Kekecewaan arsitek terhadap kecerdasan buatan (artificial intelligence) sering kali berpangkal pada kekeliruan ekspektasi: memperlakukan sistem generatif layaknya asisten manusia yang memiliki intuisi ruang, lalu memprotes hasilnya ketika bentukan yang lahir terasa janggal, tidak tektonis, atau melenceng dari intensi desain.
Protes semacam ini kerap lahir dari ketidaktahuan kita terhadap apa yang sesungguhnya terjadi di dalam “kotak hitam” (black box) tersebut. Sebagaimana ditegaskan Neil Leach, AI bukanlah entitas berpikiran sadar dan bukan pula sekadar perangkat lunak CAD berbasis geometri pasti. AI adalah mesin pengenalan pola probabilistik. Memprotes hasil keluarannya tanpa memahami epistemologi di balik cara ia belajar dan berpikir adalah sebuah kenaifan metodologis.
Untuk dapat berdialog secara kritis dan berdaya dengan teknologi ini, para perancang perlu memahami dua pilar fundamental yang membentuk logikanya: bagaimana sistem tersebut dilatih, serta aliran paradigma apa yang menggerakkan cara kerjanya.
Tiga Rezim Pembelajaran: Mengapa Mesin “Melihat” Berbeda dengan Arsitek
Keluaran visual atau spasial dari AI adalah manifestasi langsung dari data latihnya. Mesin tidak memahami “arsitektur” sebagai pengalaman spasial, melainkan sebagai korelasi matematis melalui tiga pendekatan:
Pembelajaran Terarah (Supervised Learning): Model belajar dari jutaan pasangan data yang diberi label oleh manusia. Jika kita meminta AI merancang denah dan hasilnya menghasilkan ruang tanpa ventilasi, kegagalan tersebut bukan karena mesin “bodoh”, melainkan karena korpus data latihnya hanya memetakan relasi visual dua dimensi tanpa pemahaman relasional mengenai fisika bangunan atau sirkulasi udara.
Pembelajaran Tak Terarah (Unsupervised Learning): Algoritma mencari pola intrinsik dari data mentah tanpa arahan manusia, lalu membangun ruang laten (latent space) berdimensi tinggi. Bentukan asing atau hibrida tipologi yang sering diprotes arsitek sejatinya adalah navigasi mesin di dalam ruang laten tersebut—menggabungkan karakteristik morfologis berdasarkan kedekatan matematis, bukan aturan tektonika konvensional.
Pembelajaran Penguatan (Reinforcement Learning): Sistem bertindak layaknya agen yang bereksperimen di dalam lingkungan simulasi berbasis reward dan penalti. Kualitas keluarannya sepenuhnya bergantung pada bagaimana parameter optimasi dirumuskan. Jika formula tujuannya bias atau tidak lengkap, mesin akan menghasilkan geometri anomali yang secara matematis optimal, namun secara spasial tidak masuk akal.
Lima Aliran Epistemologis: Memahami Ragam Karakter Komputasi
Ketidaksesuaian hasil sering kali terjadi karena arsitek menuntut penalaran logika deduktif dari sistem yang bekerja secara probabilistik. Meminjam sintesis Pedro Domingos yang dielaborasi Leach, komputasi AI terbagi ke dalam lima aliran pemikiran yang memiliki watak berbeda:
Aliran Simbolis (Symbolists): Berpijak pada logika formal dan aturan eksplisit (rule-based). Sangat presisi untuk fungsi-fungsi deterministik (seperti pengecekan regulasi zonasi atau modul struktur), tetapi kaku dan gagal menangani nuansa estetika atau ambiguitas konteks tapak.
Aliran Koneksionis (Connectionists): Mengandalkan jejaring saraf tiruan (artificial neural networks) dan menjadi motor utama AI generatif saat ini. Aliran ini sangat piawai menangkap gaya, tekstur, dan impresi visual melalui asosiasi data raksasa, namun secara inheren tidak memahami logika tektonika struktural yang kaku.
Aliran Evolusioner (Evolutionaries): Menggunakan algoritma genetika untuk menguji, memutasi, dan mengawinsilangkan variasi desain demi menemukan bentuk paling optimal. Pendekatan ini membutuhkan perumusan fungsi kebugaran (fitness function) yang ketat; tanpa batasan yang presisi, bentuk yang berevolusi akan kehilangan keterbangunannya.
Aliran Bayesian (Bayesians): Bekerja berdasarkan kalkulasi probabilitas dan pembaruan keyakinan data di tengah ketidakpastian. Pendekatan ini relevan untuk pemodelan iklim mikro atau analisis kepadatan sirkulasi, namun tidak menghasilkan bentuk visual secara langsung.
Aliran Analogis (Analogizers): Mengambil keputusan berdasarkan rekognisi kemiripan antar-kasus (case-based). Sistem memproyeksikan preseden lama ke masalah baru. Jika keluarannya terasa klise atau repetitif, itu karena korpus presedennya tidak cukup luas untuk memicu lompatan tipologis baru.
Dari Mengeluh Menjadi Mengkurasi: Literasi Sebelum Artikulasi
Menolak AI karena “hasilnya tidak masuk akal” atau menelannya mentah-mentah sebagai “keajaiban otomatis” adalah dua sikap yang sama-sama keliru.
Arsitek tidak dapat menuntut sistem koneksionis untuk berpikir deduktif layaknya sistem simbolis, atau mengharapkan mesin generatif memahami tektonika material jika data latihnya hanya berupa representasi gambar piksel semata.
Pemahaman atas teknik pelatihan dan lima aliran ini menuntut redefinisi peran profesional kita: dari pembuat bentuk manual menjadi kurator sistemik dan arsitek data. Sebelum tergesa-gesa memprotes piksel yang melenceng atau geometri yang anomali, pahami terlebih dahulu epistemologi mesin yang sedang digunakan. Hanya dengan literasi komputasional yang mendalam, arsitek dapat mengarahkan ruang laten AI secara presisi, kritis, dan berdaya guna.