اگر امروز در تیم‌های طراحی سخت‌افزار هستید، احتمالاً می‌دانید که یافتن یک خطای کوچک در مراحل نهایی تولید تراشه می‌تواند میلیون‌ها دلار خسارت بزند. حالا ChipAgents با جذب سرمایهٔ ۱۳۴ میلیون دلاری، قصد دارد این ریسک را با جایگزینی نظارت انسانی با عامل‌های هوشمند به حداقل برساند. این مبلغ شامل ۶۰ میلیون دلار سرمایه اضافی است که در آخرین دور جذب شد. به گزارش unite.ai، این شرکت در نیمه نخست سال ۲۰۲۶ شاهد رشد شش‌برابری درآمد سالانهٔ تکرارشوندهٔ خود بوده است. این جهش مالی دقیقاً زمانی رخ می‌دهد که پیچیدگی تراشه‌ها از توان بررسی دستی تیم‌های انسانی فراتر رفته است.
زمینه و نیازهای بازار
طراحی یک تراشه مدرن، مجموعه‌ای طاقت‌فرسا از جریان‌های کاری به‌هم‌پیوسته است. مهندسان باید همزمان موارد متعددی را مدیریت کنند؛ از معماری و مشخصات فنی گرفته تا کد سطح انتقال ثبات (RTL)، محیط‌های تأیید، شبیه‌سازی‌ها و تحلیل پوشش (Coverage Analysis). آن‌ها همچنین باید با شکل‌موج‌ها (Waveforms)، تأیید رسمی (Formal Verification)، عیب‌یابی، بهینه‌سازی توان، زمان‌بندی و بستن طراحی (Design Closure) دست و پنجه نرم کنند.
یک اشتباه واحد که دیر در این فرآیند کشف شود، می‌تواند منجر به تأخیرهای فاجعه‌بار و هزینه‌های کلان شود. تصور کنید نقصی در پی‌ریزی یک آسمان‌خراش را تنها پس از ساخته شدن طبقه ۵۰ام کشف کنید؛ این دقیقاً سطح ریسک و حساسیت در تأیید نیمه‌هادی‌هاست.
این چرخش به سمت هوش مصنوعی عامل‌محور (Agentic AI)، پاسخی به شکاف رو به رشد استعدادهای انسانی است. با افزایش تعداد ترانزیستورها و ناهمگون‌تر شدن معماری‌ها، طراحی تراشه‌ها برای تیم‌های انسانی بیش از حد پیچیده شده است. تیم‌ها باید هماهنگی‌های دقیقی بین ابزارهای رسمی، محدودیت‌ها و الزامات طراحی فیزیکی ایجاد کنند. واقعیت این است که تخصص در زمینه نیمه‌هادی‌ها را نمی‌توان با همان سرعتی که زیرساخت‌های محاسباتی رشد می‌کنند، مقیاس‌بندی کرد.
ChipAgents که در سال ۲۰۲۴ توسط ویلیام وانگ، پژوهشگر AI و استاد دانشگاه کالیفرنیا در سانتا باربارا تأسیس شد، بر خلاف بسیاری از ابزارها، به یک چت‌بات عمومی تکیه نمی‌کند. در عوض، این شرکت از یک رویکرد فنی استفاده می‌کند که مدل‌های تخصصی و هماهنگی چندعاملی را با بافت مهندسی نیمه‌هادی و بازخوردهای سیستم‌های تأیید ترکیب می‌نماید. این رویکرد به توسعه‌ی مفاهیمی شبیه به عامل‌های حاکمیتی در ساختارهای پیچیده نزدیک است که هدف آن‌ها مدیریت خودکار فرآیندهای حساس است.
قابلیت‌های فنی و استقرار
طبق اعلام این شرکت، پلتفرم آن‌ها اکنون در بیش از ۱۲۰ شرکت نیمه‌هادی از جمله Micron و MediaTek مستقر شده است. این سیستم از عامل‌های هوشمند (AI Agents) — مانند مدیران پروژه کوچکی که هر کدام تخصص خاصی دارند و با هم مشورت می‌کنند تا یک هدف بزرگ را پیش ببرند — برای تفسیر مشخصات فنی و کدها جهت تولید دارایی‌های RTL و تأییدیه با رویکرد تولیدی استفاده می‌کند.
ویژگی‌های فنی کلیدی این پلتفرم عبارتند از:
- جریان‌های کاری خودمختار: برخلاف کوپایلت‌ها که فقط خط به خط کد پیشنهاد می‌دهند، این عامل‌ها وظایف مهندسی چندمرحله‌ای را برنامه‌ریزی و اجرا می‌کنند. این تفاوت اصلی یک «دستیار AI» با یک «سیستم خودمختار» است که قادر است بخش‌های معناداری از یک جریان کاری را به تنهایی پیش ببرد.
- تحلیل ریشه خطا (Root-Cause Analysis): سیستمی که فایل‌های طراحی، تست‌بنچ‌ها، لاگ‌های خطا و شکل‌موج‌ها را به‌طور جامع بررسی می‌کند. معماری این سیستم به چندین عامل اجازه می‌دهد تا به‌طور موازی روی توضیحات احتمالی تحقیق کرده و پیش از ارائه نتیجه نهایی، فرضیات خود را آزمایش کنند.
- یکپارچگی با ابزارهای EDA: این ابزارها در کنار سامانه‌های موجودِ اتوماسیون طراحی الکترونیکی (EDA)، از جمله سیستم‌های سنتز و شبیه‌سازی کار می‌کنند. این امر تضمین می‌کند که شرکت‌ها مجبور نباشند سیستم‌های تایید نهایی (Signoff) را که تولید تراشه به آن‌ها وابسته است، جایگزین کنند.
