今年 AI 智能体简直火得不行，各种初创公司像雨后春笋般冒出，光是 Y Combinator 一家今年就已经投资了 94 家相关初创公司。

怪不得吴恩达说："AI 智能体工作流程将在今年推动 AI 的巨大进步——甚至可能超过下一代基础模型。这是一个重要的趋势，我呼吁所有从事 AI 工作的人都关注它。"

雷峰网注意到，最近又有一家公司高调登场——这次是要在半导体领域搞事情。

这家名为 Alpha Design AI 的初创公司由王威廉创立，目标是颠覆传统的芯片设计和验证流程，打造出一套原生的人工智能电子设计自动化（EDA）系统。

目前，Alpha Design AI 已经完成了由 ScOp Venture Capital 领投的种子融资，成功筹集 309 万美元，其他投资方还包括 Impact Assets、Amino Capital 以及多位半导体领域的高管和天使投资人。

在这笔投资的加持下，Alpha Design AI 的旗舰产品 ChipAgents 得以快速上线，这也是世界上第一个用于芯片设计和验证的 AI 智能体。

凭借顶尖的生成式 AI 技术，ChipAgents 能够无缝分析和生成 RTL 设计规范和代码，还能搞定 Verilog 编写，测试平台的自动搭建更是不在话下，彻底摆脱手工编程的束缚。

而且，ChipAgents 还能从仿真中实时学习，自主验证和调试代码，确保测试的全面性和质量，堪称一站式解决方案。

ChipAgents 通过大幅缩短设计和验证周期，加快了上市时间，降低了开发成本，最终目标是将 RTL 设计和验证效率提高 10 倍，用更智能、更高效的芯片设计推动跨行业创新。

正如创始人兼首席执行官王威廉所说："ChipAgents 标志着半导体行业设计和验证方式的关键转变。我们相信 AI 代理是解决复杂 EDA 挑战并更快地将创新推向市场的关键。"

技术团队

Alpha Design AI 团队的技术背景也同样让人惊叹。

创始人王威廉就不说了，大语言模型和生成式人工智能领域的先锋人物，现任加州大学圣塔芭芭拉分校人工智能梅利坎普教席教授，还被评为 IEEE 人工智能十大值得关注人物。

董事会成员 John Bowers 也是一位大牛，Fred Kavli 纳米技术讲座教授、能源效率研究所所长，也是美国国家工程院院士。他有丰富的创业经验，担任过 Quintessent 和 Aurrion 等多家公司的联合创始人。

另一位董事会成员 Ivan Bercovich 在之前被亚马逊收购的 Graphiq 担任工程副总裁，在此期间专注研究自然语言理解和生成技术，极其擅长结构化数据、对话系统和人机交互模型，现在是多家科技公司的董事会成员。

团队里其他的成员也都是来自 NVIDIA、微软、Meta、雅虎、Snowflake、Salesforce 和 NEC 等行业巨头的资深人士，技术底蕴不容小觑。

Alpha Design AI 核心技术解读：G ö del Agent

最近 arxiv 收录了一篇 AI 智能体的论文，论文提出了一种名为 G ö del Agent 的框架，可以通过大型语言模型实现自主递归自我改进，能显著提升任务表现，而且无需依赖人类设计的组件。

王威廉的名字赫然出现在了论文的作者栏里，而 ChipAgents 的一大卖点也是可以自主验证和调试设计代码，雷峰网猜测   G ö del Agent 或许和 ChipAgents 的基础框架有关。

而且对比现有的智能体，只有 G ö odel Agent 可以不受任何限制地递归地改进自身。手工设计的智能体依赖于范围有限且劳动密集型的人类专业知识，元学习优化智能体则受到了固定元学习算法的约束。

从论文内容来看，G ö del Agent 使用了 " 猴子补丁 " 的方法。

猴子补丁技术允许智能体在执行过程中直接读取和修改运行时内存中自己的代码，使其功能能够实时更新，而不受固定算法的限制。这种灵活性对智能体的自我改进能力至关重要。

核心功能

论文还提到了 G ö del Agent 的其他几项核心功能，包括：

比如通过检查运行时内存实现自我意识，动态代码修改来完善自身逻辑，及其与环境互动等机制。这些功能让 G ö del Agent 可以像人一样不断学习、改进，甚至在每次递归迭代中变得更聪明。

通过检查运行时内存实现自我意识：G ö del Agent 通过检查运行时内存，特别是 Python 中的局部和全局变量，来实现自我意识。这一能力使代理能够提取和解释构成环境和代理自身的变量、函数和类，符合系统的模块化结构。通过自省这些元素，智能体获得对自身操作状态的理解，从而可以相应地进行调整。

通过动态代码修改实现自我完善：G ö del Agent 能够进行推理和规划，以确定是否需要修改自身逻辑。如果认为有必要进行修改，G ö del Agent 会生成新代码，动态地将其写入运行时内存，并将其集成到其操作逻辑中。这种动态修改使其能够在面对新挑战时，通过添加、替换或移除逻辑组件来进化，从而实现自我提升。

环境互动：为了评估性能和收集反馈，G ö del Agent 配备了与其环境互动的接口。每个任务都提供量身定制的环境接口，使其能够评估性能并相应地调整策略。这种互动是递归改进过程中的反馈循环的重要组成部分。

递归改进机制：在每个时间步骤，G ö del Agent 都会确定要执行的操作序列，包括推理、决策和行动执行。在完成操作后，G ö del Agent 评估其逻辑是否有所改善，并决定是否继续进行下一个递归迭代。随着连续迭代，G ö del Agent 的逻辑不断演变，每一步都可能提升其决策能力。

目标提示和任务处理：目标提示告知 G ö del Agent 它拥有提升逻辑所需的权限，并介绍可用的改进工具。该提示鼓励   G ö del Agent 充分探索其潜力，并利用工具进行自我优化。为了确保在不同任务中有效，为 G ö del Agent 提供了一个初始策略，它将开始探索不同的策略，以分析其在优化性能方面的效率。

综合以上技术，理论上来说 G ö del Agent 允许无限的自我改进，但目前的大型语言模型（LLMs）存在一些局限性。为了解决这些挑战，论文整合了几种支持机制来提升性能：

先思考后行动：G ö del Agent 在采取行动之前进行推理，这样可以输出推理路径和分析，而不是立即执行操作。这种方法提高了决策质量，优先考虑规划而不是鲁莽行动。

错误处理机制：执行过程中的错误会导致智能体进程意外终止。为缓解这一问题，如果某项操作出现错误，G ö del Agent 会停止当前序列，进入下一个时间步骤，并将错误信息保存下来，以改进未来的决策。

附加工具：G ö del Agent 还配备了其他潜在的有用工具，如执行 Python 或 Bash 代码和调用 LLM API 的能力。这些附加工具的加入加快了 G ö del Agent 递归优化过程的收敛速度。