一颗 32 位 CPU 从规格书走到可制造文件，中间隔着数千个手工工时
一块芯片从架构师写下第一行规格到最终交付晶圆厂，中间横亘着一条由仿真、综合、布局布线、时序收敛、物理验证堆叠而成的漫长链条。链条上的每一步都需要工程师在多个 EDA 工具之间手动切换、解读结果、修正约束、重新跑流程。据公司新闻稿称，芯片设计“仍然依赖稀缺的专家和每颗芯片数千个手工工程工时”，而半导体产业规模“超过 8000 亿美元且仍在增长”。这些数字来自公司口径，公开材料中未提供独立来源或行业估算依据。
这正是 Agentrys 试图切入的裂缝。这家总部位于加州圣何塞的创业公司，主张用“代理式设计自动化”（Agentic Design Automation，简称 ADA）替代传统 EDA 工具中大量依赖人工编排的环节。据公司披露，其平台已经完成了一次端到端演示：一个多代理工作流在无人工介入的情况下，将一颗 32 位 CPU 从规格说明推进到签核干净的 GDS 版图。GDS 是提交给晶圆厂制造的最终文件格式，签核干净意味着它通过了设计规则检查、版图与原理图一致性检查等一系列验证门槛。该演示的工艺节点、设计约束等边界条件未披露。
2026 年 8 月 26 日，Agentrys 宣布完成总计 2450 万美元融资，由一笔超额认购的 1910 万美元种子轮和此前 540 万美元 Pre-seed 轮组成。种子轮由 Etna Labs 领投，Pre-seed 轮则由联发科（MediaTek）领投，后者是公司首个战略投资方。这笔资金将用于招聘、代理原生工具开发，以及在验证和物理设计两个方向上扩展客户合作。
| 字段 | 内容 |
|---|---|
| 公司 | Agentrys |
| 轮次 | 种子轮及 Pre-seed 轮 |
| 金额 | 2450 万美元（种子轮 1910 万美元 + Pre-seed 轮 540 万美元） |
| 投资方 | Etna Labs（种子轮领投）、MediaTek（Pre-seed 轮领投） |
| 总部 | 美国加利福尼亚州圣何塞 |
| 创始人 | Mark Ren |
| 官网 | https://agentrys.ai/ |
从 ChipNeMo 到 ADA：创始人的履历决定了产品起点，也划定了验证边界
据公司披露，Agentrys 的创始人 Mark Ren 在 EDA 和 AI 研发领域有近三十年经验，横跨 NVIDIA Research 和 IBM Research。据公司披露，他在 NVIDIA 期间领导了 ChipNeMo 项目，这是公司口径中“首个面向芯片设计的工业级大语言模型”。这一履历的意义不在于“前 NVIDIA 高管创业”的标签，而在于它解释了 Agentrys 技术路线的起点：ChipNeMo 解决的是如何让大模型理解芯片设计领域的专有语料和任务，而 Agentrys 试图把这种理解能力从“回答问题”推进到“执行工作流”。
团队构成也反映了这种延续性。据公司披露，Agentrys 的成员来自 NVIDIA、Meta、AMD、三星、Google、西门子等公司，团队曾参与创建 ChipNeMo、NVCell、DREAMPlace、VerilogEval 和 CVDP 等系统。这些项目覆盖了 AI 辅助芯片设计的多个层面：ChipNeMo 是领域大模型，NVCell 是标准单元布局自动化，DREAMPlace 是 GPU 加速布局，VerilogEval 和 CVDP 则是评测基准。换句话说，Agentrys 的团队背景同时覆盖了模型、工具和评测三个维度，这在一个以“工作流自动化”为卖点的公司里，构成了相对完整的拼图。