- محیط‌های تخصصی: محصول این شرکت شامل محیط‌های اختصاصی برای طراحی، تأیید، پوشش و عیب‌یابی است که توسط یک فضای کاری پروژه و یک رابط خط فرمان (CLI) تکمیل می‌شوند.
تأیید طراحی (Verification) یک هدف طبیعی برای این هوش مصنوعی است، زیرا بازخوردهای اندازه‌پذیر تولید می‌کند. کد تولید شده توسط AI را می‌توان کامپایل کرد، ادعاهای (Assertions) آن را آزمایش کرد و پوشش عملکردی آن را محاسبه نمود. این سیگنال‌ها به عامل‌ها اجازه می‌دهند تا بر اساس ابزارهای قطعی (Deterministic) و نه ارزیابی‌های ذهنی، تشخیص دهند که آیا یک تغییر باعث بهبود طراحی شده است یا خیر.
نتایج واقعی این استقرارها خیره‌کننده است. شرکت Whalechip از این پلتفرم برای یک پروژه عیب‌یابی سیستم-روی-تراشه (SoC) استفاده کرد که در آن AI توانست چهار باگ حیاتی را شناسایی کند. این اتفاق باعث شد زمان تحلیل هر مورد از چندین روز به تنها ۱۵ تا ۶۰ دقیقه کاهش یابد و از تأخیر احتمالی تا دو هفته در روند توسعه جلوگیری شود. همچنین شرکت Ambiq، توسعه‌دهنده نیمه‌هادی‌های فوق‌کم‌مصرف برای دستگاه‌های لبه (Edge) با باتری، پس از موفقیت در آزمایش‌های اولیه، استفاده از این پلتفرم را در تیم‌های مهندسی بیشتری گسترش داد.
برای تأمین نیازهای امنیتی شرکت‌هایی که مالکیت معنوی (IP) برایشان حیاتی است، این شرکت گواهینامه SOC 2 Type II را دریافت کرده و به شبکه شرکای Amazon Web Services (AWS) پیوسته است. سرمایه‌گذاران جدیدی مانند B Capital در کنار حامیان پیشین چون Bessemer Venture Partners، Micron، MediaTek، Ericsson و ScOp Venture Capital در این دور حضور دارند.
مقیاس‌پذیری و چشم‌انداز آینده
با اتوماسیون کارهای تکراری تحقیقی، تولید دارایی‌های تأیید و اولویت‌بندی رگرسیون‌ها، ChipAgents به مهندسان انسان اجازه می‌دهد تا به‌جای غرق شدن در لاگ‌های خطا، روی معماری سطح بالا تمرکز کنند. شرکت قصد دارد از بودجه جدید برای استخدام نیرو در تیم‌های مهندسی و تیم‌های ورود به بازار (Go-to-market) و همچنین شتاب بخشیدن به توسعه پلتفرم طراحی AI-native خود استفاده کند.
اثر ثانویه این فناوری، تغییر در نحوه مقیاس‌بندی شرکت‌های تراشه‌سازی است. به‌جای تلاش برای استخدام تعداد غیرممکنی از مهندسان متخصص، شرکت‌ها اکنون ظرفیت مهندسی خود را از طریق زیرساخت‌های محاسباتی ارتقا می‌دهند. این روند، طراحی نیمه‌هادی را از یک «هنرِ انسانی محدود» به یک «فرآیند نرم‌افزاری مقیاس‌پذیر» تبدیل می‌کند. این تغییر رویکرد در سخت‌افزار، مشابه تحولی است که در لایه‌های بالاتر دیده می‌شود؛ جایی که شرکاتی مانند سامبانووا با سرمایه‌گذاری‌های کلان در حال مقیاس‌بندی زیرساخت‌های استنتاج برای پاسخ به نیازهای عظیم بازار هستند.
با این حال، آزمون نهایی همچنان مرحله تِیپ-اوت (Tapeout) یا ارسال نهایی طرح به کارخانه است؛ در دنیای تراشه‌ها، حتی یک نقص شناسایی‌نشده می‌تواند میلیون‌ها دلار هزینه روی دست شرکت بگذارد. موفقیت این دور سرمایه‌گذاری نشان می‌دهد که سرمایه‌گذاران باور دارند هوش مصنوعی عامل‌محور می‌تواند از یک دستیار مفید به بخشی قابل‌استناد از فرآیند تایید نهایی تبدیل شود. هدف، خلق تراشه به‌صورت کاملاً خودمختار نیست، بلکه ساخت سیستم‌هایی است که بتوانند جریان‌های کاری تکراری را هماهنگ کرده و شواهدی را برای حمایت از نتایج خود به مهندسان ارائه دهند.
در آینده باید بررسی کرد که آیا این افزایش بهره‌وری در معماری‌های متنوع‌تر تراشه‌ها — به‌ویژه با حرکت صنعت به سمت شتاب‌دهنده‌های AI سفارشی‌تر — حفظ خواهد شد یا خیر.
گام بعدی شما
- اگر مدیر فنی هستید، بررسی کنید که کدام بخش‌های تکراری در جریان تأیید (Verification) شماست که می‌تواند به عامل‌های خودمختار سپرده شود.
- روند ادغام ابزارهای AI با سامانه‌های EDA سنتی را دنبال کنید تا از اتلاف زمان در بازبینی دستی لاگ‌ها بکاهید.
- تحولات در معماری‌های شتاب‌دهنده AI را زیر نظر بگیرید، زیرا اینجاست که نیاز به طراحی‌های سفارشی و سریع به اوج می‌رسد.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو