle tre direzioni
principali e lungo i due possibli
orientamenti dei piani. Le connessioni,
avvengono lungo l’asse
principale.
Wave Function Collapse
44
Cognitive Assemblages
45
Tile Set 03
Tridimensionale scatolare
Wave Function Collapse
46
Cognitive Assemblages
47
Tile Set 03
Tridimensionale scatolare
In basso.
Set di tiles basato sulle facce del
cubo, permutate nelle tre direzioni
principali. Le connessioni,
avvengono lungo il bordo delle
facce, o direttamente fra faccia
e faccia.
Wave Function Collapse
48
Cognitive Assemblages
49
Tile Set 03
Tridimensionale scatolare
In basso.
Set di tiles basato sulle facce del
cubo, permutate nelle tre direzioni
principali. Le connessioni,
avvengono lungo il bordo delle
facce, o direttamente fra faccia
e faccia.
Wave Function Collapse
50
Cognitive Assemblages
51
Tile Set 04
Tridimensionale cubico
Wave Function Collapse
52
Cognitive Assemblages
53
Tile Set 04
Tridimensionale cubico
In basso.
Set di tiles basato celle cubiche,
permutate mantenendo i due
solai paralleli lungo il loro piano.
Le connessioni, avvengono lungo
gli spigooli el cubo.
Wave Function Collapse
54
Cognitive Assemblages
55
Tile Set 04
Tridimensionale cubico
In basso.
Set di tiles basato celle cubiche,
permutate mantenendo i due
solai paralleli lungo il loro piano.
Le connessioni, avvengono lungo
gli spigooli el cubo.
Wave Function Collapse
56
Cognitive Assemblages
57
Tile Set 05
Tridimensionale planare
Wave Function Collapse
58
Cognitive Assemblages
59
Tile Set 05
Tridimensionale planare
In basso.
Set di tiles basato su facce planari,
permutate mantenendo i
solai paralleli lungo il loro piano.
Le connessioni, avvengono lungo
gli spigooli delle facce.
Wave Function Collapse
60
Cognitive Assemblages
61
Tile Set 05
Tridimensionale planare
In basso.
Set di tiles basato su facce planari,
permutate mantenendo i
solai paralleli lungo il loro piano.
Le connessioni, avvengono lungo
gli spigooli delle facce.
Wave Function Collapse
62
Cognitive Assemblages
63
Reinforcement Learning
“Sometimes it seems as though each new step towards AI, rather than
producing something which everyone agrees is real intelligence, merely
reveals what real intelligence is not.”
Douglas Hofstadter
Reinforcement Learning
66
Rewards
1. Cognizione e ambiente. Il Reinforcement Learning si
distingue dalle altre tipologie di Machine Learning basate
su un’insieme di esempi definiti a priori. Nell’ RL alla neural
Network è richiesto di derminare l’azione successiva che il
sistema deve compiere, andando a modificare l’ambiente in
cui è situata, è questo stesso ambiente che andrà a costituire
le osservazioni, l’esperienza da cui imparare.
In questo caso, è dunque l’algoritmo stesso di Machine
Learning a determinare, tramite le sua scelte, l’insieme di
esempi che consentono il training. Le capacità cognitive risultanti,
risultano funzione tanto del sistema di intelligenza
artificiale, quanto dell’ambiente in cui è immerso. L’ambiente,
reale o virtuale, diviene un termine attivo, una parte
di un processo cognitivo esteso, che porta alla formazione,
all’interno della rete neurale di una conoscenza, un modello
dell’ambiente e delle relazioni non-lineari che intercorrono
fra le azioni possibili e le possbili modificazioni che quest’ultimo
può subire.
Si è scelto quest’approccio perché consente, date delle
condizioni di partenza determinate, di generare un campo
di posibili azioni, invece che estrarre qualità da una serie di
esempi per cercare di adattarle a un diverso contesto.
Cognitive Assemblages
67
2. Imparare dall’esperienza. Il sistema è costituito da un
agente che legge una certa rappresentazione dell’ambiente,
il suo stato attuale, ed è chiamato a compiere un’azione.
Quest’azione può essere parte di un set discreto di possibili
azioni o può essere espressa da un insieme di valori scalari
continui. L’azione porta ad una modifica dell’ambiente,
che muta il proprio stato, portando nuove informazioni
all’agente.
A destra.
Diagramma dell’anello di feedback
che l’agente instaura con
l’ambiante
Reinforcement Learning
Durante il processo di training, l’ambiente fornisce anche un
ulteriore segnale, il segnale di reward. Tale segnale è determinato
da una funzione dell’ambiente e fornisce ricompense
positive o negative. Il sistema cerca di determinare la
correlazione non-lineare fra gli input sullo stato dell’ambiente,
le azioni compiute e le reward cercando di ottenere il
maggior valore possiblie.
