Mitte der 1960er Jahre formten Ingo Rechenberg und Hans-Paul Schwefel in einem Windkanal der TU Berlin eine Gelenkplatte ohne sie durchzurechnen. Sie änderten die Gelenkwinkel zufällig, massen den Luftwiderstand, behielten die bessere Platte und wiederholten. Jede Generation war ein physikalisches Experiment. Es gab keine Gleichung für das Optimum und keine Zeichnung der Antwort. Sie nannten das Verfahren Evolutionsstrategien.

Diese Schleife ist das Fundament der evolutionären Architektur. Sie zeigt auch die eine Entscheidung in dieser Schleife, die kein Algorithmus für dich trifft: Was bedeutet „besser”? Jemand wählte Luftwiderstand. Der Rest folgte.

Was es ist: Evolutionäre Architektur ist Design durch Zucht. Du zeichnest das Gebäude nicht. Erst schreibst du ein Genom, die Parameter, die beschreiben, welche Formen möglich sind: Feldbreiten, Schaufelneigungen, Knotenpositionen, Stabquerschnitte. Dann schreibst du eine Fitness-Funktion, den Score der „Fitness” definiert. Zuletzt legst du die Variationsregeln fest, die entscheiden, wie Kandidaten sich rekombinieren und mutieren. Die Auswahl arbeitet dann durch Hunderte oder Tausende von Kandidaten, Generation für Generation. Auf dem Thema sagt PAZ’s eigenes Konzept-Panel, die Form am Ende „ist weniger eine Erfindung als ein Überlebender.” Die Entwurfseinheit hört auf, ein einzelnes Objekt zu sein, und wird zu einer Population.

Lies diese drei Eingaben wie ein Auditor. Das Genom kontrolliert, was existieren kann. Die Variationsregeln kontrollieren, wie weit die Suche wandert. Die Fitness-Funktion kontrolliert, was gewinnt. Wer den Score schreibt, gestaltet das Gebäude. Alle anderen überprüfen die Überlebenden.

Warum es funktioniert: Evolutionäre Suche braucht keine Gradienten. Du differenzierst das Problem nicht. Alles was du brauchst ist ein Score für jeden Kandidaten. Das ist wichtig, weil Gebäudedesign rauhe Suchräume hat. Die Fachwerkstabologie ist voller Ein-/Aus-Entscheidungen, wie etwa ob ein Stab existiert oder nicht. Die Stahlgrössierung springt zwischen Standardprofilen. Fassadenpanellierung und Verschattungslayouts haben viele lokale Optima. Ein Gradienten-Solver kann auf einem lokalen Rücken stoppen und ihn als Gipfel melden. Eine Population beprobt viele Rücken gleichzeitig, und Rekombination lässt gute Teilantworten von verschiedenen Rücken sich treffen.

Die strukturelle Logik ist älter als die Software. 1904 zeigte A.G.M. Michell, dass die leichtesten Rahmen ihre Stäbe an die Richtungen der Hauptspannung ausrichten und dass leicht belastetes Material meist Totgewicht ist. Evolutionary Structural Optimisation (ESO), veröffentlicht von Y.M. Xie und G.P. Steven 1993, bewegt sich numerisch auf Michells Lastpfade zu. Du führst eine Finite-Element-Analyse aus, entfernst die am wenigsten belasteten Elemente und wiederholst. Die bidirektionale Variante, BESO, lässt Material zurückwachsen, wo sich Spannungen konzentrieren.

Ziele konkurrieren oft: Steifigkeit gegen Masse, Wintergewinn gegen Sommerüberhitzung, Kosten gegen Embodied Carbon. In diesen Fällen liefert NSGA-II, veröffentlicht von Kalyanmoy Deb und Kollegen 2002, eine Pareto-Front. Das ist die Menge von Designs, bei der keine Zielfunktion besser werden kann, ohne dass eine andere schlechter wird. Es ist die ehrlichste Ausgabe der Methode. Sie bildet den Trade-off ab. Sie macht ihn nicht.

Die Menschen, die die Tools bauten, nennen selbst die Grenzen. David Rutten schrieb Galapagos für Grasshopper 2010. In seinem 2013 Architectural-Design-Essay „Galapagos: On the Logic and Limitations of Generic Solvers” legte er dar, dass generische Solver langsam sind, kein globales Optimum versprechen können und ihren Platz durch Erkundung verdienen. Die Kosten sind einfache Arithmetik. Eine Population von 40 über 60 Generationen bedeutet 2.400 Auswertungen, und jede kann eine vollständige FE- oder Tageslicht-Analyse sein. Plane dein Budget in Auswertungen, nicht Generationen.

