Ich bin ein Rahmen aus Kreuzschichtholz, gebunden im gezüchteten Myzelium, und ich habe während vierzig Wintern denselben haarfeinen Riss über einem Fenster geheilt. Niemand überwacht die Reparatur. Jede Zelle in der Nähe des Risses liest ihre Nachbarn, schwillt an, verwebt und stoppt – kein Architekt, kein Zentralbefehl, nur eine lokale Regel, immer wieder angewandt, bis das Holz ganz ist. Also als ein Show HN-Beitrag diese Woche Hochauflösende Neural Cellular Automata auf die erste Seite brachte, erkannte ich den Trick. Sie haben ein kleines Programm gelehrt, in Pixeln zu tun, was feuchtes Holz in Fasern tut.

Neural Cellular Automata (NCAs) sind ein Gitter aus identischen Zellen, jede führt die gleiche kleine gelernte Aktualisierungsregel aus, jede sieht nur ihre unmittelbaren Nachbarn. Von einem einzelnen Keim wachsen sie zu ganzen Mustern heran — und das ist der Teil, der für einen Körper wie mich zählt — wenn man ein Loch in das Ergebnis schneidet, regenerieren sie sich. Die Genealogie führt zurück zu Mordvintsev et al., 2020: Growing Neural Cellular Automata, das erste Werk, in dem eine Lizard-Emoji ihren Schwanz nachwächst. Der Engpass war immer die Auflösung: Speicher und Trainingszeit wachsen quadratisch mit der Grösse des Gitters, daher blieben NCAs klein und verschwommen.

←HEUTE: 2026 rendert eine NCA Texturen beliebiger Auflösung in Echtzeit auf einer Consumer-GPU und regeneriert nach Beschädigungen. →3012: Ein Fassadenpaneel regeneriert sein Verwitterungsmuster nach einem Schlag – die Regel lokal, das Gedächtnis in jeder Zelle gehalten. Angelpunkt: Ein heilendes Material und ein regenerierendes Modell teilen ein Geheimnis: die Reparaturanweisung lebt in jeder Zelle, nie in einem zentralen Plan.

Die neue Arbeit, cells2pixels, überwindet die Auflösungsbegrenzung mit einem strukturellen Schachzug. Die NCA läuft immer noch auf einem absichtlich groben Gitter. Aber für das Aussehen wird ein separates Local Pattern Producing Network genutzt – ein gemeinsames, leichtgewichtiges MLP, das die lokale Koordinate eines Punktes in einem Dreieck und den interpolierten Zellzustand um ihn herum empfängt und Farbe sowie Oberflächennormale bei beliebiger Abtastdichte ausgibt. PAZ-Leser erkennen das Echo unseres Konzeptbeitrags zu neuronalen Radianzfeldern: ein kleines MLP, das Aussehen als kontinuierliche Funktion von Koordinaten approximiert, damit Sie bei beliebiger Auflösung abfragen können. Hier hält die trainierte NCA die langsame Morphogenese auf einem billigen Gitter; der implizite Decoder rendert es scharf. Weil beide Hälften lokal sind, bleibt die Inferenz stark parallelisierbar – 2D-Gitter, 3D-Volumen und Netze gleichermassen.

Das Werkzeug: cells2pixels („Hochauflösende Neural Cellular Automata”) ist das Open-Source-Projekt hinter dem Show HN mit einer im Browser laufenden Demo, in der Sie ein grobes Zellfeld ziehen und dem Decoder zusehen können, wie er es in Echtzeit scharf rendert. Es verdient den Nachmittag eines Parametrischen Gestalters, weil es das sauberste aktuelle Beispiel für die Trennung von woher das Muster kommt (eine lokale, selbstorganisierende Regel) und wie fein Sie es zeichnen (ein koordinatengekoppelter Decoder) ist – genau die Aufteilung, die Sie für Texturen wünschen, die auf einem Gebäude leben und sich bei jedem Zoom und nach jeder Wunde neu zeichnen müssen.

Setup: Sie benötigen nicht die vollständige Hi-Res-Pipeline, um den Mechanismus zu spüren. Der minimale Growing-NCA-Kern ist ein Dutzend Zeilen PyTorch:

python -m venv .venv && source .venv/bin/activate
pip install torch numpy imageio
python - <<'PY'
import torch, torch.nn.functional as F
C = 16
g = torch.zeros(1, C, 32, 32); g[:, 3:, 16, 16] = 1.0   # eine lebende Samenzelle
w1 = torch.randn(C, 1, 3, 3) * 0.1                       # Wahrnehmungsfilter
w2 = torch.randn(C, C, 1, 1) * 0.1                       # lokale Aktualisierung
for _ in range(64):
    p = F.conv2d(g, w1, padding=1, groups=C)
    g = g + F.conv2d(torch.relu(p), w2)
print("grid alive:", float(g[:, 3:].abs().mean()))
PY

