AMD Ross 調度框架串接嵌入式設計工具與 AI 智能體

AI 智能体如今热度极高，这项技术正被集成到嵌入式开发环境中来提升研发效率。AI 可用于代码生成、平台配置，甚至在 FPGA 上完成硬件设计；但 AI 产出代码的质量与安全问题依然存在隐患。

AMD 产品、软件与解决方案副总裁柯克・萨班（Kirk Saban）表示：“自然语言正在成为嵌入式领域软硬件共同的新型抽象层。真正带来颠覆性变化的，是大语言模型（LLM）的出现 —— 开发者可以用自然语言描述设计需求。”

萨班向EEPW介绍：“嵌入式领域的一大特点是，我们要面对五花八门的应用领域、形态规格与使用场景，这就需要跨多学科取舍架构方案。整个流程里存在大量人工交接环节，工具链繁多复杂；随着芯片越来越复杂，配套工具也随之变得庞杂。”

为此 AMD 推出一套名为 Ross 的调度框架，充当统一接口，打通 AMD 自家工具与第三方各类工具之间的通信。Ross 的命名方式和 Anthropic 的 Claude AI 类似，取自 FPGA 的发明者 Ross Freeman—— 他曾是 Zilog 工程总监，也是赛灵思（Xilinx）联合创始人之一（另两位联合创始人是 Bernie Vonderschmidt 与 James Burnett）。

“Ross 覆盖我们整套开发栈，和所有工具并行运行、即插即用。” 萨班说道。它适配 AMD 全系工具，包括 Vivado FPGA 设计套件、Vitis 统一集成开发环境、锐龙嵌入式处理器 AI 工具，以及 ChipScope 集成逻辑分析仪。

“我们并不自研大模型，Ross 可以接入任意主流公有模型服务商，同时也支持开源权重模型。它是一套适配我们全开发栈的调度框架，给用户提供一个可适配自有设计环境的底座。IDE 层面也是同理，我们和业内所有主流厂商都保持兼容。” 萨班解释道。

AdaCore 也在利用 GNAT Pro 开发环境，为高安全关键系统生成嵌入式代码，依托 Ada、SPARK 形式化语言完成开发。

AdaCore 技术市场负责人马克・赫尔梅林（Mark Hermeling）称：“SPARK 本身需要额外投入。不用形式化方法也能写代码，但难度会更高。如果你已有 Ada 代码，想升级到 SPARK Silver 等级（保证无运行时错误），LLM 驱动的 AI 可以稳定完成转换。这极大减轻开发者负担。”

他举了一个例子：一份意法半导体的标准数据采集 C 语言演示工程，在从洛杉矶飞往多伦多的航班上，只用一台笔记本电脑，就由 AI 完成向 Ada 的转译，并升级到 SPARK Silver 等级。这套转换会标记 6 处输入数据检查点，还能配置指定功能属性；更高等级的 SPARK Gold、SPARK Platinum，则面向汽车、航空航天、加密等高安全关键代码，实现完整形式化证明。“无论 AI 做什么，都不能突破这些约束条件，开发者在扩充代码时可以完全保证安全。” 他说。

AI 能力由 GitHub 上一套技能库提供。“里面包含过去 6 到 9 个月我们沉淀的成果。” 他介绍，“我们起步用了模型上下文协议（MCP），但命令行工具并不强制依赖 MCP，技能包本身就能完成任务。其中 Connect 技能固化了 SPARK 最佳实践，开发者拉取仓库技能包，调用 Prove 验证技能，就能按固定模式启动一组智能体，把 Ada 代码升级至 SPARK Silver。”

“GNAT Foundry 提供一套智能体工作流，遵循 V 模型需求开发流程。整套智能体框架拆成独立步骤，每一步都设有校验器（oracle），检查 AI 输出是否合规。”

目前该代码仓库克隆量已达 250 次，仓库内附带一个高完整性交通信号灯系统示例：可由 AI 扩展开发，从高层需求一路向下生成底层代码，同时维持 Gold 等级安全属性。

“前沿大模型能力很强，但 LLM 本质是‘聪明的鹦鹉’，训练素材里本身就充斥大量不规范 C 代码，完美 C 代码并不存在。AI 的一大痛点是能一口气生成海量代码，人工根本来不及全部验证。” 赫尔梅林表示，“而 GNAT Foundry 的方案不需要逐行核验。只要工程师已经审核确认 Gold 等级的安全属性，甚至不必测试每一行代码。”