Il nodo cruciale di questo processo è la determinazione della
funzione di reward, è necessario tradurre gli esiti desiderati
a seguito delle azioni del sistema, in funzione dell’ambiente.
Se per problemi moderatamente complessi, definire una tale
funzione risulta immediato, al crescere della complessità o
in assenza di un risultato desiderato chiaramente connotabile,
aumenta la difficoltà nel determinare detta funzione. In
particolare è cruciale il modo in cui essa e scalata e l’eventuale
presenza di funzioni non-linari.
68
3. Intelligenze. La capacità di un sistema che fa uso di Reinforcement
Learning di imparare dall’esperienza, senza il
bisogno di esempi omogenei, o di un modello pregresso
del compito da affrontare, rendono questo tipo di Machine
Learning adatto ad affrontare problemi aperti e generali.
Il riconscimento del problema architettonico come problema
aperto, di cui è arduo tracciare confini e sottoinsiemi, motiva
la scelta di esplorare le potenzialità di questo particolare
A sinistra.
Pong, uno dei primi successi del
Reinforcement Learning.
approccio, in particolare per la possibilità di instaurare un
processo che non segua un flusso lineare, ma determini una
condizione di feedback-loop fra azioni e loro conseguenze.
Nel 2014 il Reinforcement Learning, registrò uno dei primi
successi ad avere un’eco significativa nell’opinione pubblica.
Il team di DeepMind sviluppò una rete neurale capace di
giocare a un set di giochi dell’Atari, a un livello superiore a
quello umano. Il sistema affrontava ogni gioco senza una
conoscenza pregressa delle sue regole o delle condizoni
necessarie per vincere. L’unica guida era l’esperienza e le
rewards accumulate.
Questo pirmo momento di attenzione fu seguito dal successo
mediatico di AlphaGo e del suo successore AlphaZero.
Primi sistemi di intelligenza artificiale a battere un cam-
Cognitive Assemblages
69
pione mondiale di Go. In particolare AlphaZero, è capace
di apprendere, senza mutare architettura, anche gli scacchi
e lo Shogi, battendo in entrambi i casi motori di gioco rappresnetanti
lo stato dell’arte.
Questa capacità di generalizzare, unita alla possibilità di
modificare l’ambiente in cui sono situati rendono questo
tipo di sistemi capaci di dotarsi di un maggior grado di autonomia.
Inoltre, poiché l’ambiente giunge alla rete neurale sotto forma
di una serie fissa di input, è possibile addestrare il sistema
in un ambiente virtuale per poi proseguire il percorso di
In alto.
AlphaGo, primo software capace
di battere un campione di Go. Il
sistema combina il Reinforcement
Learning, con un modello del
gioco e un algorito di tree search
delle mosse.
Reinforcement Learning
A sinistra.
AlphaZero, evoluzione di AlphaGo,
può imparare, giocando
contro se stesso, diversi giochi,
mantenendo la medesima architettura.
70
In alto.
Self-Choreogaphing Network,
2018, progetto siluppato all’ ICD
di Stoccarda, utilizza il Reinforcement
Learning per generare
configurazioni responsive di una
rete di cavi in active bending.
A destra.
Diagramma dell’implementazione
meccanica e del processo.
apprendimento a contatto con la realtà materiale. Dando
una realtà corporea al sistema, si moltiplicano le possibilità
di apprendimento, incoporando una conoscenza complessa
all’interno dello spazio rappresentazionale.
Cognitive Assemblages
71
Input Visuale
1. Fallimento. Durante una prima fase esplorativa, si è tentato
di insgnare al sistema come combinare le tiles correttamente,
a partire da un input visivo. Una texture monocromatica
di 64x64 pixel è stata generata, rappresentando
la cella in cui posizionare la tile con un elemento di forma
rotonda. L’input visivo era poi analizzato facendo uso di
un modello di Convolutional Neural Network CNN (LeCun
1999). Il sistema non è però riuscito a sviluppare la capacità
richiesta nell’assemblare le tiles, mantenendo un tasso di errore
elevato.
Al contrario, rappresentando le informazioni locali sulle celle
attigue, in forma vettoriale utilizzando un One Hot Encorder.
Il processo di traing si è dimostrato più rapido e performante,
raggiungendo ben presto la convergeneza.
Reinforcement Learning
A sinistra.
Modello di Convolutional Neural
Network CNN, rappresenta il
fondmento della maggior parte
delle applicazioni d visione artificiale.
72
Input visuale
Tentativo fallito
In questa pagina
Rappresentazione del problema
in forma di immagine 64x64 pixel
Cognitive Assemblages
73
Qualità spaziali
0. Analisi e rewards. Al sistema viene fornita una ricompensa
data dalla media pesata delle ricompense derivanti
dalle qualità spaziali attive. Questa ricompensa, scalata fra
0 e 1, guida il processo di training nella direzione desiderata.
