تصور کنید به جای ساعت‌ها کلنجار رفتن با گره‌های پیچیده در محیط نرم‌افزاری، تنها با توصیف یک ایده، تمام منطق ساختاری ساختمانتان توسط یک دستیار هوشمند پیاده شود. GrassLobster دقیقاً همین رویای معماران را به واقعیت تبدیل کرده است تا عامل‌های هوش مصنوعی بتوانند فراتر از تولید تصاویر ساده، مستقیماً با منطق هندسی تعامل کنند. معمار Miro Bannwart با خلق این پروتوتایپ آلفا، پاسخی به این پرسش داده است که آیا یک عامل هوش مصنوعی واقعاً می‌تواند در منطق هندسه پارامتریک پیمایش کند یا صرفاً یک تصویر ایستا تولید می‌کند. این سیستم با ادغام مستقیم عامل‌ها در محیط Rhino و Grasshopper، از ابزارهای ساده‌ی «پرامپت به تصویر» فاصله گرفته تا پلی میان هوش مصنوعی و منطق سازه‌ای ایجاد کند.
طراحی پارامتریک — شبیه به نوشتن یک دستورپخت دقیق که در آن با تغییر مقدار شکر، اندازه کل کیک تغییر می‌کند — همیشه یادگیری دشواری داشته است. در بسیاری از موارد، تعریف فنی مدل بیشتر از خودِ ایده‌ی طراحی زمان می‌برد. در واقع، ساخت تعریف فنی اغلب طولانی‌تر از کاوش در ایده‌ی اصلی طراحی است. حالا با اتصال یک عامل (Agent) کدنویس به محیط CAD، طراح می‌تواند فرم یک ساختمان یا سازه چوبی را توصیف کند و اجازه دهد هوش مصنوعی قوانین زیربنایی آن را بسازد. این رویکرد یادآور ابزارهای نوظهوری است که طراحی متنی را در برابر مدل‌سازی سنتی قرار می‌دهند تا سرعت ایده‌پردازی در معماری افزایش یابد.
این رویکرد در زمانی عرضه شده که صنعت از تولیدات ایستا به سمت گردش‌کارهای عامل‌محور (Agentic) حرکت می‌کند. همان‌طور که در تحلیل‌های پیشین ما درباره‌ی تکامل ابزارهای تولید محتوا اشاره کردیم، تفاوت اصلی در «فرآیند» است. در حالی که اکثر ابزارها فقط نتیجه نهایی را می‌دهند، GrassLobster بر روی فرآیند تمرکز دارد. این سیستم تضمین می‌کند که طراح منطق تولید هندسه را در اختیار داشته باشد و در واقع برای هر وظیفه خاص، یک ابزار طراحی سفارشی ایجاد می‌کند. این تحول در واقع پاسخی به این پرسش است که آیا عامل‌های هوش مصنوعی جایگزین مهارت‌های سختِ پرامپت‌نویسی می‌شوند یا خیر.
مکانیزم آینه‌ای متن
نوآوری اصلی GrassLobster در «آینه‌سازی متن» (Text Mirroring) است. طبق مستندات پروژه، فرآیند هندسی برای انسان روی بوم Grasshopper قابل مشاهده است، اما همان فرآیند به‌صورت فایل‌های متنی خوانا برای عامل هوش مصنوعی آینه‌سازی می‌شود.
این قابلیت به عامل اجازه می‌دهد منطق مربوطه را مکان‌یابی کند، بفهمد بخش‌های مختلف مدل چگونه به هم متصل شده‌اند و بدون بازنویسی کل سیستم، تغییراتی هدفمند ایجاد کند. مقادیر ورودی پشتیبانی‌شده — مانند ابعاد، تعداد یا فواصل — نیز آینه‌سازی می‌شوند. این امر به عامل اجازه می‌دهد پارامترها را تغییر دهد و Grasshopper فوراً آن‌ها را بازمحاسبه کند.
ایستگاه‌های هندسی و ساختار
برای مدیریت پیچیدگی، GrassLobster مدل را به «ایستگاه‌های هندسی» (Geometry Stations) متصل تقسیم می‌کند. هر ایستگاه وظیفه‌ای مشخص، معنادار و مجزا را در توالی طراحی بر عهده دارد.
