ChipAgents扩展A轮融资至1.34亿美元，AI代理深入半导体设计

ChipAgents 已获得额外的6000万美元A2轮融资，扩展其A轮融资至1.34亿美元，因为半导体公司正在探索如何使用自主AI代理来缩短苛刻的芯片设计和验证周期。

B Capital 加入了融资作为新的投资者，现有的投资者包括 Bessemer Venture Partners、Micron、MediaTek、Ericsson (ERIC ) 、ScOp Venture Capital 等。新的资金到来是在公司的A轮融资初步关闭六个月后，公司的年度回收收入在2026年上半年增加了六倍。

ChipAgents 表示，其技术已经在120多家半导体公司中得到部署，包括 Micron 和 MediaTek。总部位于 Santa Clara 的公司计划利用这笔资金来扩大客户部署，招聘工程和营销团队，并加速其 AI 本地半导体设计平台的开发。

从 AI 副驾驶到自主工程工作流

ChipAgents 正在针对一个比通用 AI 编码工具更为专门的问题。

半导体开发涉及架构、规格、寄存器传输级代码、验证环境、模拟、覆盖分析、波形、形式验证、调试、功率优化、时序和设计封闭等相互关联的工作流。该过程中发现的错误可能会延迟项目并产生大量额外的工程成本。

公司的平台使用特定领域的代理，可以解释规格和代码，生成生产导向的寄存器传输级和验证资产，并进行自动根因分析。其产品包括设计、验证、覆盖和调试环境，以及命令行接口和项目工作空间。

与其只是建议下一行代码，ChipAgents 的代理被设计为计划和完成多步骤任务。这代表了 AI 助手和自主系统之间的区别，后者能够执行有意义的工程工作流的一部分。

该平台还被设计为与现有的电子设计自动化工具和开发环境一起工作。这种集成策略很重要，因为半导体公司不太可能用新的工具和方法取代现有的生产流程。

为什么验证是 Agentic AI 的自然目标

验证特别适合专门的 AI 代理，因为许多操作都会产生可衡量的反馈。

生成的代码可以被编译，断言可以被测试，模拟可以被运行，功能或代码覆盖可以被计算。这些信号使代理能够评估提出的更改是否改进了设计，而不是仅仅依赖主观评估。

验证还需要在规格、测试台、日志、代码和波形数据之间进行推理。当模拟失败时，工程师可能需要搜索大量的硬件描述语言和波形数据来确定问题是否源于设计、测试台、规格或周围系统。

ChipAgents 已经开发了一个根因分析系统，检查设计文件、测试台、错误日志和波形。其架构允许多个代理并行调查潜在的解释，支持波形分析和验证过程来测试假设，然后呈现结果。

这是在既定的工程流程中使用 Agentic AI 的一个更为受限和可验证的方法，而不是要求一个通用聊天机器人从提示中生成整个芯片设计。

客户增长加强了融资故事

ChipAgents 扩大的客户群体似乎是额外融资的主要因素之一。

公司最近报告称，Whalechip 在一个系统芯片调试项目中使用了其平台。根据 ChipAgents 的说法，其根因分析技术找到了四个关键错误，并将单个分析轮从几天缩短到 15-60 分钟，帮助客户避免了最多两周的潜在开发延迟。

Ambiq，一个为电池驱动的边缘设备开发超低功耗半导体的公司，在评估该技术后，将平台的使用扩展到更多的工程团队。该部署涵盖了半导体设计和验证工作流，表明 ChipAgents 正在从有限试验转向更广泛的生产使用。

ChipAgents 还加入了 Amazon Web Services 合作伙伴网络，并完成了 SOC 2 Type II 验证。这些步骤可能有助于解决半导体组织在处理敏感知识产权时的基础设施、安全性和治理要求。

这些发展并没有消除对工程师或传统验证工具的需求。相反，它们表明自主代理可能最初会通过消除重复的调查工作、生成验证资产、分类回归和帮助工程师更快地达到设计封闭来获得牵引力。

对 AI 本地半导体工程的更大赌注

扩展的轮次反映了一个更广泛的投资论点：越来越复杂的芯片需要相应地增加工程能力，但半导体专业知识不能像计算基础设施一样快速扩展。

随着晶体管数量的增加，架构变得更加异构，开发团队在规格、寄存器传输级代码、形式工具、模拟、约束、覆盖模型和物理设计要求之间工作，芯片设计变得越来越难以验证。

ChipAgents 认为，特定领域的 AI 代理可以吸收这些工作量的一部分，而无需公司更换现有的工具和方法论。

该公司由人工智能研究员和加利福尼亚大学圣巴巴拉分校教授 William Wang 于 2024 年创立。其技术方法结合了专门的模型、多代理协调、半导体工程背景和来自验证系统的反馈，而不是仅仅依赖通用的大型语言模型。

最新的融资为 ChipAgents 提供了额外的资源来证明其方法可以扩展到不同的芯片架构、电子设计自动化环境、开发方法和工程组织。

芯片设计中 Agentic AI 的下一个测试

Agentic AI 在半导体开发中的最终评估将取决于其准确性、可重复性、安全性和在既定的签署流程中运行的能力。仅仅更快的代码生成是不够的，因为未被发现的缺陷可能会损害昂贵的 tapeout。

更紧迫的机会不是完全自主的芯片创建，而是开发能够调查故障、生成和测试验证资产、协调重复工作流和向工程师呈现支持其结论的证据的 AI 工程系统。

ChipAgents 扩展的 A 轮融资表明，投资者和半导体公司越来越愿意为这一转变提供资金。其下一个挑战将是证明早期部署报告的生产力改进可以在更广泛的客户和生产环境中重复。