一家EDA初创公司，崛起迅速

在我（本文作者）从事半导体行业的 45年历程中（其中 43 年深耕于 EDA 和 IP 领域），我从未见过一家 EDA 公司的崛起如此迅猛。我依稀记得早期 EDA 行业的融资盛况，但从没见过哪家公司能在如此短的时间内取得如此惊人的客户成功。

我第一次接触 ChipAgents 是在 2025 年的硅谷 DVCon 上。那是一次很有趣的会面，因为他们当时几乎没什么芯片设计经验，却拥有极其丰富的学术界 AI 背景。我记得会后我和伯纳德·墨菲（Bernard Murphy）摇了摇头，心里直打鼓：不知道到了明年的 DVCon，这家公司会变成什么样？

不言而喻，18 个月后的 ChipAgents 已经拥有一份令人瞩目的客户名单，其中不少是我非常熟悉的公司，我甚至还和其中几家聊过。我也认识他们顾问委员会里的成员，全都是世界顶级的半导体专家。其中有三位和我私交甚笃，所以我完全是基于第一手了解在说话。

这种彗星般的崛起势头在 DAC2026上得以延续，这里也成了公布新一轮融资的绝佳舞台。ChipAgents 宣布完成 6,000 万美元的 A2 轮融资，使其 A 轮融资在首次交割仅六个月后就累计达到了据报的1.34亿scale（约 1.34 亿美元）。本轮扩展融资由B Capital领投，老股东Bessemer Venture Partners、美光（Micron）、联发科（MediaTek）、爱立信（Ericsson）以及ScOp深度跟投。

如此规模罕见的早期融资，源于该公司 2026 年上半年年化可重复订阅收入（ARR）实现了据称高达六倍的增长，且其平台已在全球前十大半导体公司中的 120 多个半导体研发组中落地部署。这笔巨额资金将 ChipAgents 与参展DAC 2026的其他十几家 AI EDA 初创公司拉开了质的差距。这与我们过去40年所见证并参与的EDA融资策略截然不同——他们并没有为了追求早期被收购退出而限制融资规模，ChipAgents的姿态是“志在必得”（In it to win it）。毫无疑问，新思科技（Synopsys）、楷登电子（Cadence）和西门子 EDA（Siemens EDA）真得小心了。

这笔融资之所以至关重要，是因为半导体研发的瓶颈正从晶体管制造转向设计复杂度和工程产能。现代系统级芯片（SoC）集成了包含数十亿晶体管的处理器核心、加速器、互连总线、内存控制器以及第三方IP。在流片（Tape-out）之前，工程团队必须建立并验证寄存器传输级（RTL）设计在海量状态空间下均符合规范。他们需要搭建测试平台（Testbench）、编写断言（Assertion）、运行仿真、查看波形、分析覆盖率并定位错误的根本原因。验证消耗的时间和工程精力，甚至可能远超最初的 RTL 代码编写。

传统的生成式AI助手可以解释代码或提供 SystemVerilog 片段建议，但“智能体系统”（Agentic System）的初衷则是执行多步骤的复杂工作流。它可以解读设计规范，检查 RTL 及验证辅助资料，调用 EDA 工具，审查编译器或仿真器的输出，修正假设并重新运行相关测试。其核心区别在于“工具使用”与“持续推理”的结合：智能体不仅生成文本，更是在一个迭代的工程闭环中直接进行操作。

ChipAgents 平台能够自动化处理复杂的设计、验证与调试流程，并将设计周期缩短 50% 以上。这一数字属于公司官方主张，而非经过独立标准测试的基准，但在特定任务下，这一机制确实具备相当的可信度。芯片调试通常需要将日志、源代码、波形、断言以及历史故障进行关联——这种信息密集型过程，非常适合能够调取项目上下文并协同调度现有 EDA 工具的大模型。ChipAgents 还单独报告称，他们将某些根因排查（Root-cause investigation）的时间从数天缩短到了15至60分钟。

这项投资代表了对传统EDA技术栈之上“调度层”（Orchestration layer）的一次押注。Cadence和Synopsys已经在将机器学习应用于物理实现、验证空间优化以及功耗-性能-面积（PPA）探索。而 ChipAgents 切入市场的方式则是“工作流层面的自主化”：将工程师的意图与现有的仿真器、形式验证引擎、代码仓库以及故障追踪系统无缝连接。它的机遇并不一定是要取代签核（Sign-off）工具——毕竟后者的确定性算法和经过验证的流程依然不可或缺——而是为了减少配置工具、解读结果以及决策下一步行动所需的人力开销。

美光与联发科的战略参与尤为关键。半导体巨头们既是投资者、潜在客户，也是领域反馈的源泉。接入真实的芯片设计环境，能够帮助 ChipAgents 改善模型在硬件描述语言（HDL）、验证方法论以及私有工具链上的表现。此外，该公司还正在与英伟达（NVIDIA）合作开发一款专门针对芯片设计的专用模型。专业领域的针对性优化是很有必要的，因为通用大模型往往在时钟周期精确行为、并发性、时序语义以及“可综合与仅用于仿真的结构”之间的区别上表现欠佳。

总结（Bottom line）： 这笔 1.34 亿美元的融资，为 ChipAgents 在 AI EDA 市场走向整合之前，提供了扩张工程团队、客户部署和产品研发的充沛资源。从更广阔的视角来看，其商业势头表明，智能体 AI（Agentic AI）正从实验性的代码生成，迈入生产级的半导体工作流中。如果这些系统能够在不削弱签核严谨度的前提下，可靠地缩短验证与调试周期，其核心影响将是经济层面上的：更多的设计迭代次数、对稀缺工程师资源更高效的利用，以及更快的流片上市速度。这可能会显著降低定制化芯片的开发成本，并让更多类型的企业拥有打造自家专属芯片的能力。

点这里👆加关注，锁定更多原创内容

*免责声明：文章内容系作者个人观点，半导体芯闻转载仅为了传达一种不同的观点，不代表半导体芯闻对该观点赞同或支持，如果有任何异议，欢迎联系我们。