但履历只能说明起点。从 ChipNeMo 到能够自主完成从规格到 GDS 的完整流程，中间的技术跳跃并不小。ChipNeMo 的核心能力是理解和生成，而 ADA 要求的是执行、监控、纠错和迭代。公司披露的 32 位 CPU 演示，是目前公开材料中唯一可核实的端到端案例。这个案例的边界条件——32 位 CPU 的复杂度、设计约束的松紧程度、所使用的工艺节点——均未披露。编辑分析认为，这意味着该演示证明了平台在特定复杂度下可以跑通全流程；但它能否在更大规模、更严格约束的商业化设计中复现，尚未得到独立验证。
开放平台与设计智能层：两个差异化主张，各有各的验证难题
Agentrys 在公开材料中将自己与其他代理式 EDA 解决方案的区别归纳为两点。第一，它是一个开放平台，客户可以在其上构建和拥有自己的代理工程团队，而不是使用一套由供应商控制的固定代理。这意味着平台需要跨越商业 EDA 工具、客户内部工具和基础设施之间的边界。第二，它有一个“设计智能层”，据公司披露，该层持续从客户数据、使用行为和评估信号中学习，同时代理原生工具和定制模型扩展了通用 AI 代理在芯片设计中的能力。该“持续学习”的具体机制和验证方法未披露。
这两个主张在逻辑上相互关联，但在验证路径上截然不同。开放平台的价值取决于它能否真正接入客户现有的 EDA 工具链，而不是要求客户迁移到一套新的封闭环境。半导体设计公司对工具链的依赖极深，任何新的自动化层都必须在现有 Synopsys、Cadence、Siemens EDA 等主流工具之上运行，而不是替代它们。Agentrys 声称其平台“跨越商业 EDA 工具、内部工具和基础设施”，但具体支持哪些工具、集成深度如何、是否需要客户改造现有流程，均未披露。
设计智能层的“持续学习”主张则面临更根本的验证问题。芯片设计数据高度敏感，设计公司通常不愿将设计数据共享给外部平台。Agentrys 的回应是让客户在自己的防火墙内构建和运行代理，数据不离开客户环境。这一架构选择在商业上合理，但在技术上给“持续学习”带来了约束。编辑分析认为，如果每个客户的数据都隔离在自己的环境中，那么“从客户数据中学习”究竟发生在单个客户内部的跨项目学习，还是跨客户的模型更新，公开材料未给出答案。可验证的指标应包括：模型更新是否跨客户发生、数据隔离与模型更新之间如何协调、以及“持续学习”带来的性能提升幅度。
32 位 CPU 演示与 CVDP 基准：两个证据之间的空白地带
在 NVIDIA 公开的 CVDP 验证基准上，据公司披露，Agentrys 是“首批超过 90% 准确率的系统之一”，并且其代理进化技术在连续迭代中系统性地提升了性能。需要明确的是，“首批”是公司口径，公开材料中不存在对该成绩的独立验证结论；“系统性提升”同样是公司声称，其具体机制和提升幅度均未披露。CVDP 是一个公开可用的验证基准，这意味着这个成绩至少可以在一定程度上被外部复现或比较。90% 的准确率在验证任务中的意义取决于基准本身的难度分布和评估方式，但作为一个公开基准上的可比较指标，它比单纯的“公司称”具有更高的可核查性。
相比之下，32 位 CPU 的端到端演示更难评估。据公司披露，该演示“无人工介入”，从规格到签核干净的 GDS 版图全程由多代理工作流自主完成。这个描述在字面上是明确的，但“无人工介入”的具体含义需要拆解。编辑分析认为，它可能指没有任何工程师在流程中修改中间结果，也可能指在流程启动前完成了大量的人工准备工作，比如约束文件的编写、设计规则的配置、工具链的设置。在芯片设计中，这些“前置工作”往往决定了后续自动化能走多远。如果约束文件本身是由经验丰富的工程师精心编写的，那么“无人工介入”的实际含义就比表面看起来要窄得多。该演示的工艺节点、设计约束等边界条件未披露，建议公司披露这些边界条件以支持验证。
