ChipAgents utökar serie A till 134 miljoner dollar när AI-agenter går djupare in i halvledardesign

ChipAgents har säkrat ytterligare 60 miljoner dollar i serie A2-finansiering, vilket utökar deras serie A-runda till 134 miljoner dollar, medan halvledarföretag undersöker hur autonoma AI-agenter kan förkorta krävande chipdesign- och verifikationscykler.

B Capital gick med i finansieringen som en ny investerare, tillsammans med befintliga investerare Bessemer Venture Partners, Micron, MediaTek, Ericsson (ERIC ), ScOp Venture Capital och andra. Den nya kapitaltillförseln kommer sex månader efter den initiala stängningen av företagets serie A och följer en sexfaldig ökning av årlig återkommande intäkt under första halvåret 2026.

ChipAgents säger att deras teknik nu har distribuerats till över 120 halvledarföretag, inklusive Micron och MediaTek. Det Santa Clara-baserade företaget planerar att använda finansieringen för att utöka kunddistributioner, anställa över ingenjörs- och marknadsföringsteam och påskynda utvecklingen av sin AI-nativa halvledardesignplattform.

Från AI-kopiloter till autonoma ingenjörsarbetsflöden

ChipAgents riktar sig till ett betydligt mer specialiserat problem än allmänna AI-kodningsverktyg.

Halvledarutveckling innefattar sammanlänkade arbetsflöden som omfattar arkitektur, specifikationer, register-överföringsnivåkod, verifikationsmiljöer, simuleringar, täckningsanalys, vågformer, formell verifikation, felsökning, effektoptimering, tid och designavslutning. Ett fel som upptäcks sent i denna process kan försena ett projekt och skapa betydande extra ingenjörs kostnader.

Företagets plattform använder domänspecifika agenter som kan tolka specifikationer och kod, generera produktionsinriktade register-överföringsnivå och verifikations tillgångar och utföra automatiserad rotorsak analys. Deras produkt innehåller miljöer för design, verifikation, täckning och felsökning, tillsammans med ett kommandoradsgränssnitt och projektarbetsyta.

I stället för att bara föreslå nästa kodrad är ChipAgents agenter utformade för att planera och slutföra flerstegs uppgifter. Detta representerar skillnaden mellan en AI-assistent som stöder en ingenjör och ett autonomt system som kan utföra meningsfulla delar av ett ingenjörsarbetsflöde.

Plattformen är också utformad för att fungera tillsammans med befintliga elektroniska designautomatiseringsverktyg och utvecklingsmiljöer. Denna integrationsstrategi är viktig eftersom halvledarföretag inte sannolikt kommer att ersätta simulering, syntes, verifikation och signeringssystem som deras produktionsprocesser redan är beroende av.

Varför verifikation är ett naturligt mål för agentbaserad AI

Verifikation är särskilt lämplig för specialiserade AI-agenter eftersom många åtgärder producerar mätbar återkoppling.

Genererad kod kan kompilera, påståenden kan testas, simuleringar kan köras och funktionell eller kodtäckning kan beräknas. Dessa signaler tillåter en agent att utvärdera om en föreslagen ändring förbättrade designen snarare än att förlita sig helt på subjektiva bedömningar.

Verifikation kräver också resonemang över specifikationer, testbänkar, loggar, kod och vågformdata. När en simulering misslyckas kan ingenjörer behöva söka igenom stora volymer av hårdvarubeskrivande språk och vågformdata för att avgöra om problemet uppstod i designen, testbänken, specifikationen eller omgivande systemet.

ChipAgents har utvecklat ett rotorsak analys system som undersöker designfiler, testbänkar, felloggar och vågformer. Deras arkitektur tillåter flera agenter att undersöka potentiella förklaringar parallellt, stödd av vågformanalys och verifikationsprocesser som testar hypoteser innan de presenterar ett resultat.

Detta är ett mer begränsat och verifierbart användningsområde för agentic AI än att be en allmän chatbot att producera en hel chipdesign från en prompt. Agenterna fungerar inom etablerade ingenjörsprocesser där deras utdata kan testas mot deterministiska verktyg och mätbara designkrav.