به‌عنوان مثال، یک پروژه ممکن است از این مراحل عبور کند:
- تعریف ورودی‌ها (Input definitions)
- ایجاد هندسه اولیه (Primary geometry creation)
- اعمال منطق سازه‌ای (Structural logic application)
- اصلاح هندسه ثانویه (Secondary geometry refinement)
- خروجی نهایی (Final output)
این ساختار پیچیدگی‌های اجرای کد را پنهان می‌کند اما منطق هندسی را شفاف نگه می‌دارد. عامل کاربر را در تصمیم‌گیری درباره مواد و قوانین راهنمایی می‌کند تا زمانی که وظیفه به اندازه کافی شفاف شود که بتوان گردش‌کار پارامتریک را بر اساس آن ساخت.
زمینه پروژه و هدایت عامل
علاوه بر منطق آینه‌ای، سیستم از یک پوشه اختصاصی برای «زمینه پروژه» (Project Context) استفاده می‌کند تا عامل محدودیت‌های خاص طراحی را درک کند. بر اساس بررسی‌های فنی، این یک سیستم بازیابی خودکار یا ایندکس‌شده نیست، بلکه مجموعه‌ای منتخب و سازمان‌یافته از مراجع است:
- دستورالعمل‌های عامل (Agent Instructions): این فایل‌ها راهنمای نحوه پرسشگری عامل و نحوه تعامل او با کاربر هستند.
- دانش دامنه (Domain Knowledge): شامل راهنمایی‌های موضوعی آماده، یادداشت‌های مربوط به متریال یا استانداردهای حرفه‌ای خودِ طراح است.
- مراجع هندسی (Geometric References): ارتباطات مربوط به فرم از طریق اسکرین‌شات‌ها، مدل‌های نمونه یا مطالعاتی که از طریق چت یا پوشه‌های پروژه ارائه می‌شوند، مدیریت می‌گردد.
این تفکیک باعث می‌شود عامل تفاوت بین «چه چیزی» (فرم مورد نظر) و «چگونه» (محدودیت‌های فنی که فرآیند تولید را هدایت می‌کنند) را تشخیص دهد.
عملکرد مدل و تست‌ها
به نقل از مستندات منتشر شده در ۱۸ سپتامبر ۲۰۲۶، موفقیت این پروتوتایپ به‌شدت به توانایی استدلال مدل خارجی وابسته است. بان‌وارت گزارش داده است که GPT-6 Astra بهترین نتایج هندسی را در آزمایش‌های توسعه ارائه کرده است.
سایر مدل‌ها نتایج متفاوتی داشتند:
- GPT-5.6 Sol قادر به اجرای گردش‌کارها بود، اما هندسه نهایی به‌طور محسوسی ضعیف‌تر بود.
- تلاش‌ها برای استفاده از مدل‌های محلی (Local-model) هنوز به موفقیت نرسیده است.
کاربران باید اشتراک‌های خود را (مانند ChatGPT Plus یا Claude Pro) داشته باشند که در اواسط سپتامبر ۲۰۲۶ حدود ۲۰ دلار در ماه هزینه دارند (هرچند قیمت‌های پرداخت در سوئیس ممکن است متفاوت باشد). سیستم به‌گونه‌ای طراحی شده که مستقل از مدل (Agent-agnostic) باشد و از هر پیشرفتی در مدل‌های استدلال هندسی و کدنویسی مانند OpenAI Codex یا Claude Code بهره ببرد.
کاربردهای عملی در معماری
بان‌وارت تطبیق‌پذیری این ابزار را در چندین مطالعه نشان داد. یک نمونه، پله‌های منحنی است که در آن گردش‌کار به سه بخش مسیر پله، بدنه و نرده تقسیم شده است.
مطالعات دیگر شامل یک ویلای حیاط‌دار بروتالیست و یک کتابخانه چوبی پارامتریک است. در پروژه ویلا، سه ایستگاه متصل، حجم‌های ساختمان، پوسته و پارامترهای فضای زندگی را مدیریت می‌کنند.
پروژه‌های پیچیده‌تر عبارتند از:
- مطالعه مسکونی: یک گردش‌کار جامع که ساختمان، نما، بالکن‌ها، سقف فتوولتائیک (PV)، فضای بیرونی و مطالعه خورشیدی را به هم متصل می‌کند.
- قاب چوبی پله‌ای: سازه‌ای سازمان‌یافته بر اساس شبکه ساختمان، قاب اصلی و لایه‌های تیر ثانویه (که به صورت مدل خطی ارائه شده و تحلیل سازه‌ای تایید شده ندارد).
- مطالعه کلیسای گوتیک: بررسی دقیق فضا، سازه، برج‌ها، پنجره‌ها و سنگ‌تراشی.
- مطالعه شاتل فضایی: یک مطالعه مدولار که اوربیتور، محفظه بار، بازوی رباتیک و ماهواره را در کنار هم قرار می‌دهد. این نوع تبدیل ایده‌های متنی به مدل‌های سه‌بعدی پیچیده، مشابه عملکرد عامل Craftsman در تبدیل ایده‌ها به اشیاء قابل چاپ سه‌بعدی است که مرزهای تولید فیزیکی را جابه‌جا می‌کند.