从已披露的 32 位 CPU 演示和 CVDP 基准成绩来看，Agentrys 至少证明了其平台在两个不同尺度上具备可运行性：一个是在公开基准上的单项任务表现，另一个是在特定复杂度下的全流程串联。但这两个证据之间存在一个空白地带：从单项任务的 90% 准确率，到全流程的签核干净，中间需要多少人工干预、多少失败重试、多少人工修正，均未披露。这个空白地带恰恰是芯片设计自动化中最难攻克的部分，也是潜在客户在评估是否采用这类平台时最关心的指标。
联发科的战略投资与 Etna Labs 的研究驱动逻辑：一笔钱，两种信号
这笔融资的结构值得拆解。540 万美元的 Pre-seed 轮由联发科领投，1910 万美元的种子轮由 Etna Labs 领投。编辑分析认为，联发科作为半导体公司，在 Pre-seed 阶段就作为战略投资方进入，这在一个以芯片设计为目标市场的创业公司中并不常见；但“不常见”是基于行业一般观察，公开材料中未提供可比数据支持。战略投资者通常在产品足够成熟、能够在内部证明价值之后才会介入，而联发科在 Pre-seed 阶段就下注，据投资方声明，是因为“半导体研发在代理式 AI 开发中具有独特的领域特异性”，而 Agentrys 的构建者方案“可以帮助捕获和复用领域知识，从而系统性地扩展适合半导体研发的代理开发”。
据投资方声明，联发科创新基金董事总经理 Brian Hsu 的表述中有一个关键词值得注意：“构建者方案”（builder solution）。这意味着联发科看到的不是 Agentrys 提供的某一个具体代理，而是它让半导体工程团队能够自己定制和改进 AI 代理的能力。这个视角与 Agentrys 的开放平台定位一致，但也意味着联发科的投资逻辑更接近“押注一个可扩展的开发框架”，而不是“采购一个现成的设计自动化工具”。两者之间的差别在于，前者的价值兑现周期更长，验证路径也更复杂。
Etna Labs 的投资逻辑则更偏向研究驱动。据投资方声明，Etna Labs 认为“芯片设计是递归自我改进（RSI）能够变得实用的首批高价值领域之一，因为结果可以通过严格的工程工具和指标进行客观评估”。Etna Labs 是一家研究驱动的投资机构，据其披露已投资超过 20 家 AI 公司，重点关注基础模型及其在科学、机器人等前沿领域的应用。从这个角度看，Etna Labs 押注的不是 Agentrys 当前的产品收入，而是“自我改进代理层”在 EDA 堆栈上的长期可能性。这种投资逻辑与联发科的战略逻辑形成互补，但也意味着 Agentrys 需要在“研究愿景”和“商业落地”之间同时满足两类不同期望的投资方。
资金用途指向验证与物理设计，但商业化瓶颈藏在“客户数据”与“工具集成”之间
公司披露的资金用途包括三个方向：招聘、代理原生工具开发，以及扩展验证和物理设计领域的客户合作。前两个方向是创业公司的常规动作，第三个方向则透露了 Agentrys 当前的商业化重心。验证和物理设计是芯片设计流程中自动化需求最迫切、同时也是工具链最成熟的两个环节。选择这两个方向作为客户扩展的切入点，意味着 Agentrys 不是在试图替代现有 EDA 工具，而是在现有工具之上叠加一层代理编排和持续改进的能力。
但商业化瓶颈也恰恰藏在这里。验证和物理设计环节的现有工具已经高度优化，Synopsys、Cadence 和 Siemens EDA 在这些领域积累了数十年的算法和工程经验。Agentrys 的代理层要在这些工具之上创造增量价值，就必须证明它能够显著减少工程师在工具之间切换、解读结果和修正约束的时间。这个价值主张在逻辑上成立，但在量化上困难：客户需要看到的是“从规格到签核的总周期缩短了多少”，而不是“某个单项任务的准确率提高了多少”。而总周期的缩短，恰恰是最难在早期客户合作中快速验证的指标。