Inoltra viene fornita una ricompensa per ogni iterazione
svolta, in modo da incentivare al contempo, la riduzione
delle contraddizioni.
In basso.
Diagrammi delle qualità spaziali
analizzate.
1. Densità. La densità è definita come il rapporto fra i tiles
pieni e i tiles totali posizionati fino al momento presente.
La reward fornita di 1 - delta dove delta è la differenza
fra la densità richiesta e la densità effettivamente presente
nell’aggregazione.
Reinforcement Learning
2. Gradiente. Il gradiente rappresenta la controparte locale
della densità. Definita una distribuzione scalare di valori di
densità richiesta nel punto. La reward fornita ha forma
1 * fieldValue dove il field value è l’aderenza del tile posizionato
alla densità richiesta.
74
3. Orientamento. Ogni tile possiede una o più direzioni,
questa qualità spaziale misura la coerenza della direzione
principale dell’aggregato con al direzione richiesta. La reward
fornita ha forma:
coherentTiles / totalTiles dove i coherent tiles sono
i tiles la cui direzione corrisponde alla direzione richiesta.
4. Connettività strutturale. La connettività strutturale
misura la quantità di elementi pieni aggregati in cluster di
dimensioni inferiori a una soglia determinata.
La reward fornita ha forma:
1 - tilesUnderThreshold / totalTiles dove i tiles
under threshold sono i tiles che appartengon o a clusters
troppo piccoli. A questi si aggiungono i tiles non connessi
al suolo.
5. Connettività spaziale. La connettività spaziale misura la
quantità di elementi vuoti aggregati in cluster di dimensioni
inferiori a una soglia determinata.
La reward fornita ha forma:
1 - tilesUnderThreshold / totalTiles dove i tiles
under threshold sono i tiles che appartengon o a clusters
troppo piccoli.
6. Connettività planare. La connettività strutturale misura
la quantità di elementi formanti piani orizzontali aggregati
in cluster di dimensioni inferiori a una soglia determinata.
La reward fornita ha forma:
1 - tilesUnderThreshold / totalTiles dove i tiles
under threshold sono i tiles che appartengon o a clusters
troppo piccoli.
Cognitive Assemblages
75
Densità
Analisi spaziale
1. Densità. La densità è definita come
il rapporto fra i tiles pieni e i tiles totali
posizionati fino al momento presente.
La reward fornita di 1 - delta dove
delta è la differenza fra la densità richiesta
e la densità effettivamente presente
nell’aggregazione.
Reinforcement Learning
76
Gradiente
Analisi spaziale
2. Gradiente. Il gradiente rappresenta
la controparte locale della densità.
Definita una distribuzione scalare di
valori di densità richiesta nel punto. La
reward fornita ha forma:
1 * fieldValue dove il field value è
l’aderenza del tile posizionato alla densità
richiesta.
Cognitive Assemblages
77
Orientamento
Analisi spaziale
3. Orientamento. Ogni tile possiede
una o più direzioni, questa qualità spaziale
misura la coerenza della direzione
principale dell’aggregato con al direzione
richiesta. La reward fornita ha forma:
coherentTiles / totalTiles dove
i coherent tiles sono i tiles la cui direzione
corrisponde alla direzione richiesta.
Reinforcement Learning
78
Connettività strutturale
Analisi spaziale
4. Connettività strutturale. La connettività
strutturale misura la quantità
di elementi pieni aggregati in cluster di
dimensioni inferiori a una soglia determinata.
La reward fornita ha forma:
1 - tilesUnderThreshold / totalTiles
dove i tiles under threshold
sono i tiles che appartengon o a clusters
troppo piccoli. A questi si aggiungono
i tiles non connessi al suolo.
Cognitive Assemblages
79
Connettività spaziale
Analisi spaziale
5. Connettività spaziale. La connettività
spaziale misura la quantità di elementi
vuoti aggregati in cluster di
dimensioni inferiori a una soglia determinata.
La reward fornita ha forma:
1 - tilesUnderThreshold / totalTiles
dove i tiles under threshold
sono i tiles che appartengon o a clusters
troppo piccoli.
Reinforcement Learning
80
Connettività planare
Analisi spaziale
6. Connettività planare. La connettività
strutturale misura la quantità di
elementi formanti piani orizzontali aggregati
in cluster di dimensioni inferiori
a una soglia determinata.
La reward fornita ha forma:
1 - tilesUnderThreshold / totalTiles
dove i tiles under threshold
sono i tiles che appartengon o a clusters
troppo piccoli.
Cognitive Assemblages
81
Training
1. Parametri e iperparametri. Il modello utilizzato è quello
della Proximal Policy Optimization, un modello che possiede,
diversamente dai modelli precedenti, la capacità di
opeare con input e output continui e di basare il processo
di apprendimento su una fuzione di advantage che prevede
un valore atteso da un certo stato e determina la bontà di
un’azione in funzione della differenza fra il risultato previsto
e quello effettivamente verificatosi.
