ChipAgents udvider Serie A til 134 millioner dollars, da AI-agenter går dybere ind i halvlederdesign

ChipAgents har sikret yderligere 60 millioner dollars i Serie A2-finansiering, hvilket udvider deres Serie A-runde til 134 millioner dollars, da halvlederfirmaer udforsker, hvordan autonome AI-agenter kan forkorte krævende chipdesign- og verificeringscyklusser.

B Capital har tilsluttet sig finansieringen som en ny investor, sammen med eksisterende investorer Bessemer Venture Partners, Micron, MediaTek, Ericsson (ERIC ), ScOp Venture Capital og andre. Den nye kapital ankommer seks måneder efter den første afslutning af virksomhedens Serie A og følger en seksdobling af årlig tilbagevendende omsætning i første halvår af 2026.

ChipAgents siger, at deres teknologi nu er blevet udrullet hos mere end 120 halvlederfirmaer, herunder Micron og MediaTek. Det Santa Clara-baserede firma planlægger at bruge finansieringen til at udvide kundeudrulninger, ansætte over hele ingeniør- og go-to-market-hold og accelerere udviklingen af deres AI-naturlige halvlederdesignplatform.

Fra AI-co-piloter til autonome ingeniørarbejdsgange

ChipAgents sigter mod et betydeligt mere specialiseret problem end generiske AI-kodningsværktøjer.

Halvlederudvikling indebærer forbundne arbejdsgange, der omfatter arkitektur, specifikationer, register-overføringsniveau-kode, verificeringsmiljøer, simulationer, dækninganalyse, bølgeformer, formel verificering, fejlfinding, effektoptimering, tidsstyring og designafslutning. En fejl, der opdages sent i denne proces, kan forsinke et projekt og skabe betydelige ekstra ingeniørkostninger.

Virksomhedens platform bruger domænespecifikke agenter, der kan fortolke specifikationer og kode, generere produktionsorienteret register-overføringsniveau og verificeringsaktiver og udføre automatiseret rodårsagsanalyse. Deres produkt omfatter miljøer til design, verificering, dækning og fejlfinding samt en kommandoliniegrænseflade og projektarbejdsområde.

I stedet for blot at foreslå den næste kodeLinje er ChipAgents-agenterne designede til at planlægge og fuldføre flertrinsopgaver. Dette repræsenterer forskellen mellem en AI-assistent, der understøtter en ingeniør, og et autonomet system, der kan udføre betydelige dele af en ingeniørarbejdsgang.

Platformen er også designed til at fungere sammen med eksisterende elektroniske designautomatiseringsværktøjer og udviklingsmiljøer. Denne integrationsstrategi er vigtig, fordi halvlederfirmaer er uvillige til at erstatte simulerings-, syntese-, verificerings- og godkendelsessystemerne, som deres produktionsprocesser allerede afhænger af.

Hvorfor verificering er et naturligt mål for agentic AI

Verificering er særligt velegnet til specialiserede AI-agenter, da mange handlinger producerer målbare feedback.

Genereret kode kan kompileres, påstande kan testes, simulationer kan køres, og funktions- eller kode-dækning kan beregnes. Disse signaler giver en agent mulighed for at evaluere, om en foreslået ændring forbedrede designet i stedet for at afhænge helt af subjektive vurderinger.

Verificering kræver også resonnering på tværs af specifikationer, testbænke, logfiler, kode og bølgeformdata. Når en simulation fejler, kan ingeniører være nødt til at søge gennem store mængder af hardwarebeskrivelsessprog og bølgeformdata for at bestemme, om problemet opstod i designet, testbænken, specifikationen eller det omgivende system.

ChipAgents har udviklet et rodårsagsanalyse-system, der undersøger designfiler, testbænke, fejllogfiler og bølgeformer. Deres arkitektur giver mulighed for, at flere agenter kan undersøge potentielle forklaringer parallelt, understøttet af bølgeformanalyse og verificeringsprocesser, der tester hypoteser, før de præsenterer en resultatsætning.

Dette er en mere begrænset og verificerbar brug af agentic AI end at bede en generel chatbot om at producere en hel chip-design fra en prompt. Agenterna fungerer inden for etablerede ingeniørprocesser, hvor deres output kan testes mod deterministiske værktøjer og målbare designkrav.