另一个未披露的关键信息是定价模式。编辑分析认为，作为 B2B SaaS 平台，Agentrys 的收费方式——按代理数量、按设计项目、按计算资源消耗，还是按节省的工时——将直接影响客户的采用决策和公司的收入模型。在芯片设计领域，EDA 工具的定价传统上以席位费（seat license）为主，辅以按使用量计费的模式。如果 Agentrys 的代理层采用类似的席位费模式，那么它需要与客户现有的 EDA 预算竞争；如果采用按结果或按节省工时计费，那么它需要建立一套双方都认可的度量体系。这个商业模式的细节，目前完全未披露。待核验指标包括：定价模式、客户采用决策的驱动因素、以及客户是否愿意为代理层单独付费。
竞争格局：传统 EDA 巨头、AI 原生创业公司与内部工具团队的三方角力
Agentrys 所处的赛道并非空白。编辑分析认为，传统 EDA 三巨头——Synopsys、Cadence 和 Siemens EDA——都在将 AI 能力嵌入各自的产品线。这些公司的优势在于它们拥有客户现有的工具链和设计数据，任何新的自动化能力都可以直接嵌入到客户已经在使用的流程中。它们的劣势在于，传统 EDA 公司的产品架构以工具为中心，而非以工作流为中心，跨工具的代理编排并不是它们现有产品逻辑的自然延伸。公开材料中未提供这些巨头与 Agentrys 在相同指标口径下的量化比较数据。
与此同时，一批 AI 原生创业公司也在进入芯片设计自动化领域。Agentrys 在公开材料中提到了“其他代理式 EDA 解决方案”，但未具名。编辑分析认为，这个方向的创业公司大致分为两类：一类专注于特定环节的 AI 优化，比如布局或时序收敛；另一类试图构建跨环节的代理编排层。Agentrys 显然属于后者，但后者的竞争壁垒并不在于单个环节的算法优势，而在于能否在客户的实际工作流中证明跨环节编排的增量价值。这个壁垒的建立需要时间，也需要与客户设计团队的深度协作。公开材料中不存在 Agentrys 与具名竞品在相同指标口径下的量化比较数据；可比较但尚未披露的指标包括：端到端设计周期缩短幅度、跨工具编排的人工干预次数、以及在不同设计规模上的泛化表现。
还有一类竞争者容易被忽略：芯片设计公司内部的自动化团队。大型半导体公司——尤其是那些已经建立了 AI 辅助设计能力的公司——可能更倾向于在内部构建自己的代理工作流，而不是依赖外部平台。Agentrys 的开放平台定位在一定程度上回应了这个挑战：如果客户可以在平台上构建和拥有自己的代理，那么平台的价值就从“提供代理”转变为“提供构建代理的基础设施”。但这个转变也意味着 Agentrys 的竞争对象从“其他 EDA 供应商”扩展到了“客户内部的自研能力”。在一个工程师文化浓厚、且对设计数据高度敏感的行业里，说服客户在外部平台上构建内部能力，本身就是一个需要反复验证的命题。
从 32 位 CPU 到量产芯片：Series A 之前必须跨越的验证鸿沟
Agentrys 的 Pre-seed 到种子轮之间，融资金额从 540 万美元跃升至 1910 万美元。据公开材料，种子轮超额认购。编辑分析认为，“超额认购”通常意味着在定价确定之前有多家机构投资者表达了参与意愿，但公开材料未披露“超额认购”的具体含义，因此这一推断仅基于该词的字面意义。编辑分析还认为，这个跳跃与公司从“研究级演示”走向“多类型设计的客户合作”的时间线大致吻合，但“大致吻合”缺乏具体证据支持。种子轮的超额认购也抬高了 Series A 的门槛：下一轮投资者需要看到的，不再是 32 位 CPU 的演示，而是在商业化生产设计上的可量化改进。
这里存在一个清晰的验证鸿沟。32 位 CPU 的端到端演示证明了平台在特定复杂度下的可行性，但商业化生产设计——无论是手机 SoC、汽车芯片还是数据中心加速器——在规模、约束和容错率上都与 32 位 CPU 不在同一个量级。更大的设计意味着更多的约束条件、更紧的时序预算、更复杂的功耗和面积权衡，以及对代理自主决策更低的容忍度。Agentrys 的代理在 32 位 CPU 上做出的布局布线决策，在更大规模的设计上是否仍然有效，是一个尚未回答的问题。据公司披露，其代理进化技术“在连续迭代中系统性地提升性能”，但该描述来自公司口径，其具体机制和提升幅度均未披露，公开材料中不存在独立验证。