L’implementazione utilizzata è quella presente nel package
ML-Agents di Unity3D. Una libreria di Reinforcement Learning
basata su Tensorflow e ben integata all’ interno di Unity.
A sinistra.
Diagrammi illustranti vari parametri
di training su Tensorboard
Reinforcement Learning
82
2. Rete neurale. La rete neurale utilizzata, è costituita da 3
Layer, composto ognuno da 256 neuroni. L’output è discreto
e rapprenseta il tile selezionato per l’inserimento nell’assemblaggio.
Gli input invece sono in alcuni casi discreti, mentre
in altri sono continui.
L’informazione su quale tile contengano le celle adicenti è
fornita sotto forma di one hot encoder. Il resto delle informazioni,
in forma continua, rappresenta i livelli desiderati
dei parametri spaziali precedentemente menzionati, i livelli
effettivi, il peso relativo e normalizzato dei vari parametri e
la lista delle tiles che è possibile inserire nella cella corrente.
Input
3 hidden layers
output
0,
0,
1,
.
.
.
0,
1
0,
0,
1,
.
.
.
0,
1
256 units 256 units 256 units
In alto.
Diagramma della rete neurale
implementata.
Durante il processo di training una funzione di generalizzazione,
modifica questi parametri, affinché il sistema impari
non una soluzione specifica che ottimizzi un problema
specifico, ma mappi ed esplori l’intero campo delle soluzioni
possibili.
Cognitive Assemblages
83
Wave Function Collapse
Intelligence
Entropy Analysys
Collapsing
Point Selection
Possible Tiles
[0, 1, 1, 0, ..., 1, 0]
Contraddiction
Reinforcement Learning
Tiles Selection
Diffusion
Algorithmic process
84
Entropy Analysys
Collapsing
Point Selection
Possible Tiles
[0, 1, 1, 0, ..., 1, 0]
Contraddiction
Tiles Selection
Diffusion
Neural Network
Cognitive Assemblages
Neural Network inception
85
Training
Confronto con l’euristica
Euristica
probabilistica
Densità richiesta:
50%
Densità effettiva:
76%
Training
parziale
Densità richiesta:
50%
Densità effettiva:
68%
Reinforcement Learning
Training
completo
Densità richiesta:
50%
Densità effettiva:
54%
86
La neural network non solo supera i risultati otttenibili
con euristiche probabilistiche in termini di precisione,
ma possiede anche la capacità di determinare rapporti
non lineari fra le parti
A sinistra.
Tentativo di ottenere una densità
del 50% utilizzando un’ euristica
probabilistica, che va a modificae
la probabilità che una certa tile, in
questo caso quella vuota, venga
selezionata.
A sinistra.
Stesso tentativo, ma con un
Neural Network in fase di training,
i risultati sono più accurati e
comincia a emergere un pattern
determinato dal comportamento
dell’agente.
A sinistra.
Infine, lo stesso tentativo, ma effettuato
con una Neural Network
il cui processo di training è stato
completato. Ora la densità effettiva
è molto prossima a quella
rischiesta e il pattern emerge più
chiaramente.
Cognitive Assemblages
87
Training
Density
Target value
In qusta pagina.
Training effettuato usando come
solo stimolo le ricompense per la
densità e il gradiente locale.
Reinforcement Learning
88
Cognitive Assemblages
89
Training
Orientation
Target value
In qusta pagina.
Training effettuato usando come
solo stimolo la ricompensa per
l’aderenza della direzione principale
alla direzione richiesta.
Reinforcement Learning
90
Cognitive Assemblages
91
Training
Connectivity
Target value
In qusta pagina.
Training effettuato usando come
solo stimolo la ricompensa per la
conettività.
Reinforcement Learning
92
Cognitive Assemblages
93
Training
Density + Connectivity
Target value
In qusta pagina.
Training effettuato usando come
solo stimolo la ricompensa per la
conettività e la densità, i cui pesi
influenzano l’iportanza dell’uno o
dell’altro attributo
Reinforcement Learning
94
Cognitive Assemblages
95
Training
Density + Orientation
Target value
In qusta pagina.
Training effettuato usando come
solo stimolo la ricompensa per
l’orientamento e la densità, i
cui pesi influenzano l’iportanza
dell’uno o dell’altro attributo
Reinforcement Learning
96
Cognitive Assemblages
97
Training
Orientation + Connectivity
Target value
In qusta pagina.
Training effettuato usando come
solo stimolo la ricompensa per
l’orientamento e la connetività, i
cui pesi influenzano l’iportanza
dell’uno o dell’altro attributo
Reinforcement Learning
98
Cognitive Assemblages
99
Training
Global
Target value
In qusta pagina.