الزامات فنی و نصب
نسخه فعلی، 0.1.0-alpha (Build 2.39.0)، برای ویندوز x64 ساخته شده و به Rhino 8 که روی .NET 8 اجرا می‌شود نیاز دارد. این نسخه با macOS یا Rhino 7 سازگار نیست.
برای شروع، کاربران پلاگین را در پوشه کتابخانه‌های Grasshopper در مسیر %APPDATA%\Grasshopper\Libraries\ نصب کرده و از کامپوننت «Agent Start» برای تولید پرامپت برای عامل هوش مصنوعی انتخابی خود استفاده می‌کنند. بسته نصب یک فایل ZIP با حجم ۴.۸ مگابایت است که شامل پلاگین و یک Bridge برای سرویس فایل است.
جزئیات فنی:
- نیازمندی‌های Bridge: پل ارتباطی موجود نیاز به یک dotnet x64 قابل فراخوانی نسخه ۸ دارد.
- ابزارهای اختیاری: Ollama تنها برای کسانی که از کامپوننت‌های اختیاری Ollama استفاده می‌کنند لازم است.
- موارد حذف شده: آداپتورهای شخصی Hermes، نرم‌افزار Rhino و حساب‌های عامل خارجی در این بسته گنجانده نشده‌اند.
گردش‌کار کاربر
فرآیند با یک ایده شروع می‌شود، نه یک پرامپت فنی بی‌نقص. کاربر مفهوم را توصیف می‌کند و عامل درباره ابعاد، قوانین و متریال‌ها سؤال می‌پرسد. پس از توافق بر سر رویکرد، عامل ایستگاه‌های متصل را به‌تدریج می‌سازد.
کاربران می‌توانند نتیجه را از طریق کنترل‌های اصلی یا نماهای متصل در کنار هر ایستگاه تنظیم کنند. در نهایت، وقتی هندسه رضایت‌بخش بود، کاربر یک Bake workflow آماده را اجرا می‌کند تا اشیاء واقعی در Rhino ایجاد شوند. البته تأکید شده که حتی اگر محاسبات موفقیت‌آمیز باشد، باز هم نیاز به بازبینی طراحی دارد و جایگزین تاییدیه سازه‌ای نیست.
تحلیل: تغییر نقش طراح
GrassLobster نشان‌دهنده تغییری از «پرامپت دادن برای رسیدن به نتیجه» به «همکاری برای ساخت یک سیستم» است. با نگه داشتن مدل به‌صورت قابل تنظیم در Grasshopper، طراح از یک نقش ترسیم‌کننده به یک بازبین و راهنما تبدیل می‌شود.
این امر اصطکاک فنی طراحی پارامتریک را کاهش می‌دهد و به معماران اجازه می‌دهد روی منطق ساختمان تکرار کنند، نه روی مختصات یک نقطه. اثر مرتبه دوم این ابزار، دموکراتیزه کردن طراحی محاسباتی پیچیده است؛ طراح دیگر نیازی نیست حتماً متخصص Grasshopper باشد تا بتواند یک ابزار پارامتریک پیشرفته را به کار بگیرد.
گام بعدی شما
- نسخه آلفا را از miro.vision دانلود کنید تا پل ارتباطی را با عامل‌های کدنویس خود تست کنید. این پروژه تحت یک لایسنس اختصاصی آلفا ارائه شده که استفاده خصوصی و تجاری از آثار خلق شده را رایگان می‌داند، اما بازنشر خودِ پلاگین ممنوع است.
- برای پروژه‌های پیچیده، ابتدا یک «پوشه زمینه» (Context Folder) دقیق با استانداردهای متریال خود بسازید.
- خروجی‌های مدل را با ابزارهای تحلیل سازه‌ای مستقل اعتبارسنجی کنید.
اما داستان بهینه‌سازی این مدل‌ها حتی جذاب‌تر است؛ در آینده، بهینه‌سازی عامل‌محور (Agentic Optimization) هدف است. در جایی که یک مدل نتایج قابل اندازه‌گیری ارائه دهد، یک عامل می‌تواند ورودی‌ها را تغییر داده و نتایج را مقایسه کند تا به یک هدف خاص برسد — مثلاً کاهش حجم متریال در حالی که متراژ کف ثابت بماند. این امر ابزار را از یک پل تولید، به یک بهینه‌ساز هدف‌گرا تبدیل می‌کند.
گفتگو