Kundevekst styrker finansieringshistorien

ChipAgents’ udvidende kundebase synes at være en af de primære faktorer bag den ekstra finansiering.

Virksomheden har nyligt rapporteret, at Whalechip brugte deres platform under et system-on-chip-fejlfindingsprojekt. Ifølge ChipAgents identificerede deres rodårsagsanalyseteknologi fire kritiske fejl og reducerede individuelle analyseomgange fra dage til mellem 15 og 60 minutter, hvilket hjalp kunden med at undgå op til to ugers potentiel udviklingsforsinkelse.

Ambiq, en udvikler af ultra-lavstrøms-halvledere til batteridrevne edge-enheder, har også udvidet brugen af platformen på tværs af flere ingeniørhold efter en vurdering af teknologien. Udrulningen dækker halvlederdesign- og verificeringsarbejdsgange, hvilket tyder på, at ChipAgents er på vej fra begrænsede tests til bredere produktionsbrug.

ChipAgents har også tilsluttet sig Amazon Web Services Partner Network og gennemført en SOC 2 Type II-attestation. Disse skridt kan hjælpe med at imødekomme infrastruktur-, sikkerheds- og styrekravene for halvlederorganisationer, der arbejder med følsomt ejendomsretligt materiale.

Disse udviklinger eliminerer ikke behovet for ingeniører eller konventionelle verificeringsværktøjer. I stedet antyder de, at autonome agenter kan få fodfæste ved at fjerne gentagne undersøgelser, generere verificeringsaktiver, prioritere tilbageslag og hjælpe ingeniører med at nå designafslutning hurtigere.

En større indsats på AI-naturlig halvlederdesign

Den udvidede runde afspejler en bredere investeringstese: stadigt mere komplekse chips kræver en tilsvarende øgning i ingeniørkapacitet, men halvlederfaglighed kan ikke skaleres så hurtigt som computing-infrastruktur.

Chipdesign bliver sværere at verificere, da transistorantal øges, arkitekturer bliver mere heterogene, og udviklingsteams arbejder på tværs af specifikationer, register-overføringsniveau-kode, formelle værktøjer, simulationer, begrænsninger, dækningmodeller og fysisk designkrav.

ChipAgents argumenterer for, at domænespecifikke AI-agenter kan absorbere dele af denne arbejdsmængde uden at kræve, at firmaer erstatter de værktøjer og metoder, de allerede bruger.

Virksomheden blev grundlagt i 2024 af William Wang, en kunstig intelligens-forsker og professor tilknyttet University of California, Santa Barbara. Deres tekniske tilgang kombinerer specialiserede modeller, multi-agent-koordination, halvlederdesignkontekst og feedback fra verificeringssystemer i stedet for at afhænge udelukkende af en generel large language model.

Den seneste finansiering giver ChipAgents yderligere ressourcer til at demonstrere, at denne tilgang kan skaleres på tværs af forskellige chip-arkitekturer, elektroniske designautomatiseringsmiljøer, udviklingsmetoder og ingeniørorganisationer.

Den næste test for agentic AI i chipdesign

Agentic AI i halvlederudvikling vil ultimativt blive vurderet på basis af nøjagtighed, reproducerbarhed, sikkerhed og evnen til at fungere inden for etablerede godkendelsesprocesser. Hurtigere kodegenerering alene er ikke nok, når en uopdaget fejl kan kompromittere en dyr tapeout.

Den mere umiddelbare mulighed er ikke fuldt autonome chip-skabelse. Det er udviklingen af AI-ingeniørsystemer, der kan undersøge fejl, generere og teste verificeringsaktiver, koordinere gentagne arbejdsgange og præsentere ingeniører med beviser, der understøtter deres konklusioner.

ChipAgents’ udvidede Serie A viser, at investorer og halvlederfirmaer er mere og mere villige til at finansiere denne overgang. Deres næste udfordring vil være at demonstrere, at produktivitetsforbedringerne, der er rapporteret i tidlige udrulninger, kan gentages på tværs af et langt bredere udvalg af kunder og produktionsmiljøer.