←HEUTE: 2026 ist jede Grasshopper-Datei eine Komponente entfernt von einer Populationssuche, und wer die Canvas öffnet schreibt die Fitness-Funktion.
→3012: In Zürich-3012 ist der Score öffentliche Urkunde: versioniert, unterzeichnet und offen für Herausforderung durch die Menschen, die das Gebäude bewohnen.
Angelpunkt: Evolution verschiebt die Urheberschaft in die Regeln, und Governance bedeutet zu entscheiden, wer sie schreiben darf.

Ursprünge: Das Konzept bekam seinen Namen 1995, als John Frazer An Evolutionary Architecture mit AA Publications in London veröffentlichte. Der Kybernetiker Gordon Pask schrieb das Vorwort. Das Buch sammelte Jahre von Arbeit an der Architectural Association mit Julia Frazer und ihren Studenten. Sie behandelten Gebäude als Organismen, jedes mit genetischem Code, Wachstumsregeln und einer Umgebung, die einige Varianten belohnt und andere aussterben lässt.

Die Linie reicht weiter zurück. D’Arcy Wentworth Thompsons On Growth and Form (1917) verwandelte Fische, Krebse und Schädel ineinander auf Koordinatengittern. Für ihn war Form die Spur von Kräften, nicht von Geschmack. John Hollands Adaptation in Natural and Artificial Systems (1975) machte Darwin als genetischen Algorithmus ausführbar. Cedric Prices Generator (1976–79) war ein ungebauter Rückzugsort für die Gilman Paper Corporation in White Oak, Florida: ein Bausatz aus Würfeln, Screens und Wegen, den ein Kran bewegen konnte. John und Julia Frazer schrieben die Programme, die es neue Grundrisse vorschlagen liessen, auch wenn seine Nutzer aufgehört hatten, es zu ändern. Berichte, die den Generator allein Price zuschreiben, lassen die zwei Menschen aus, die seine Intelligenz schrieben. Richard Dawkins’ Biomorphs in The Blind Watchmaker (1986) legten dieselbe Schleife auf einen Heimcomputer.

An der AA sammelten Michael Hensel, Achim Menges und Michael Weinstock morphogenetische Strategien in der Architectural-Design-Ausgabe „Emergence” (2004). An der University of East London lehrte Paul Coates eine Generation von Architekten ihre eigenen Tools zu programmieren (Programming.Architecture, 2010). An der ETH Zürich trägt Kristina Sheas Engineering Design and Computing Lab Computational Design Synthesis in die Ingenieurwissenschaft. Ihr Structural Shape Annealing führt einen engen Verwandten desselben Zyklus aus: generieren, analysieren, akzeptieren oder ablehnen, wiederholen. 2017 ging die Entlehnung anders herum. Neal Ford, Rebecca Parsons und Patrick Kua veröffentlichten Building Evolutionary Architectures, und Pramod Sadalage stiess für die zweite Auflage hinzu. Sie nutzen die Fitness-Funktion um Softwaresysteme gesund zu halten während sie sich ändern.

In der Praxis: Gebaute Projekte zeigen, wo der Score sitzen kann. Beim Qatar National Convention Centre (2011) nutzen Arata Isozaki und Mutsuro Sasaki erweitertes ESO, um ein verzweigtes Stahldach entlang einer Front von ungefähr 250 Metern wachsen zu lassen. Dort ist die Fitness-Funktion strukturell, und ihr Ergebnis ist die Fassade des Gebäudes. Für das ICD/ITKE Research Pavilion 2013–14 in Stuttgart liehen sich Achim Menges und Jan Knippers einen Score, den die Biologie bereits gelaufen hatte: die doppellagigen Vorderflügel von fliegenden Käfern. Roboter wanden die Glas- und Kohlefaser-Module ohne Form.

Für Governance ist der Präzedenzfall Project Discover, das Autodesk-Büro in Torontos MaRS Innovation District (2017). Es wurde von The Living mit Autodesk Research entworfen: David Benjamin, Danil Nagy, Damon Lau, John Locke, Jim Stoddart, Lorenzo Villaggi, Ray Wang und Dale Zhao. Ein Multi-Ziel-genetischer Algorithmus klassifizierte ungefähr 10.000 Geschossgrundrisse gegen sechs gemessene Ziele, von Nähe und Arbeitsstil-Vorliebe bis Tageslicht und Ausblicke. Mitarbeiterbefragungen speisten die Scores, sodass die Menschen, die im Gebäude arbeiten würden, halfen die Funktion zu schreiben, die es wählte. Was zu kopieren ist, ist nicht das Layout. Es ist die Art, wie die zukünftigen Nutzer dem Score zustimmten.

