Bevor es zu einer Copilot-Demo oder einer Keynote-Folie wurde, war maschinell gefundene Form ein Paper. 1962 veröffentlichte Lawrence J. Fogel „On the Organization of Intellect”; Ingo Rechenberg und John Holland trieben es durch die 70er-Jahre; 1986 schnallte Richard Dawkins ein winziges Programm an „The Blind Watchmaker”, das endlose kleine Biomorphs aus nichts als Selection züchtete. Evolutionäre Berechnung war zwei Jahrzehnte lang echte Wissenschaft, bevor sie je am Reissbrett brauchbar war. Was das änderte — speziell für Architekten und Ingenieure — war ein Mann, der entschied, dass Nicht-Programmierer dieselbe Engine verdienen.

Der Mann ist David Rutten, und das Werkzeug ist Galapagos. Er schrieb das Ganze auf seinem Blog „I Eat Bugs For Breakfast” auf — eine grobe Abschrift des Vortrags, den er am 21. September 2010 auf AAG10 in Wien hielt. Lesen Sie es heute, fünfzehn Jahre später, und das Auffällige ist nicht, wie viel veraltet ist — sondern wie wenig.

←TODAY: Galapagos wird seit 2010 in Grasshopper geliefert; Rottens AAG10-Vortrag in Wien liest sich immer noch als klarste Anleitung zu Evolutionary Solvern für Menschen ohne Code.
→3012: Parametrische Optimierung wird ambient — im Hintergrund durchgehend, wie Clash-Checks auch — und die Ateliers, die die Engine lernten, nicht nur den Start-Button, steuern sie noch immer.
Fulcrum: Galapagos war ehrlich über Langsamkeit und Unsicherheit, und genau diese Ehrlichkeit ist der Grund, warum es Infrastruktur wurde, während lautere Tools zu Changelogs wurden.

Ehre dem Mann

Bringen wir die Dinge ins Reine, denn die Industrie tut es selten. Rutten baute 2007 Grasshopper — die visuelle Programmierumgebung, die änderte, wie eine Generation designt — und Galapagos als seinen nativen Evolutionary Solver. Autodesks Dynamo kam 2012, fünf Jahre später, in eine Revit-Welt, die Grasshopper bereits gelehrt hatte, in Knoten und Drähten zu denken. Das ist keine Attacke; es ist einfach Chronologie, und Chronologie zählt, wenn wir entscheiden, wem wir danken. PAZ hat Rottens lebendiges Erbe bereits früher behandelt, in unserem Artikel über Grasshoppers neue Welle von Copilots — Tools, die nur funktionieren, weil sein Canvas strukturiert genug war, dass eine Maschine es überhaupt lesen konnte.

Das Seltenere ist seine Ehrlichkeit. In derselben Serie schreibt er, dass Galapagos „viel Arbeit braucht, um robuster zu werden”, dass es am besten bei „kleinen oder Teil-Problemen” funktioniert, und dass „der Versuch, etwas Kompliziertes zu entwickeln, fast sicher zu Frustration führen wird”. Menschen haben diese letzte Zeile als Urteil über das Werkzeug zitiert. Das ist es nicht. Es ist ein Designer, der Erwartungen managt — Nutzer, die immer mehr vom Solver wollen, genau sagen, wo die Grenze ist, damit sie nicht die Engine für physikalische Grenzen verantwortlich machen. Ein Autor, der seine eigene Arbeit kritisiert, ist eine wirklich seltene Fähigkeit in diesem Geschäft. Das ist auch der Grund, warum man alles andere, was er sagt, vertrauen kann.