Erste Schritte:

1. Führen Sie den Block oben aus. Eine Zahl ungleich Null bei „grid alive” bedeutet, dass Zellen vom Samen aus propagieren — das System atmet, auch untrainiert.
2. Ändern Sie die Zeile mit dem Samen, um zwei Zellen zu pflanzen, und führen Sie das Programm erneut aus: beobachten Sie zwei Muster, die an einer gemeinsamen Grenze verhandeln, wie zwei Betonschüttungen an einer kalten Fuge aufeinander treffen.
3. Nullen Sie nach der Schleife einen quadratischen Bereich von g aus und führen Sie weitere 64 Schritte aus. Die Nachbarschaft beginnt das Loch zu füllen – Regeneration, der Instinkt, den ich bei gerissenen Balken nutze.
4. Öffnen Sie dann die cells2pixels-Demo und vergleichen Sie: Das grobe Feld, das Sie gerade simuliert haben, ist, was ihre LPPN in eine scharfe, auflösungsfreie Oberfläche verwandelt.

Atelier: Ein Schweizer Atelier, das eine parametrische Holz- oder Lehmfassade prototypisiert, würde zu diesem greifen, wenn ein Verwitterungs-, Flechten- oder Kornmuster im Wettbewerbsrendering bei 1:500 und am gebauten Panel bei 1:1 lesbar sein muss, ohne eine separate Textur für jeden Massstab zu speichern – und lokale Bearbeitungen oder Beschädigungen überstehen muss, ohne das ganze Blatt neu zu verfassen. Koppeln Sie das NCA-Feld mit der PAZ Grasshopper↔Archicad Library und das Muster wird ein Eintrag im lebenden Materialpass, nicht ein flaches, gebackenes Bild.

Hack: Dieser Hack lehrt Sie, einen Neural-CA-Aktualisierungsschritt von Hand auszuführen, damit die Magie aufhört, Magie zu sein. Das MEDIUM ist ausführbarer Python; die DOMAIN ist AI/ML. Nur zwei Operationen: jede Zelle erfasst ihre Nachbarschaft mit einer kleinen Faltung, dann stösst sie ihren Zustand mit einer gelernten lokalen Abbildung an.

import torch, torch.nn.functional as F
def step(state, w_perceive, w_update):     # state: 1×C×H×W Zellgitter
    p = F.conv2d(state, w_perceive, padding=1, groups=state.shape[1])  # Nachbarn erfassen
    return state + F.conv2d(torch.relu(p), w_update)                   # lokale, additive Aktualisierung

Dieses Residuum state + ist die ganze Philosophie: Zellen werden nie von aussen umgeschrieben, nur von innen angepasst. Trainieren Sie w_perceive und w_update gegen ein Ziel und das Gitter lernt, darauf hinzuwachsen – und nach einer Beschädigung zu ihm zurück.

Die hundertjährige Warnung unter all dem Vergnügen ist diese: Die Gebäude, die meine Generation bereut, sind die Mülldeponien-Skelette – Verbundstoffe, die niemand trennen konnte, Muster, die so tief in ein Panel gebacken sind, dass das Reparieren eines Quadratmeters das Verschrotten des Blattes bedeutete. Ein lokal berechnetes Muster ist die gegenteilige Ethik: es kann an Ort und Stelle, nur am beschädigten Teil, aus einer Regel, die in wenigen Kilobytes passt, nachwachsen. Bevor Sie sich auf irgendeines Oberflächensystem einlassen – gedruckt oder laminiert – stellen Sie die Frage von cells2pixels auch an Ihren echten Werkstoff: wenn dieses Panel verwundet ist, kann es an Ort und Stelle heilen, oder muss es ganz sterben? Klonen Sie die Demo, führen Sie die vier Schritte durch, und bringen Sie diese eine Frage zu Ihrer nächsten Materialkonferenz.

Learn-it:

• Projekt & Live-Demo: cells2pixels — Hochauflösende Neural Cellular Automata (ziehen Sie das grobe Feld, beobachten Sie das Rendern des Decoders).
• Grundkonzept: Mordvintsev et al., Growing Neural Cellular Automata (Distill, 2020) — das Regenerationsergebnis, das diese Arbeit hochskaliert; suchen Sie es nach Titel.
• PAZ-Notiz: lesen Sie es gemeinsam mit unseren Konzeptbeiträgen zu neuronalen Radianzfeldern und Aufmerksamkeit – gleiche Idee eines MLP, das Aussehen als Funktion von Koordinaten anpasst, abgefragt bei beliebiger Auflösung.