他以汽车 ISO 26262 ASIL‑D 高安全代码举例：前沿大模型甚至能找出少量内存违规问题，同时给出漏洞利用方式。“客户修复这批漏洞，下周模型又会找出新问题。我们必须换一套软件工程思路。”

“写代码这件事的重要性会下降，软件工程本身会变得更重要。重点是完成设计、做好组件划分，GNAT 的例子就说明了这点。” 他说，“行业普遍有快速编码、快速交付的压力，所以我会给代码套上尽可能多的校验器。大家要记住：LLM 和人一样，都会犯错。”

英飞凌也在为自家微控制器的 ModusToolbox 工具新增 AI 助手扩展。

嵌入式开发对硬件配置精度要求极高：引脚分配错误、时钟配置遗漏，都可能让开发团队在实体硬件上耗费数小时调试。通用 AI 助手往往缺少器件专属上下文，无法提前识别这类问题。

适配微软 VS Code 的 ModusToolbox AI 助手，为 PSOC Edge、PSOC Control 系列控制器的 AI 编码智能体提供硬件专属上下文。缺少这类上下文时，通用 AI 写出的代码看起来没问题，但在真实硬件上跑不通：选错器件、调用已废弃 API、漏掉初始化步骤，这些问题往往要等到板卡上电调试阶段才暴露。ModusToolbox AI 助手会让所有 AI 建议，严格匹配开发者选定的目标器件、评估板与外设配置。该扩展完全在本地分析工程上下文，项目数据保留在开发者本机，不上传。典型应用场景包括带图形界面、联网功能的物联网设备。

ModusToolbox 通过本地工作空间分析获取上下文：评估工程结构、板级支持包、已安装中间件、代码样例和可用工具。基于分析结果，扩展包向 AI 智能体下发器件专属指令与开发技能，覆盖 GPIO、I2C、SPI、UART、DMA 等外设，以及联网、RTOS 相关功能。定向上下文让 AI 生成代码更准确，同时减少 token 消耗。

在生成代码前，助手会先输出一份工程方案供开发者审阅、调整，方案明确目标器件、评估板、依赖库与工程架构。同一套流程也支持把现有工程迁移到其他英飞凌器件；后续版本将增加 PSOC 4、PSOC 6、TRAVEO T2G 系列支持。

嵌入式团队，尤其是开发复杂多核应用的团队，面临的挑战是在越来越紧张的周期内交付复杂度持续上升、满足功能安全要求的软件。AI 可以辅助编写、测试、验证软件，但需求可追溯性要求开发者对 AI 产出承担全部责任。

Tasking 也推出可用于安全认证的智能体 AI 嵌入式调试分析工具。开发者可以自由选用 LLM 与 AI 智能体，实现软件开发自动化，同时满足需求追溯，简化功能安全标准认证流程。

这套工具与文件允许 AI 智能体通过 winIDEA 开发环境接入 Tasking 统一工具链。开发人员能在工具链内部调用 AI 智能体，自动执行多条开发工作流，加速软件设计与验证；同时维持严格的需求追溯关系，降低认证难度。

工具将 AI 融入 Tasking 平台，给通用预训练大模型补充代码、脚本生成的上下文信息，在保障认证所需的需求可追溯性前提下提升效率。防护边界（guardrails）限定 AI 可执行的操作范围，人工监督保证权责可控：AI 辅助开发流程，但不损害可靠性、功能安全与信息安全。

Tasking 的 winIDEA IDE 现已支持智能体 AI

Tasking 调试器解决方案研发总监 Janez Ulcakar 说：“我们这套 AI 方案，让智能体结构化接入调试与分析流程，加速复杂多核嵌入式开发。基于这套方案，智能体自动化流程可以依托实时调试证据运行，工程师始终全权掌控 AI 的处理过程与结论。对于需要通过功能安全认证的系统而言，这点至关重要。”

winIDEA AI Kit 包含三大持续维护组件：首先是 MCP 服务器，提供结构化方式访问设计工具能力，包括调试控制、内存、变量、断点、追踪、覆盖率分析、性能剖析与时序分析。配套 AI 就绪版 winIDEA SDK 文档，帮助智能体生成精准自动化脚本；嵌入式开发技能包则面向调试、时序分析、winIDEA 配置、器件专属流程提供任务指引与上下文。团队可以直接让 AI 智能体执行任务，不必维护庞大的自定义脚本库与工具指令集。