据公司披露，Agentrys 已经与“几家全球顶级无晶圆厂半导体公司、一家领先的全球晶圆厂和几家领先的芯片创业公司”建立了合作关系，覆盖数字和模拟设计流程，系统设计在路线图上。这个客户构成在广度上令人印象深刻，但“合作”的具体含义——是付费客户、试点项目还是技术评估——未披露。公司口径中“合作”的具体含义未披露，公开材料中不存在独立验证。在芯片设计领域，从技术评估到付费部署之间的距离可能长达数年，尤其是当客户需要将新的自动化层集成到已经过验证的生产流程中时。Series A 的投资者需要看到的，是这些合作中至少有一部分已经转化为可量化的生产使用证据。
另一个尚未披露的变量是工艺节点。芯片设计自动化的难度与工艺节点高度相关：先进节点（如 5nm 及以下）的设计规则数量呈指数级增长，签核要求也远比成熟节点严格。如果 Agentrys 的 32 位 CPU 演示是在成熟节点上完成的，那么它在先进节点上的适用性仍然是一个开放问题。公司未披露演示所使用的工艺节点，也未披露其客户合作涉及的节点范围。这个信息缺口对于评估公司的技术壁垒和商业化前景都至关重要。
从投资逻辑的角度看，Etna Labs 押注的是“递归自我改进在芯片设计中变得实用”的长期可能性，联发科押注的是“半导体研发的领域特异性需要专门的代理开发框架”的战略判断。这两种逻辑都不要求 Agentrys 在短期内证明大规模商业收入，但它们都隐含了一个共同的假设：Agentrys 的代理层能够在真实的生产设计环境中持续改进，而不是仅仅在受控演示中表现出色。这个假设的验证，需要的是时间、客户数据和跨设计的泛化证据。在 Series A 之前，Agentrys 需要跨越的，正是从“一个令人印象深刻的演示”到“一个可重复验证的生产力工具”之间的鸿沟。
验证边界与可复核指标
本文涉及的“首个、唯一、最大、领先”、订单、出货、性能等表述，如无另行说明，均是公司、创始人或投资方在现有公开材料中的披露口径；RecodeX未在本次采集材料中找到独立审计或第三方测试结论，因而不将其视为已经独立确认的事实。文中的产业协同、竞争位置和商业路径属于基于已披露产品与融资用途的编辑分析，不代表相关结果已经实现。
- 技术侧应核验第三方测试条件、样本规模、良率、稳定性及与可比方案一致口径的结果；
- 商业侧应核验去重后的付费客户、可执行合同、收入确认、复购率以及订单转化；
- 资本与产业协同应以工商股权、关联交易、联合开发、采购或量产文件为准。
RecodeX 极客视：Agentrys 的故事之所以值得跟踪，不在于它又融了多少钱，而在于它把一个行业里最顽固的瓶颈——芯片设计流程中大量依赖人工编排的环节——变成了一个可以用代理系统来逼近的问题。32 位 CPU 的端到端演示是一个有意义的信号，但信号不等于证据。真正的分水岭在于：当设计规模从 32 位 CPU 扩展到商业化 SoC，当约束从演示环境切换到生产签核，当“无人工介入”从一句描述变成一套可审计的流程记录时，这套系统是否仍然成立。芯片设计行业对“自动化”一词有着比大多数行业更严苛的定义——签核干净就是签核干净，时序收敛就是时序收敛，没有中间地带。Agentrys 的代理要么在这些硬指标上证明自己，要么就只是又一个在 EDA 巨头阴影下讲 AI 故事的创业公司。联发科和 Etna Labs 的支票已经开出，但真正需要兑现的，是那颗 32 位 CPU 之后的下一个设计。
信息来源
本文在采集与核验阶段引用了以下公开来源，按站点去重列出；来源内容归原发布方所有，其口径不代表 RecodeX 的核实结论。