Die Engine, kurz erklärt

Rottens mentales Modell ist eine Fitness-Landschaft. Zwei Variablen — er nennt sie Gene — werden zur x/y-Ebene, und die Qualität jeder Kombination zur Höhenlage. Die ganze Aufgabe des Solvers ist es, den höchsten Gipfel auf einer Fläche zu finden, die er nicht sehen kann. Er streut eine zufällige Generation Zero, ordnet alle nach Fitness, eliminiert die schlechtesten, züchtet die besten, so dass die Kinder irgendwo im Zwischenraum des Modells landen, und wiederholt. Zwölf Gene bedeuten einen 12-dimensionalen Band, den niemand zeichnen kann — aber die fünfteilige Anatomie bleibt gleich. Das ist die Schönheit: das Konzept skaliert, auch wenn die Intuition das nicht tut.

Aufbau: Galapagos — Davids Rottens Evolutionary Solver, kostenlos in Grasshopper für Rhino mitgeliefert. Kein Plugin, kein Lizenzschlüssel, kein Repo zum Klonen; es sitzt die ganze Zeit in deinem Params → Util-Panel. Es wandelt jede Grasshopper-Definition in ein Optimierungsproblem um: Zahlenschieber als Gene verbinden, einen Wert als Fitness ausleiten, und Selection erledigt den Rest. Wert eines Architekten-Nachmittags, denn es ist das dauerhafteste Stück Applied AI in unserem Toolchain — älter als die meisten Plugins, die heute um dieselbe Aufgabe kämpfen.

Aufbau: Galapagos selbst braucht keine Installation — aber um die Engine zu fühlen, bevor du sie fährst, laufe diesen 15-Zeilen-Standalone. Es ist die exakte Anatomie, die David beschreibt, in einfachem Python, so dass du verstehst, was der echte Solver unter der Haube macht.

import random

def fitness(g):
    x, y = g
    return abs(x * y) + 0.5 * abs((1 - x) * (1 - y))

def breed(a, b):
    return [random.uniform(min(p, q), max(p, q)) for p, q in zip(a, b)]

pop = [[random.random(), random.random()] for _ in range(50)]
for gen in range(50):
    pop.sort(key=fitness, reverse=True)
    elite = pop[:10]
    pop = elite + [breed(random.choice(elite), random.choice(elite))
                   for _ in range(40)]
    print(f"gen {gen:2d}  best fitness = {fitness(pop[0]):.4f}")

Erste Schritte:

1. Speichern als galapagos_feel.py und laufe python galapagos_feel.py. Beobachte, wie beste Fitness über 50 Generationen klettert — diese steigende Zahl ist die ganze Idee, sichtbar gemacht.
2. Öffne Rhino 8 → Grasshopper. Lasse eine Galapagos-Komponente fallen. Verbinde zwei Zahlenschieber mit ihrer Genome-Eingabe und einen gemessenen Wert (eine Entfernung, eine Fläche, eine Panelanzahl) mit Fitness.
3. Rechtsklick auf Galapagos → wähle Evolutionary Solver → Start Solver. Derselbe Anstieg wie dein Script, jetzt auf echter Geometrie, die du bewegen sehen kannst.
4. Schalte die Fitness von maximieren zu minimieren um — sagen, minimiere Strukturmasse — und führe erneut aus. Dieselbe Engine, entgegengesetzter Berg.

Wo es sich wirklich bewährt

Das ist für uns keine Theorie. In PAZ Academy’s eigenem Projektwerk — das Dach von Budapeests House of Hungarian Music in Liget Budapest — machte Galapagos die unglamouröse Optimierung, die niemand fotografiert: die Dachöffnungen zwischen den bestehenden Bäumen des Parks verlegen, die Tausende goldener Origami-Blätter über die Unterseite des Daches verteilen, und helikoide Treppen, Tragwerk-Dimensionierung und akustische Geometrie in etwas Baubares zusammenbringen. Jedes davon ist eine Fitness-Landschaft. Nichts davon wäre so gut, so schnell ohne Davids Rottens Engine darunter. Das ist die Korrektur, lohnt sich: Galapagos war nicht eine überholte Kuriosität — es war ein Zweig angewandter KI für die Bauindustrie, still angekommen, ein Jahrzehnt bevor ‘KI’ zur Mode wurde.