Training effettuato usando come
solo stimolo la ricompensa per
l’orientamento, la connetività e
la densità, i cui pesi influenzano
l’iportanza dell’uno o dell’altro
attributo
Reinforcement Learning
100
Cognitive Assemblages
101
Training
Global
Reinforcement Learning
102
Cognitive Assemblages
103
Assemblaggi spaziali
“Come la forma architettonica sia al tempo stesso interna ed esterna a se
stessa. Non che si possa penetrare la forma, è proprio la forma che si pone
come forma che si penetra, né può darsi in altro modo che così.”
Bruno Zevi
Assemblaggi spaziali
106
Assemblare luoghi
1. Spazi discreti. Per al genrazione spaziale ci si è serviti di
un sistema organizzativo basato su elementi discreti. Data la
scala e la logica aggregativa, queste parti non si limitano a
costituire, con il loro assemblaggio, la matrice materiale che
definisce gli spazi generati. Sono essi stessi elementi fondamentali
della definizione spaziale.
Ogni elemento dicreto pur non costituendo di per sé un
unità spaziale, essendo prossimo alla scala umana, fa a
definire limiti e direzioni nello spazio amorfo. Nel momento
in cui va a combinarsi con altri elementi, un’ organizzazione
spaziale comincia a emergere, confini e direzioni iniziano ad
assumere tratti più specifici e individuanti. La scala dell’elemento
si trova dunque in uno stato di tensione dinamica
fra l’ordine spaziale e l’ordine materiale. In questo modo,
non è limitata a sostanziare un diagramma pregresso come
accade con elementi prettamente strutturali. Al contempo
non è suffcinete a definire uno spazio, è nelle connessioni,
nella componente relazionale, di organizzazione che queste
qualità emergono.
Il processo di selezione guidato dalla Rete Neurale, non si
trova, dunque, di fronte a un catalogo di condizioni spaziali,
ma a una serie di leggi e opportunità, entro cui sviluppare le
proprie capacità di scelta.
Cognitive Assemblages
107
Assemblaggi spaziali
2. Elementi discreti. Il lavorare con parti discrete porta a
ricondurre l’insieme delle condizioni possibili a un insieme
definito e limitato di elementi di base.
Questa scelta rende il sistema aperta a molteplici tecniche
di frabbricazione e logiche di organizzzazione materiale.
Al contempo, porta a riconsiderare il concetto di unità elementare.
Se nella logica funzionalista l’unità elementare è
un’ unità funzionale, già definita da una serie di attributi e
di qualità, per esplorare appieno le conseguenze di questa
logica aggregativa è necessario spogliare la parte di questa
specificità, per investirla del valore antitetico: la genericità.
Qui intesa come radicale apertura di ogni elemento a generare
esiti spaziali e strutturali diveri in funzione del contesto,
delle altre parti, cioè, con cui viene connesso.
Sarà possbile dire che un certo elemento più che essere
una trave o un pilastro, si trova in una condizione di trave o
pilastro. Questa logica antiessenzialista porta l’elemento a
essere definito in virtù delle sue qualità relazionali, dalle sue
capacità di connessione e collaborazione, oltre che dalle sue
qualità intrinseche.
La possibilità di limitare le tipologie di elementi, semplifica
il processo produttivo aprendo a logiche prefabbricative
ed economie di scala, connettendo l’automazione cognitiva
con quella fabbricativa.
Habitat ‘67.
Ideato da Moshe Safdie per l’expo
di Montréal del 1967, connette
logiche prefabbricative con una
generazione combinatoria degli
spazi.
Piante e schizzi.
Il progetto mantiene una logica
funzionalista, individuando unità
funzionali di base e aggregandole
108
In alto.
Installazione di Gilles Retsin per
la biennale di architettura di Tallin
(TAB) del 2017.
A destra.
Il progetto ribalta il concetto di
elemento definito dalla propria
funzione, proponendo parti generiche,
che assumono senso
solo nell’aggregazione.
3. Saper vedere l’architettura. La quantità e la complessità
degli spazi generati pone una seria sfida all’analisi dei risultati.
Se un’analisi quanitativa è certamente possibile, essa
può servire più da sistema di orientamento generale, che
da criterio di scelta. Dunque è necessario addentrarsi nei
territori dell’esperienza e dei valori qualitativi.
Si è scelto di non affidare la comunicazione delle qualità
spaziali ad un unica rappresentazione sintetica, ma trattare
l’insieme dele rappresentazioni come una molteplicità irriducibile.
Sostituendo a un immagine una sequenza, o meglio
una rete di immagini si riduce il rischio dell’equivoco fra
l’architettura e la sua immagine.
Cognitive Assemblages
109
Assemblaggi Discreti
Raffigurare lo spazio
In questa pagina
Molteplici rappresentazioni della
pianta della Basilica di San Pietro
nella versione
Assemblaggi spaziali
110
Cognitive Assemblages
111
Set di tiles
Logiche connettive
In questa tavola.