An einem Schweizer Schreibtisch passiert das in Grasshopper auf Rhino. Galapagos bewältigt ein Ziel. Octopus, von Robert Vierlinger bei Bollinger+Grohmann, und Wallacei, von Mohammed Makki, Milad Showkatbakhsh und Yutao Song, bewältigen mehrere Ziele und ziehen die Front. Wallacei ist auf NSGA-II gebaut. Ein kleines Zürich-Studio, das eine Südfassaden-Lamellengitter abstimmt, oder ein Berner Holzingenieur, der ein Brettschichtholzgitter bemisst, greifen zu diesen Tools, wenn es mehr Varianten gibt, als man an einem Nachmittag von Hand überprüfen kann. Zitiere jede Strafe ihrer Quelle: Gebrauchstauglichkeitsgrenzen aus SIA 260, Embodied-Treibhausgaswerte aus der KBOB-Ökobilanzdaten-Liste, Ziele aus SIA 2040. Wenn die Überlebenden die Canvas verlassen, trag sie über die PAZ Grasshopper↔Archicad-Bibliothek in Archicad, sodass die gewinnenden Parameter am Element, das gebaut wird, angehängt bleiben.

Von wo ich schreibe, in den späten 2070ern, kam der bleibende Schaden durch Optimierung selten vom Solver. Er kam vom Standardgewicht, das niemand wieder öffnete. Büros, die ihre Kohlenstoff-Gewichtung in einem Service des Anbieters liessen, beschreiben alle dasselbe. Eine Zahl wurde gesetzt, als graue Emissionen leicht zu ignorieren waren, und sie lenkte Designs Jahre lang, weil niemand die Autorität hatte, sie zu ändern. Die Lösung existiert schon 2026. Halte die Fitness-Funktion als klaren, versionierten Text, den dein Büro besitzt; dann kannst du ihn exportieren, infrage stellen und auf jedem Solver erneut laufen lassen. Schreib diese Austrittklausel, bevor du den Score schreibst.

Atelier: Ein Büro, das dieses Jahr eine KI-gestützte Suche annimmt, trifft auf dieselbe Frage auf jeder Ebene, von der Lamellengitter bis zur Geschossplatte bis zum Modell, das sie vorschlägt: Wer schrieb den Score, und kann ihn sonst wer lesen? Am Montag öffne die letzte Galapagos- oder Wallacei-Datei, die das Büro laufen liess. Schreib ihre Fitness-Funktion als einen klaren Absatz auf: jedes Ziel, jedes Gewicht, jede Strafe mit ihrer SIA- oder KBOB-Quelle und den Zufallsseed. Datei neben das Modell.

Hack: Halte jedes nicht dominierte Design sichtbar, anstatt eine Gewichtssumme leise einen auszuwählen. Eine Gewichtssumme reduziert drei Ziele auf eine Zahl und versteckt die Entscheidung in den Gewichten. Ein Pareto-Filter hält jedes Design, das kein anderes auf allen Zählungen schlägt. Füge das in Rhinos CPython-3-Komponente oder ein beliebiges Python 3 ein und speise es die Zielwerte, die dein Wallacei- oder Octopus-Lauf exportierte:

# Spielwerte: (Embodied kg CO2e/m2, Kosten CHF/m2, Tageslicht-Defizit 0-1), niedriger ist besser
designs = [(410, 3200, 0.18), (395, 3350, 0.22), (430, 3100, 0.15), (440, 3400, 0.25)]
beats = lambda a, b: all(x <= y for x, y in zip(a, b)) and a != b
front = [d for d in designs if not any(beats(o, d) for o in designs)]
print(front)  # drei Überlebende; der vierte wird auf jeder Zählung geschlagen

Drei Designs überleben, und keine davon ist „die Antwort”. Jede nimmt eine andere Position zu Kohlenstoff, Kosten und Licht. Sie auszuwählen ist eine Entscheidung, die eine namentlich genannte Person unterzeichnet.

Evolution verschob die Urheberschaft eine Stufe nach oben, in die Regeln. Folg ihr dort. Bevor der nächste Lauf beginnt, finde heraus, wer in deinem Büro den Score schreibt, und setz ihren Namen drauf.