Generative Design: על מה כל הרעש?

generative design

כיצד יכול המחשב לסייע בחקר הסובב אותנו? אנשים משתמשים בו ככלי עזר עבורם, כשהוא רק יושב ומחכה לתגובות האנושיות שיניעו אותו. האם הוא יכול לשמש מעבר לכך? האם הוא יכול להפוך לשותף אמיתי לחקר העולם? ובכן, מחשבים שמגיעים עם רעיונות משלהם זהו קונספט שנמצא כיום בלב מה שמוגדר בתעשייה כ- generative design (שיכול להיות מתורגם ל״עיצוב יצרני״). ב- generative design המשתמשים חולקים למעשה את הבעיה שלהם עם המחשב. זה, מצדו, חוקר באמצעות אלגוריתם ייחודי את מגוון הפתרונות האפשריים ומעלה רעיונות שהמוח האנושי, בגלל מגבלותיו, לא יכול היה להגיע אליהם.

 

מחשב רב עוצמה, בעל גישה למאגרים של עיצובים, שרטוטים, או רעיונות, יוכל תחת סיטואציות מסויימות, לתת מענה טוב יותר לשלל אתגרים עיצוביים מאשר מקביל אנושי. כל נושא ה"עיצוב היצרני" מבוסס על התפיסה הזו ועושה זאת תוך שימוש באלגוריתמים בעלי יכולת למידה שאמורים לזהות דפוסי התנהגות של דגמים, וילמדו אותם - ללא כל צורך בהתערבות אנושית. כבר היום אנו רואים מחשבים המסוגלים ללמוד את כל האלמנטים והמרכיבים הקיימים, לקטלג אותם ולזהות כיצד הם מגיבים ומשפיעים זה על זה. לדוגמה, נניח ואתם צריכים לעצב מכשיר אשר אמון על העברת מומנט כוח מנקודה אחת לנקודה אחרת. המחשב בתגובה, יציע לכם סט של פתרונות עיצוביים פוטנציאליים, כגון: גלגלי שיניים, מפרקי חיבור שונים וגלגלות. במידה וגלגל שיניים הוא אכן הפתרון המתאים ביותר על מנת לפתור את אתגר מומנט הכוח, הרי שהמחשב יציג מספר תצורות אפשריות עבור גלגל השיניים המדובר.

 

עם מחשב מסוג זה ניתן להתמקד במטרת העיצוב, ומה שאתם רוצים להשיג ממנו, בעוד שהמחשב יהיה זה שיתעסק בחישובים וישתמש בכל הידע שלו על מנת לספק עבורכם את הפתרונות הטובים ביותר.

 

עד לאחרונה כל נושא ה-generative design היה מצוי בתחום מדעי המחשב בלבד. בעיקר מכיוון שהתהליך נחשב ארוך מדי. כעת, כאשר טכנולוגיית הענן הפכה את כל מיחשוב העל לזמין יותר, ישנה היכולת לפתח מיליוני אופציות אינדיבידואליות במקביל. לדוגמא בעת זיהוי פרמטר ספציפי אשר אותו אנו נדרשים לשפר( כמו משקל, שטח פנים או קשיחות) המחשב פשוט מספק את המידות האופטימליות והמעצב, בתורו,  יכול לבחור את האפשרות האסתטית ביותר בעיניו. כך האופציה שתיבחר על ידי המחשב  האופטימלית מכל האפשרויות, תהיה לא רק יפה יותר אלא גם אפקטיבית.

 

זקוקים לעוד דוגמה? בבקשה. בשנות ה-60 של המאה הקודמת NASA, סוכנות החלל האמריקנית,  תכננה אנטנה. האנטנה החביבה, שעוצבה על ידי מהנדס מוכשר, נחשבה בזמנו למוצר אלגנטי ולבעלת תכנון אפקטיבי ויעיל, וכן, היא יצאה לחלל וביצעה את המוטל עליה בהצלחה יתרה.

 

לפני כעשור, מהנדסים פיתחו אלגוריתם שידע לנתח ולייצר בעצמו אלפי אפשרויות של תכנוני ועיצובי אנטנות, ובכך למקסם אוטומטית את הביצועים שלהן, ולהביא לכך שכל דגם עלה על קודמו מבחינת הביצועים של המוצר הסופי. התהליך הגיע בסופו של דבר למוצר בעל העיצוב המעט מוזר שבתמונה למטה, שבאופן לא מפתיע, תפקד הרבה יותר טוב מקודמו הוותיק יותר:

 

form of an object is a diagram of its force

כשהמחשב מעצב ומתכנן בכחות עצמו

 

בשנת 1915 הביולוג D'Arcy Wentworth Thompson אמר משפט חכם (ונשאיר אותו בשפת המקור): The form of an object is a diagram of its forces. מאה שנים אחר כך, מאמצת חברת אוטודסק את הקונספט שלו בצורה די חופשית, עם פרוייקט ה-Dreamcatcher, פרויקט מחקרי שמאפשר למעצבים לתאר את הכוחות שמופעלים על האובייקט בעיצובם, ואז לתת למחשבים ל"השתולל לבד" ולהוציא את התכנון לפועל. למשל, אתם מעוניינים לעצב גג למכונית המירוץ פורמולה 1 (אותו חלק שמאחורי ראש הנהג)? בשיטה של פעם הייתם מתחילים עם רעיון, עיצוב על מחשב ואז בדיקה של ההתכנות באמצעות תוכנת ניתוח כלשהי שבוחנת כיצד המוצר הסופי יעבוד.

