Автор статьи: Пошивай Георгий
Георгий Пошивай окончил программу «Нейросети в архитектуре» в этом году, но применять полученные навыки стал еще в ходе обучения. Мы попросили его поделиться собственными наблюдениями относительно того, как меняется процесс архитектурного проектирования при использовании ИИ.
Основной задачей было разработать концепцию многофункционального здания и пройти полный путь от текстового исследования и идеи до визуального представления проекта. Объектом исследования стал комплекс в Калининграде, переосмысляющий индустриальную память города: верфи, склады и портовые сооружения. Главная идея проекта — создание современной «живой верфи», где производство и творчество становятся частью публичного пространства. В здании появились мастерские художников с прозрачными фасадами, галереи, фудхолл, зимний сад, вертикальный арт-маршрут и две башни, соединённые небесным мостом.
В процессе работы стало понятно, что нейросети полезны не только как инструмент создания изображений. Они позволяют исследовать проект, быс трее проверять идеи и находить неожиданные направления развития концепции.
Первым этапом стала работа с текстовыми моделями. Здесь нейросеть использовалась не как генератор готовых решений, а как инструмент анализа, исследования и развития архитектурных идей. Работа через исследование значительно помогла на ранней стадии проекта. С помощью языковых моделей было проще анализировать контекст, формулировать сценарии использования здания, проверять и развивать разные концепции.
Важным шагом стала генерация первых тестовых изображений. Даже предварительные варианты позволяли быстро увидеть, насколько убедительно работает идея, и обнаружить проблемы, которые сложно заметить только через текстовое описание. В результате первая концепция проекта была полностью пересмотрена: визуальные эксперименты показали, что первоначальное направление не раскрывает потенциал задачи, и именно через дальнейшее исследование появилась новая идея здания и его образа.
Постепенно описание проекта превратилось в полноценное техническое задание для визуализации. В запросах приходилось учитывать не только внешний вид здания, но и функциональную структуру, материалы, атмосферу, городской контекст и характер будущих пространств.
Следующим этапом стала работа с генерацией изображений. Первые эксперименты были выполнены через готовые онлайн-инструменты: они позволяли быстро получать варианты и проверять разные направления, но не давали достаточно контроля над генерациями. Стало понятно, что работа с генеративными моделями требует большого количества итераций.
Например, при изменении ракурса нейросеть неоднократно меняла взаимное расположение башен и небесного моста, хотя для человека эта связь была очевидной. Один из приемлемых вариантов появился только после большого количества итераций и корректировки запросов. Именно необходимость постоянного эксперимента стала одной из причин перехода к локальному запуску ComfyUI. Когда поиск решения требует десятков и сотен генераций, работа исключительно через сервисы с ограничениями по подписке становится менее удобной.
ComfyUI позволила глубже разобраться в структуре генерации: собирать собственные workflow, подключать различные модели и понимать, какие именно инструменты влияют на итоговый результат. Работа началась с базовых Stable Diffusion-моделей, затем я перешёл к более современным решениям, включая Flux и Flux2. В процессе стало понятно, что универсальной модели не существует: разные инструменты по-разному работают с атмосферой, материалами, детализацией и сохранением геометрии объекта.
Отдельным экспериментом стало обучение собственной LoRA-модели. В качестве датасета использовались фотографии ночного Токио с характерной архитектурой и четко выраженной визуальной стилистикой, вдохновлённой эстетикой фильма «Бегущий по лезвию». Целью было создать собственный инструмент для работы со стилистикой, а не просто использовать готовые референсы. После обучения LoRA была протестирована в разных связках с генеративными моделями. Сравнение результатов показало, насколько сильно небольшая дополнительная модель может менять характер изображения при сохранении общей структуры объекта.
В итоге я пришёл не к поиску одной «лучшей» модели, а к смешанному workflow, где разные инструменты решают разные задачи: одни помогают искать идеи, другие — менять стилистику, работать с ракурсами или улучшать детали. Возможность строить сложные workflow и запускать серии генераций особенно полезна на стадии поиска концепции: вместо одной попытки можно исследовать большое количество вариантов с разными параметрами и настройками.
Работе с этими и другими AI-моделями можно научиться на программе «Нейросети в архитектуре». Студенты за время обучения осваивают Perplexity, xFigura, ComfyUI, Rhino+Grasshopper, Spellshape, Nano Banana 2, и сразу же применяют полученные навыки в собственных проектах.
Главное преимущество локального использования ComfyUI — независимость от внешней инфраструктуры. В отличие от облачных решений, локальная установка позволяет использовать бесплатные модели и инструменты без подписок, работать без постоянного подключения к интернету и хранить все workflow внутри собственного рабочего окружения.
Для архитектурного бюро это особенно важно: workflow постепенно персонализируются и подстраиваются под задачи архитектурной мастерской— в них сохраняются настройки генерации, обученные LoRA и внутренние наработки команды. Хранение таких инструментов внутри компании позволяет формировать собственную библиотеку решений, контролировать доступ к проектным материалам и не зависеть от изменений сторонних сервисов.
При этом локальный подход требует больше времени на подготовку и освоение. Настройка окружения, подбор моделей, установка зависимостей и понимание принципов работы workflow становятся отдельной частью процесса. Кроме того, для современных моделей необходим достаточно мощный компьютер. Я бы убрала, абзац как будто уже глубже в обучение, чем в разбор кейса.
Следующим этапом стал переход от изображений к параметрической модели. Эксперименты продолжились в Rhino/Grasshopper и Codex: была создана параметрическая модель здания с возможностью генерации различных комбинаций и вариантов архитектуры одной кнопкой. Таким образом, нейросеть стала использоваться не только для поиска образа и стилистики, но и как инструмент перехода от концептуального изображения к управляемой архитектурной модели.
Работа с нейросетями постепенно меняет не только набор инструментов архитектора, но и сам способ мышления. Я заметил, что всё меньше думаю о том, как решить конкретную задачу, и всё чаще задаю вопрос: как упростить процесс с помощью предоставленных возможностей? Нейросеть постоянно предлагает неожиданные варианты, которые невозможно было бы заранее полностью спланировать. Иногда хорошая идея появляется случайно — как результат эксперимента с другим запросом или настройкой. При этом возникает интересный парадокс: вместо ожидаемого сокращения количества работы, нейросети часто приводят к обратному эффекту. Возможностей становится больше, количество направлений для исследования увеличивается, а вместе с этим растёт и объём творческой работы. Но это уже другая работа — не механическая подготовка вариантов, а постоянное исследование и поиск. Для меня главный результат этой работы в другом: AI не дает сразу готовый результат и не заменяет архитектора, но, как еще один продвинутый инструмент, изменяет сам подход к работе, делая его шире и разнообразнее.
А освоить инструменты, необходимые для архитектора сегодня, можно на программе «Нейросети в архитектуре», новый поток которого стартует 10 октября. Студенты проходят полный цикл работы над архитектурным проектом: от исследования и концепции до эскизов и детальной проработки. Учатся работать с текстовыми, графическими и 3D-инструментами на базе AI, упрощая свою профессиональную деятельность с помощью современных инструментов.