Esempio di sviluppo di un set d
tiles tridimensionale, con qualità
d igenericità e direzionalità.
Set di tiles
Regole connettive nel piano
Assemblaggi spaziali
Regole connettive lungo le diagonali
112
Regole connettive negli angoli
Cognitive Assemblages
Regole connettive lungo le verticali
113
Mappe
Analisi comparativa degli assemblaggi generati
Assemblaggi spaziali
114
Cognitive Assemblages
115
Mappe
Analisi comparativa degli assemblaggi generati
Assemblaggi spaziali
116
Cognitive Assemblages
117
Mappe
Analisi comparativa degli assemblaggi generati
Assemblaggi spaziali
118
Cognitive Assemblages
119
Assemblaggi
Metodologia d’analisi
Assemblaggi spaziali
Vista globale e parametri di analisi
120
Analisi dei vuoti
Analisi della connettività
Cognitive Assemblages
121
Assemblaggi
Metodologia d’analisi
Assemblaggi spaziali
Viste interne generate automaticamente
122
Vista dall’alto
Vista in prospetto
Cognitive Assemblages
123
Assemblaggi
Analisi
Assemblaggi spaziali
124
Sistema dei vuoti
Connettività
Cognitive Assemblages
125
Pianta
Sezione
Assemblaggi
Analisi
Assemblaggi spaziali
126
Sistema dei vuoti
Connettività
Cognitive Assemblages
127
Pianta
Sezione
Assemblaggi
Analisi
Assemblaggi spaziali
128
Sistema dei vuoti
Connettività
Cognitive Assemblages
129
Pianta
Sezione
Assemblaggi
Analisi
Assemblaggi spaziali
130
Sistema dei vuoti
Connettività
Cognitive Assemblages
131
Pianta
Sezione
Assemblaggi
Analisi
Assemblaggi spaziali
132
Sistema dei vuoti
Connettività
Cognitive Assemblages
133
Pianta
Sezione
Case Study
Assemblaggi spaziali
134
Cognitive Assemblages
135
Case Study
Assemblaggi spaziali
136
Cognitive Assemblages
137
Case Study
Assemblaggi spaziali
138
Cognitive Assemblages
139
Case Study
Case Study
Case Study
Assemblaggi spaziali
154
Cognitive Assemblages
155
Case Study
Assemblaggi spaziali
156
Cognitive Assemblages
157
Case Study
Assemblaggi spaziali
158
Cognitive Assemblages
159
Conclusioni
Questa tesi è stata una ricerca che muove dal riconoscimento
dei limiti del paradigma che vuole la cognizione umana
come autonoma e sufficiente a se stessa, nell’atto di concepire
e creare. Passa per l’idea che ogni processo di cognizione,
sia una rete di cognizioni, che estende e modifica i
percorsi della nostra mente, in cui l’atto della concezione è
non-locale, distribuito, e non può dirsi appartenente in via
esclusiva a nessuna delle singole parti. Questa tesi è volta ad
esplorare il territorio aperto dalla domanda:
È possibile inserire in questa rete cognizioni non-umane
sufficientemente complesse da assumere in parte la responsabilità
della creazione, per generare spazi, luoghi
e ogni altro esito che è possibile chiamare architettura?
Evitando la tentazione di ridurre questa domanda ad un
problema che ammette una risposta definitiva, si è cercato
invece di seguirne le aperture, le linee di fuga che da essa
si dipartono, per ridefinire i confini della nostra idea di architettura,
individuando quattro linee di indagine. Percorsi
intrecciati, i cui punti nodali, di intersezione, interscambio,
sono stati i più fertili e significativi.
Cognitive Assemblages
161
Si è partiti dal concepire gli strumenti non come mere passività
pronte all’utilizzo, ma elementi attivi dotati di una propria
agency, capaci di suggerire con la propria affordance
linee di azione privilegiate e di inibirne altre. Ribaltando il
paradigma che vuole lo strumento totalmente determinato
dall’utilizzatore e riconoscendo, come fa Simondon, la tensione
verso un’autonomia, verso l’instaurazione di un ordine
e la capacità di estendere o indirizzare l’agire umano secondo
proprie direzioni. Si è proseguito col riconoscere che
queste qualità, al crescere della complessità dello strumento,
portano all’emergenza di una tensione fra l’utilizzatore e
l’utilizzato, sfocando i confini di questa distinzione e aprendo
ad un’autorialità e una responsabilità deterritorializzata.
Si è giunti a individuare nelle reti neurali artificiali, un possibile
punto di partenza lungo questa direttrice. In particolare,
la capacità stabilire correlazioni non-lineari fra input e output
e la possibilità di costruire una rappresentazione interna,
in forma vettoriale, dello spazio del problema, consentono
al sistema di affrontare la complessità, sviluppando una risposta
generalizzabile e aperta.