 

 

 

עד פה הגהה

עם ה-Dreamcatcher, המעצב מתחיל עם שיתוף המשימה שלו עם המחשב,  ואז, בשיטות generative design, זה יוצר לבד וללא הכוונה, סט נרחב של פתרונות פוטנציאליים,  כשהוא מבצע - אוטומטית - מגוון עיבודים וחיבורים של גרסאות אפקטיביות, כל זאת תוך מציאת פתרונות על ידי שימוש במחשוב ענן. ההצעות העיצוביות מועברות למתכנן שיכול בשלב הזה לבחור משלל האופציות. התהליך מאפשר לבחור בדיוק את ההחלקים היותר מעניינים ומסייע למתכנן להתגבר על בעיות ולבחור את התכנון המנצח. נקודה למחשבה: בזמן שהיה לוקח לכם לגמור עיצוב אחד, המערכת יכולה לבצע אלפים כאלה.

 

אם נחזור לדוגמה של העיצוב לגגון של מכונית הפורמולה, הרי שהמחשב הוריד את התוכנית העיצובית של דגם המכונית מגוגל ובחן את המפרטים השונים - תוך שהוא עושה שימוש בהליך של עיבוד שפה טבעית. השלב הבא הוא פירוק התוכנית לגורמיה והתחלה של עיבוד ראשוני ותחילת ביצוע עיצובי הגגון המבוקש. בנקודה זו המעצב יכול לבחון את ההצעות שמגיש המחשב אחת לאחת,  ולנסות להבין את נושא תמחור החלקים והעיצובים השונים, כמו גם שיקלול היתרונות והחסרונות של כל אחד ואחד - כולל שינוי החומרים בהם ישתמשו בהליך הייצור הסופי בהדפסת תלת מימד. מחשב יצירתי? בהחלט. מחשב שמסוגל לייצר רעיונות יצירתיים שאנשים יכולים לפתח? בהחלט ובהחלט.

 

נקודה נוספת למחשבה: כשאתם עובדים כיום על המחשב ומעלים רעיונות, חושבים, מתלבטים ויוצרים. בסוף אתם בוחרים את מה שתחליטו לבחור ושאר העיצובים הולכים לפח. בנקודה זו המחשב שלכם לוקה, למעשה, באמנזיה ואחרי ריקון הפח לא יישאר זכר לעבודה הקשה שביצעתם שניכם. כך נמחקות להן תוצאות טובות עם שליליות ותהליך הלמידה נעלם יחד איתן, כולל מסקנות תפעוליות חשובות.  אבל, מה אם מערכת machine-learning היתה מעורבת בתהליך הראשוני? כך שבכל פעם שמריצים ניתוח כלשהו המחשב זוכר את כל הבדיקות והתהליכים הקודמים שבוצעו עליו באותו הקשר? וגם יידע לנתח, אוטומטית, הקשרים שונים הכרוכים בבדיקה?  בסופו של דבר המשתמש לא יזדקק לניתוח מעמיק כדי להגיע לגיבוש עמדה כלשהי, שכן מערכת deep-learning תוכל לתת לו את הפידבק שלה וסביר שזה יהיה יעיל יותר מהמשוב האנושי.

 

אז עד עכשיו סקרנו מחשבים עם עמדות ועם חוות דעת, אבל הנה החלק המעניין באמת: דמיינו לעצמכם מחשב שיעשה את המתואר למעלה בשעות ה"פנאי" שלו? מה אם הוא ייצור צורות חדשות משלו, ינתח אותן ויבחן לבד. אז נגיע למצב ובו המכונה/מחשב/כלי עיצובי,  ילמד את בן האדם ולא להיפך. מצב שכזה יביא אותנו וזה יביא אותנו לעולם שיסתמך יותר מאשר בעבר על דמיון וחדשנות, אותן שתי תכונות שהניעו אינספור מהלכים בעבר והביאו ליצירת אינספור מוצרים, מכשירים וחפצים.

 

 

הכותב, ג׳ף קוואלסקי (Jeff Kowalski) הוא ה-CTO (סמנכ״ל הטכנולוגיה) של חברת Autodesk, האחראי על עיצוב חזונה הטכנולוגי של החברה והנעת מהלכי החדשנות בה. המאמר פורסם במקור במגזין החברה: http://lineshapespace.com/generative-design/