AI+半导体厂房设计 - B端算法产品

项目职责

产品主要负责人 / 算法逻辑搭建

核心技术选型

Python / 遗传算法 / 参数化设计 (GH)

业务价值指标

设计效率提升 90% / 运营流线成本最小化

0. 痛点挖掘与业务抽象

寻找设计的“北极星指标”

在深度调研一线厂房设计师的工作流后，我发现传统的半导体厂房（涵盖冲压、研磨、清洗、包装等车间）规划极度依赖人工经验。不仅周期冗长，且难以在图纸阶段精确量化投产后的物流运输成本。

作为产品负责人，我将这个感性的工程问题抽象为了理性的数学问题。明确了工具优化的北极星指标：全生命周期运营效率最高，即“最低流线成本”。

1. 核心评估机制设计

在构建适应度评估函数（Fitness）时，团队最初考虑使用两点间的直线距离。但我很快否决了这个方案。因为在真实的半导体厂房中，车间之间通常是正交的走廊，并且存在跨楼层货梯的高昂运输时间与动能消耗。

我主导将距离度量模型更改为曼哈顿距离，并在 Z 轴（楼层高度）上强制增加了一个“垂直惩罚系数 (k)”：

D = |x1-x2| + |y1-y2| + k * |z1-z2|

2. 统一空间生成架构

我将核心引擎定义为 约束输入 -> 空间离散化 (Voxel) -> 评估循环 -> 布局生成 的标准流线。为了防止遗传算法在几十代之后卡在“还不错但非最佳”的方案里，我在产品逻辑中加入了强制性的干预机制。

防局部最优设计： 在遗传算法（选择与交叉）中，强制高频引入“变异 (Mutation)”和“随机种子 (Seeds)”，迫使引擎跳出舒适区寻找全局最优解。
产品化封装： 基于 Python 与参数化工具 (Grasshopper) 完成了底层算法的产品化封装，精简了复杂的输入参数，极大降低了普通设计师的理解门槛。

3. 商业价值落地

运筹算法跑出的结果（纯色块图）对底层数据极其精准，但在面向甲方客户汇报时，却往往缺乏视觉冲击力和说服力。为了让产品具备真正的 B 端商业闭环能力，我引入了生成式 AI 工作流。

提取算法底层生成的粗糙结构线稿，将其作为 ControlNet Line-art 预处理器的控制源。配合深度定制的 Prompt 模型，一键完成渲染。