Conclusioni Assemblaggi spaziali
Per rendere trattabile con le tecniche di Machine Learning
il problema della generazione spaziale, è stato necessario
passare ad una rappresentazione discreta dello spazio, definendo
un insieme ristretto di parti da cui emergesse un
vasto insieme di condizioni in un processo generativo di
tipo combinatorio, come dimostrato dalla complessità degli
aggregati mostrati nelle pagine 42 e successive. In specie,
l’algoritmo di Wave Function Collapse è servito da piattaforma
per definire un campo di possibilità esplorabile e indirizzabile
dalla rete neurale. La possibilità di definire a priori
dei vincoli di connessione e al contempo, investire la rete
neurale della scelta dell’elemento da un set di parti possibili,
rende questo algoritmo la superficie liminare, di scambio fra
l’agency del designer e quella dell’intelligenza artificiale.
162
In questo frangente è emersa la stretta correlazione fra le
conseguenze dell’automazione cognitiva con l’orizzonte
dell’automazione fabbricativa. Connettendo un sistema automatico
di pensiero spaziale con la possibilità di automatizzarne
l’incarnazione materiale, si stabilisce un corto circuito,
un feedback loop capace di accelerare l’evoluzione di
entrambi i sistemi, le cui conseguenze si posizionano rapidamente
oltre l’orizzonte di ciò che è prevedibile.
L’impiego di un sistema di Reinforcement Learning, per sviluppare
e affinare questa cognizione non-umana, è stato
determinato dalla coscienza della necessità di un rapporto,
di un confronto con l’ambiente affinché emerga una cognizione
capace di esplorarlo. Il modello utilizzato, illustrato
nel paragrafo “Training”, è basato sulla Proximal Policy Optimization.
Si è dimostrato sufficientemente generale, capace
di operare sia in spazi bidimensionali che tridimensionali,
con diversi set di elementi da assemblare, pur mantenendo
la stessa architettura e gli stessi iper-parametri. Al contempo
è emersa, su un duplice livello, l’importanza del design
delle parti e delle loro regole di assemblaggio: design che
deve bilanciare due tendenze divergenti. è necessario dotare
le componenti di di un certo grado di complessità formale
e topologica per estendere il novero delle condizioni
spaziali emergenti, mentre è necessario che ad ogni iterazione
la rete neurale abbia possibilità di scelta, affinché possa
perseguire gli obbiettivi fissati. Al crescere della complessità
formale/topologica, aumenta la specificità del componente
e decresce la sua capacità connettiva.
In questo senso, i descrittori quantitativi impiegati, come
mostrato nella sezione “Qualità spaziali”, sono stati intesi
come stimoli all’esplorazione dello spazio delle soluzioni,
invece che come obbiettivi chiusi di un processo di ottimizzazione.
Cognitive Assemblages
163
Queste stesse qualità sono poi state tradotte nel sistema
di coordinate che consente di orientarsi fra i risultati che
il processo genera, visualizzando le qualità organizzative
di ogni assemblaggio, connettendo l’analisi quantitativa a
quella percettiva, si è affrontato nell’ultimo capitolo il problema
sempre aperto dell’esplorare con i limiti della nostra
cognizione, una quantità di possibilità sovrabbondante.
Infine, nella sezione di analisi degli aggregati, si è riconosciuto
il carattere irriducibile di questa molteplicità, che non forma
semplicemente un catalogo di scelte differenti, ma una
rete inestricabile di affinità e divergenze. Così facendo, se
osservata alla debita distanza, dalla sua figura emerge una
mappa, fatta di percorsi che esplorano le relazioni non-lineari
fra questi assemblaggi, che eccedono le dimensioni dello
spazio, estendendosi in quelle del tempo e dell’esperienza.
Ma è necessario, a un certo punto, distogliere lo sguardo da
questa contemplazione e cominciare a esplorare le specificità
e le conseguenze di questo campo di possibilità. Perché
ogni progetto è la chiusura di queste linee di fuga molteplici
e divergenti, nella singolarità, nella vertigine e nel rischio
della scelta.