Der ehrliche Preis, von Rutten angegeben und bestätigt von jedem, der es über Nacht laufen ließ: Evolutionary Solver sind langsam. Eine Licht-, Schatten- oder akustische Fitness kann eine Minute pro Iteration dauern — fünfzig Generationen von fünfzig Individuen sind zwei Tage Wartezeit, und es gibt keine Garantie, dass die Maschine Die Antwort erkennt, selbst wenn sie sie findet. Ein Solver, der zugibt, dass er scheitern könnte, ist wohltuend praktisch.

Atelier: Für ein Schweizer Atelier ist die Falle, Galapagos als einen magischen „Lösen”-Button in der Wettbewerbsnacht zu behandeln und dann um 02:00 zu fluchen, wenn es nicht konvergiert hat. Nutze es genau dort, wo Rutten sagt, dass es stark ist — kleine, gutgestellte Probleme: Panelanzahl, Öffnungsverhältnisse, eine Stufensteigung, eine Fassade, die ein Tageslicht-Ziel treffen muss. Diese Woche, wähle eine aktive Definition und füge einen einzelnen messbaren Fitness-Output hinzu — nichts mehr — dann starte Galapagos zwei Gene über Mittag. Du wirst mehr über dein Modell in einer Stunde lernen als in einer Woche manuellem Schieber-Verstellen.

Kniff: Züchte zwei Genome von Hand und beobachte, wie das Kind zwischen seinen Eltern landet — der eine Schritt, der eine zufällige Vermutung in eine gerichtete Suche verwandelt. Dies ist der Crossover-Schritt, das schlagende Herz dessen, was David „frischen Boden” erkunden nennt.

import random
def breed(a, b):
    return [random.uniform(min(x, y), max(x, y)) for x, y in zip(a, b)]
mom, dad = [0.2, 0.5], [0.8, 0.1]
print(breed(mom, dad))

Laufe es ein Dutzend Mal. Das Kind ist nie wilder als seine Eltern — immer zwischen ihnen — was genau der Grund ist, warum eine Population konvergiert, statt sich zu zerstreuen. Ändere min/max zu einem breiteren Bereich und du hast Mutation erfunden. Das ist der ganze Trick, und es lohnt sich wirklich, ihn zu verstehen, bevor du einem Solver vertraust — Davids oder sonst welchem.

Eine letzte Sache. Die Tools, die am schlechtesten überdauert haben, waren nicht die hässlichen — sie waren die, die du nicht wieder öffnen konntest, nachdem der Hersteller die Unterstützung einstellte. Galapagos hat fünfzehn Jahre überlebt, teilweise weil Rutten es in ein Ökosystem baute, das Menschen lesen und erweitern konnten, und weil er ehrlich über seine Grenzen blieb. Wenn du einen Solver dieses Quartal wählst, stelle die Frage, die jede Demo überdauert: in fünfundzwanzig Jahren, kann jemand deine Datei noch öffnen und sehen, was die Maschine entschied? Führe das Script aus. Danke der Engine — und dem Mann — indem du es dort nutzt, wo es wirklich stark ist.

Zum Weiterlernen:

• Die Quellenserie: David Rutten, „Evolutionary Principles applied to Problem Solving” — ieatbugsforbreakfast.com
• Revit-Gegenstück: der Dynamo BIM Blog — nützlicher Kontext dafür, wie sich knotenbasiertes Design nach Grasshopper verbreitete.
• Sachliche Tech-Berichterstattung: AEC Magazine — Technologie zur wiederholbaren Erfassung von rechnergestützten Design-Werkzeugen.
• PAZ / Persönliche Notiz: das House of Hungarian Music — ein gebautes Beispiel, was ein Evolutionary Solver mit Dach, Treppe und Blatt-Soffit tut.