近日，美国芯片设计AI公司ChipAgents宣布，将其智能体（Agent）AI平台从数字芯片设计扩展到模拟芯片设计，让数字和模拟两类流程运行在同一套底层架构上。这家公司总部在加州圣克拉拉，成立于2024年，专注于用AI 设计芯片 。
一、为什么模拟设计是难啃的骨头
这两年，AI在数字芯片领域的应用越来越多，比如写RTL代码、生成测试用例、辅助调试。但模拟芯片是另一回事。
数字设计的很多环节可以靠代码生成和逻辑验证推进，而模拟电路的好坏取决于电路行为、波形表现和物理层面的各种权衡。增益、带宽、功耗、噪声、面积往往互相牵制，版图的寄生效应还会反过来影响电路性能。这类问题光靠"写代码"解决不了，需要不断地生成方案、仿真、解读结果、再修改，在多个相互冲突的指标之间反复折中。
ChipAgents的思路，是让AI智能体来承担这个闭环中的更多执行工作：生成候选方案，调用工具仿真，评估结果，再决定下一步，而工程师继续把控设计需求和最终签核。
二、核心引擎IC-star：四个组成部分
支撑这次扩展的，是ChipAgents推出的IC-star引擎。公司称，它要解决的是芯片开发中的碎片化问题：工具、团队和流程彼此割裂，工程师常常要手动把上下文从一个环节带到下一个环节。IC-star由四部分组成：
IC设计本体（IC Design Ontology）：一个持久化的上下文层，把设计知识、计划、可复用技能和客户自己的设计方法学统一起来，并通过工程师的反馈不断改进。
推理核心（Reasoning Core）：围绕设计目标规划并协调智能体、模型和工程工具，完成根因分析、兼顾PPA（功耗、性能、面积）的RTL收敛、模拟版图生成等长流程任务。
多物理场感知模型（Multiphysics-Aware Models）：预测时序、PPA、DRC、DFT以及模拟物理设计，在生成阶段就实现多目标协同优化。ChipAgents自研的半导体专用大模型Renoir是这一层的核心领域模型。
设计驱动的模型导航器（Design-Driven Model Navigator）：根据任务类型，在不同AI模型之间动态分配工作，在结果质量、耗时和成本之间取得平衡。
按公司的说法，这四部分合在一起，是为了从整体工程结果出发，统筹模型选择、Token消耗、工具执行、工程评审和物理反馈，而不是把每个AI任务孤立地优化。
三、覆盖哪些环节
数字侧，包括规格分析、架构探索、RTL设计、功能验证与形式验证、根因分析与调试、覆盖率收敛，以及兼顾PPA的优化。
模拟侧，包括拓扑与原理图设计、仿真、行为建模、版图生成和物理验证。
四、与英伟达合作，客户也有背书
公告还提到，ChipAgents正在扩大与英伟达（NVIDIA）的合作，对Nemotron模型进行微调，用于数字和模拟设计流程。公司称，初步结果显示，微调后的模型在公开基准测试中的表现可与前沿模型相当，并在所评估的开源权重模型中性能最高、成本效率最好。需要说明的是，这是公司自己公布的初步结果，公告中没有给出具体数据。
在客户方面，公告引述了几家企业的评价：
亚德诺半导体（Analog Devices）：负责工程赋能的副总裁表示，过去一年双方合作，把AI引入其开发流程，在IC设计全生命周期中融合工程知识与AI辅助。作为模拟芯片领域的知名企业，它的背书与这次扩展的方向最为契合。
Ambiq：创始人兼CTO表示，IC-star为其数字设计流程带来多目标优化，帮助加速RTL开发、测试用例生成和根因分析，同时看重其对数据和IP的保护。
Rambus：硅IP业务负责人表示，正在采用ChipAgents来加速芯片和IP的设计与验证。
公司还表示，其平台已有200多个半导体企业部署案例。其中，晶心科技（Andes）把一个处理器验证流程从两到三个月缩短到约三周，并将一个处理器定制项目的周期缩短30%；力旺电子（eMemory）在数据手册分析和验证测试平台搭建上，将工程投入减少约80%；Whalechip把根因分析从数天缩短到每轮约15至60分钟，并发现4个关键缺陷。
五、冷静看：模拟侧的证据还不多
这里有几点需要说明。
第一，上述量化成果均为公司自报，没有第三方独立评估，也缺少方法学细节，难以判断能否推广到其他项目。
第二，仔细看这些案例会发现，已公布的数据主要集中在处理器验证、测试平台构建和根因分析，也就是偏数字、偏验证的流程。亚德诺的表态是方向性的，并没有给出具体的模拟设计指标。换句话说，模拟设计这一块，公开的量化成效目前还不多。
第三，公告并没有宣称实现了端到端的全自主芯片开发。公告自己的表述是工程师仍然掌握需求和签核。
六、对行业意味着什么
这次扩展的意义，更多体现在思路上：AI在芯片设计中的价值，不再只看单次回答质量，而是看整个工程流程的效率，包括设计收敛时间、工程投入和总体执行成本。同时，ChipAgents强调可与客户现有的工具和流程集成，支持本地或云端部署，并支持在本地自我改进，这对在意核心设计数据的企业来说是一个加分项。