Conclusioni Assemblaggi spaziali
164
Cognitive Assemblages
165
Bibliografia
Carpo, Mario, The Alphabet and the Algorithm, The MIT Press, Cambridge, 2011
De Landa, Manuel, A Thousand Years of Nonlinear History, Zone Books, Princeton,
2000
Deleuze & Guattari, Mille piani. Capitalismo e schizofrenia, Orthotes, Nocera, 2017
Hofstadter, Douglas R., Gödel, Escher, Bach: un’Eterna Ghirlanda Brillante, Adelphi,
Milano, 1990
Holland, John, Emergence, Basic Books, New York, 1999
Johnson, Steven, Emergence: The Connected Lives of Ants, Brains, Cities and Software,
Penguin Books, London, 2002
Kelly, Kevin, What technology Wants, Penguin Books, London, 2010
Reiser, Jesse, Umemoto, David, Atlas of Novel Tectonics, Princeton Architectural Press,
New York, 2006
Spuybroek, Lars, The Architecture of Continuity: Essays and Conversations, nai010 publishers,
Rotterdam, 2009
Zevi, Bruno, Architettura in nuce, Sansoni, Firenze ,1994
Zevi, Bruno, Saper vedere l’architettura, Einaudi, Torino, 1948
Cognitive Assemblages
167
Articoli
Bengio, Yoshua, Jérôme Louradour, Ronan Collobert, Jason Weston. 2009. “Curriculum
Learning.” In ICML ‘09: Proceedings of the 26th Annual International Conference on
Machine Learning. New Yok, NY, USA: ACM. 41–48.
Forster Gage, Mark, “Project Mayhem”, in ISSUE #18: DISSENSUS, June 2011
Heaton, Robert. 2018. “The Wavefunction Collapse Algorithm Explained Very Clearly.”
Accessed June 23, 2020. https://robertheaton.com/2018/12/17/wavefunction-collapse-algorithm/.
Hensel, Michael, Menges, Achim: Towards Heterogeneous Space In Architecture Design,
Morpho-Ecologies, AA publications, London, 2007
Juliani, Arthur, Vincent-Pierre Berges, Ervin Teng, Andrew Cohen, Jonathan Harper,
Chris Elion, Chris Goy, Yuan Gao et al. 2020. “Unity: A general platform for intelligent
agents.” arXiv:1809.02627v2.
Leach, Neil. 2009. “Digital Tool Thinking: Object Oriented Ontology versus New Materialism.”
In ACADIA 2016 POSTHUMAN FRONTIERS: Data, Designers, and Cognitive
Machines Projects Catalog of the 36th Annual Conference of the Association for Computer
Aided Design in Architecture, edited by N. Leach. Ann Arbor: ACADIA. 344–351.
Otto, Frei, “Process Occupation”, in Occupying and Connecting, Edition Axel Menges,
Stuttgart, 2009
Pasquinelli, Matteo, “Three Thousand Years of Algorithmic Rituals: The Emergence of AI
from the Computation of Space”, in e-flux, Journal #101, June 2019
Schulman, John, Filip Wolski, Prafulla Dhariwal, Alec Radford, Oleg Klimov. 2017. “Proximal
policy optimization algorithms.” arXiv:1707.06347v2.
Sitografia
Bryant, Levi, “Denaturing Nature”, in Larval Subjects (https://larvalsubjects.wordpress.
com/2012/05/24/denaturing-nature/), May 2020
Bryant, Levi, “Machine-Oriented Architecture: Experiments in Absolute Architecture”, in
Larval Subjects (https://larvalsubjects.wordpress.com/2015/03/11/machine-oriented-architecture-experiments-in-absolute-architecture/),
March 2020
Bryant, Levi, “Social Ecologies”, in Larval Subjects (https://larvalsubjects.wordpress.
com/2015/01/26/social-ecologies/), January 2020
Olah, Christopher, “Neural Networks, Manifolds, and Topology” http://colah.github.io/
posts/2014-03-NN-Manifolds-Topology/
Gumin, Maxim. 2016. “Bitmap & tilemap generation from a single example by collapsing
a wave function.” Accessed June 23, 2020. https://github.com/mxgmn/WaveFunctionCollapse.
Kelly, Kevin, “Thinkism”, https://kk.org/thetechnium/thinkism/, June 2020.
Kerr, Dylan, “What Is Object-Oriented Ontology?”, in https://www.artspace.com/magazine/interviews_features/the_big_idea/a-guide-to-object-oriented-ontology-art-53690,
April 2020
McCarthy, Cormac, “The Kekulé Problem”, http://nautil.us/issue/47/consciousness/thekekul-problem,
Mrch 2020
Shafkat, Irhum, “Intuitively Understanding Convolutions for Deep Learning”, https://to-
wardsdatascience.com/intuitively-understanding-convolutions-for-deep-learning-1f6f-
42faee1, June 2020
Cognitive Assemblages
169
Shaviro, Steven, Against self-organization in http://www.shaviro.com/Blog/?p=756,
May 2020
Shaviro, Steven, Simondon on Individuation in http://www.shaviro.com/Blog/?p=471,
May 2020
Shaviro, Steven, Twenty-two Theses on Nature in http://www.shaviro.com/
Blog/?p=1253 , April 2020
Metz, Tracy, Nature is an agreement, http://www.youtube.com/watch?v=HVg8MGgL-
Hyk&feature=youtu.be, June 2020
Burnham, Daniel, Kant: the sublime, https://www.iep.utm.edu/kantaest/#SH2c, May
2020
Cognitive Assemblages
171