LLM × Parametric Design

パラメータは多いのに、ユーザーが話すのは日常の言葉

パラメトリックモデルなら棚の高さ、奥行き、棚板の位置や区画の比率をすばやく変えられますが、棚ひとつに十数本のスライダーがあり、名前からは効果がわかりにくく、組み合わせは何千通りにもなります。一般のユーザーは試行錯誤しないと合うサイズにたどり着けず、デザイナーも微調整に多くの時間を取られます。

ユーザーは何をしまいたいか、どんなスタイルがいいかはわかっていても、それが「どのパラメータ」にあたるのかがわかりません。本研究では、大規模言語モデルを「デザインの要望」と「パラメータ操作」の間をつなぐ仲介役にしました。

従来の方法：スライダーを一本ずつ調整

下は Rhino＋Grasshopper での実際の操作録画です。棚板の数、左側を二段に分けるか、扉の有無、扉の開き角度、素材を調整すると、モデルがその場で更新されます。スライダーごとに意味を理解し、何度も試さなければ形への影響が見えてきません。

言葉 × パラメータ：4 層のプロトタイプ

システムは二つの流れで構築しました。一つは家具のパラメトリックモデルとパラメータのラベルを作り、言語モデルが意味を解釈してプロンプトのルールに従いパラメータに変換する流れ。もう一つは固定のデータ形式を決め、GPT が出力した Excel を Grasshopper が読み込んでモデルを更新する流れです。

ユーザーは収納の仕方や置く物、使う場面を日常の言葉で伝えるだけで、システムがパラメータ一式を生成して 3D モデルを更新します。言葉のあいまいさを減らすため、パラメータの範囲、意味の対応、依存条件、安全上の制約を定めた「パラメータ意味規約」も設計しました。

カスタム棚：一枚の写真から棚のファミリーへ

LLM は画像も読めます。参考写真を一枚渡すと、棚の色、比率、扉の形式、棚板の配置を読み取り、写真に写った A4 ファイルボックスなどのサイズから各段の高さを推定してパラメトリックモデルに対応させ、元の棚に近い 3D モデルを得られます。

比率を保ったまま、別の用途へ展開

続いて LLM が棚板の比率を保ったままサイズと色を変え、ロータイプの家電収納、部屋の収納棚、卓上の本棚という三つのパラメータ案を用途の説明つきで導き出しました。ユーザーはゼロから寸法を考えなくても、スタイルの揃った選択肢から選ぶだけで済みます。

バイオミメティックなスマホケース：対話でテクスチャそのものを調整

二つ目の応用例です。バイオミメティック（ボロノイ）テクスチャのスマホケースのカスタマイズは、柄の差し替えではなく、穴の大きさ、密度、線の太さ、角の丸み、流れ感を調整することです。厚みやカメラ・ボタンの開口などの構造条件も考慮する必要があり、普通のケースよりずっと複雑です。

ユーザーは「穴をもう少しまばらに」「縁の包み込みを強く」「もっと軽く、でも最低限の保護は残して」と話すだけで、言語モデルが対応するパラメータを調整し、seed を変えてさまざまなテクスチャの配置を見比べられます。言語モデルは機種ごとの公開仕様もまとめられるので、寸法データを集める時間も短縮できます。

同じテクスチャを、さまざまな機種に

言葉でテクスチャの太さと厚みを調整

結果：デザイン経験のない人に最も効果的

二つのインターフェースの全体的な差は有意ではありませんでしたが、デザイン経験のない人は直感性・満足度・探索意欲の面で、デザイン経験のある人より LLM インターフェースから有意に大きな効果を得ました。言語インターフェースは、これまでパラメータの壁に阻まれていた人にこそ役立ち、デザイナーは仕上げの段階ではスライダーの精密さを好むことがわかりました。