萨班补充：“现在大家已经能用 Claude 这类大模型调用 Vivado 等工具。我们会持续改造各类单点工具，提升对智能体的友好度，输出更适配 AI 智能体的文件。”

“我们采用 MCP，也就是 Anthropic 面向 LLM 的数据库接口。通过 MCP 服务器，智能体可以访问我们全部知识库与文档。另一部分就是开放技能包，例如 PCB 版图设计规则、FPGA 时序收敛最佳实践，都发布在智能体技能仓库里。客户也可以按自身需求复用这些知识，接入自己的工作流。”

“我们深知隔离环境（airgap）对安全的重要性。Ross 可以在内网防火墙内部运行，数据不用上传公网。模型与数据访问权限完全由客户掌控。AMD 内部使用 Claude 时，也是在沙箱、防火墙隔离环境中，通过 LLM 网关调用。”

他计划依托 Ross 搭建围绕 AMD 器件的技能生态。“我们会提供专用技能，比如流水线设计、时序收敛、芯片分区；客户可以在内部自建技能，也可以对外发布，合作伙伴同样可以开发技能。我们已经有设计工具智能体、规约智能体、代码生成智能体。首发版本计划放出 20 项技能，后续会快速扩充。”

“我们非常了解嵌入式开发者群体 —— 大家需要保有控制权，这点我们高度重视，Ross 定位是工程师的辅助伙伴。”

GitHub 仓库会开放全部技能包，但整个行业仍有不少待解决的难题。初期技能以 Markdown 纯文本形式存放，后续形态还会迭代。“我们正在评估更多方案。首发阶段仓库以插件形式提供技能包与 MCP 服务器；通过 MCP 服务器访问 AMD 知识库，AI 回答效率更高、消耗 token 更少。”

技能包和 AI 智能体提升嵌入式设计效率。萨班举了一个图像处理案例：基于 FPGA 的 3 亿像素传感器项目，用传统手写 C++ 完成 HLS 算法需要两天，占用 FPGA 内 1801 个查找表（LUT）；借助 Ross 只需要两小时，LUT 占用降至 1177 个。

部分设计师自 6 月起已提前试用，超 800 位客户在 Vivado FPGA 开发中使用该工具，后续保持月度更新。

AI 智能体这股浪潮，正在改变代码开发范式：大家逐渐从 C++ 转向有 AI 支持、内存安全的 Rust 语言，同时配套 AI 组件数字孪生、无代码开发环境。

Qt 集团（旗下包含 IAR 开发工具）推出一款原生面向 AI、专门用于嵌入式界面的无代码工具 Clate。

Clate 目前放在 qt.io/clate，目标是摆脱通用网页、移动端设计工具的局限。原生 AI 集成支持用自然语言发起指令，生成界面、修改设计；依托 MCP 协议直连其他设计与生产力工具，输出可直接投产的 QML 代码 —— 这是专门用于 UI 界面开发的声明式语言。

Qt 集团设计产品副总裁 Antti Kujala 表示：“长期以来，嵌入式 UI/UX 设计师不得不妥协，用网页端设计工具，而这类工具完全不考虑真实硬件约束。我们打造 Clate 就是为了终结这种妥协，让设计师重新完整掌控用户体验。设计师也不需要深厚编码功底。Clate 基于 Qt 运行，后台自动生成可投产的 QML 代码。作为原生 AI 工作空间，Clate 依靠标准 MCP 协议接入设计师的整套工具生态，团队能用自然语言提修改需求，不打断原有工作流。设计师第一次可以确信，自己设计出的 UI/UX，就是终端用户最终看到的效果。”

一批规划功能将在 2027 年初上线，包含 AI 助手、多工具集成、可投产 QML 输出；版本发布后不久还会新增嵌入式硬件优化功能，例如帧率、内存占用检查。

被问到 Ross 是否会支持数字孪生时，萨班说：“要实现这点还有不少前置工作。一部分 IP 模型需要以软件为核心建模，其中一部分 IP 属于我们，另一部分来自第三方。我们目前还没有确定的正式方案，但我判断行业长期会朝这个方向演进，整个生态都需要配套成熟。”

AdaCore 的赫尔梅林则提出：“如果新项目现在还从 C++ 起步，我会很怀疑这是不是正确选择，为什么不直接用 Rust？Rust 的库生态已经足够，AdaCore 也在补齐 Rust 相关能力。除了超高完整性安全场景优先选 Ada 以外，我们对 Rust 的支持等级和 Ada 持平。”