Kundtillväxt stärker finansieringsberättelsen

ChipAgents utvidgade kundbas verkar vara en av de viktigaste faktorerna bakom den ytterligare finansieringen.

Företaget rapporterade nyligen att Whalechip använde deras plattform under ett system-på-chip-felsökningsprojekt. Enligt ChipAgents identifierade deras rotorsak analys teknologi fyra kritiska buggar och minskade enskilda analysrundor från dagar till mellan 15 och 60 minuter, vilket hjälpte kunden att undvika upp till två veckors potentiella utvecklingsförseningar.

Ambiq, en utvecklare av ultra-låg effekt halvledare för batteridrivna edge-enheter, har också utökat användningen av plattformen över flera ingenjörsteam efter en utvärdering av tekniken. Distributionen omfattar halvledardesign- och verifikationsarbetsflöden, vilket tyder på att ChipAgents går från begränsade tester till bredare produktionsanvändning.

ChipAgents har också anslutit sig till Amazon Web Services Partner Network och slutfört en SOC 2 Typ II-attestering. Dessa steg kan hjälpa till att tillgodose infrastruktur-, säkerhets- och styrningskraven för halvledarorganisationer som arbetar med känslig immateriell egendom.

Dessa utvecklingar eliminerar inte behovet av ingenjörer eller konventionella verifikationsverktyg. Istället tyder de på att autonoma agenter kan få initialt fäste genom att ta bort repetitiv utredningsarbete, generera verifikations tillgångar, triagera återfall och hjälpa ingenjörer att nå designavslutning snabbare.

En större satsning på AI-nativ halvledarutveckling

Den utvidgade rundan reflekterar en bredare investeringshypotes: alltmer komplexa chip kräver en motsvarande ökning av ingenjörskapacitet, men halvledarexpertis kan inte skalas lika snabbt som datormaskinvara.

Chipdesign blir allt svårare att verifikera när transistorräkningen ökar, arkitekturerna blir mer heterogena och utvecklingsteam arbetar över specifikationer, register-överföringsnivåkod, formella verktyg, simuleringar, begränsningar, täckningsmodeller och fysiska designkrav.

ChipAgents hävdar att domänspecifika AI-agenter kan absorbera delar av denna arbetsbörda utan att kräva att företagen ersätter de verktyg och metoder som de redan använder.

Företaget grundades 2024 av William Wang, en artificiell intelligensforskare och professor associerad med University of California, Santa Barbara. Deras tekniska tillvägagångssätt kombinerar specialiserade modeller, multi-agentkoordination, halvledarutvecklingssammanhang och återkoppling från verifikationssystem snarare än att förlita sig enbart på en allmän stor språkmodell.

Den senaste finansieringen ger ChipAgents ytterligare resurser för att demonstrera att denna strategi kan skalas över olika chiparkitekturer, elektroniska designautomatiseringsmiljöer, utvecklingsmetoder och ingenjörsorganisationer.

Nästa test för agentic AI i chipdesign

Agentic AI i halvledarutveckling kommer slutligen att bedömas av dess noggrannhet, reproducerbarhet, säkerhet och förmåga att fungera inom etablerade signeringprocesser. Snabbare kodgeenerering ensam räcker inte när en oupptäckt defekt kan äventyra en dyr tapeout.

Den mer omedelbara möjligheten är inte fullständigt autonom chipskapelse. Det är utvecklingen av AI-ingengörsystem som kan undersöka fel, generera och testa verifikationstillgångar, koordinera repetitiva arbetsflöden och presentera ingenjörer med bevis som stöder deras slutsatser.

ChipAgents utvidgade serie A visar att investerare och halvledarföretag alltmer är villiga att finansiera den övergången. Deras nästa utmaning kommer att vara att demonstrera att produktivitetsförbättringarna som rapporterats i tidiga distributioner kan upprepas över en betydligt bredare kundbas och produktionsmiljöer.