Los agentes de IA llegaron a los entornos de desarrollo embebido. Se usan para generar código, configurar plataformas e incluso diseñar hardware en FPGA, aunque la calidad y la seguridad del código que producen siguen en discusión, según un reportaje de eeNews Europe del 27 de octubre.
"El lenguaje natural es la nueva capa de abstracción para lo embebido, tanto en hardware como en software", dijo Kirk Saban, vicepresidente de Producto, Software y Soluciones de AMD. "Lo que cambió el juego fue la llegada de los modelos de lenguaje grandes (LLM), con la capacidad de describir el problema en lenguaje natural".
"Una de las cosas que vemos en embebidos es que tratamos con dominios, formatos y casos de uso muy distintos, y eso exige muchas disciplinas y compromisos de arquitectura", explicó Saban a eeNews Europe. "Suele haber muchos traspasos manuales y muchas herramientas distintas, y a medida que los chips se volvieron más complejos, también lo hicieron las herramientas".
Ross, el arnés de agentes de AMD
La respuesta de AMD es un arnés llamado Ross, que funciona como interfaz y permite que las herramientas de AMD se comuniquen entre sí. Igual que Claude, el asistente de Anthropic, Ross lleva el nombre de una persona, Ross Freeman, inventor de la FPGA (arreglo de compuertas programable en campo), exdirector de ingeniería de Zilog y cofundador de Xilinx junto a Bernie Vonderschmidt y James Burnett.
"AMD Ross abarca todo nuestro stack de desarrollo, corre en paralelo y se conecta a todas las herramientas", dijo Saban. Funciona con la gama de herramientas de AMD, desde Vivado para diseño de FPGA y el entorno unificado Vitis hasta las herramientas de IA de los procesadores Ryzen embebidos y el analizador lógico integrado ChipScope.
"No estamos en el negocio de crear LLM. Ross se conecta a cualquiera de los proveedores públicos de modelos, pero también soportamos modelos de pesos abiertos. Es un arnés para todo nuestro stack de desarrollo. Te damos un arnés para que lo adaptes a tu entorno de diseño", dijo Saban. "Lo mismo con los IDE, trabajamos con todos los actores grandes de la industria".
AdaCore lleva código generado por IA a SPARK
AdaCore usa su entorno GNAT Pro para código embebido generado por IA en sistemas críticos de seguridad, con los lenguajes formales Ada y SPARK.
"Sabemos que SPARK exige un esfuerzo adicional. Se puede escribir sin los métodos formales adicionales, pero es más difícil", dijo Mark Hermeling, jefe de marketing técnico de AdaCore. "Pero si tienes código Ada y quieres subirlo a SPARK Silver [que garantiza la ausencia de errores en tiempo de ejecución], la IA puede hacerlo con un LLM, siempre. Es una descarga enorme de trabajo para el desarrollador".
Hermeling tomó una demo estándar de STMicroelectronics con código C para recolección de datos, la tradujo a Ada y la subió a SPARK Silver, todo en un portátil durante un vuelo de Los Ángeles a Toronto.
El proceso entregó seis áreas para inspeccionar los datos de entrada y también permite fijar propiedades funcionales específicas, típicamente de seguridad física o informática, en el nivel siguiente. SPARK Gold y SPARK Platinum cubren el diseño completo probado formalmente para código crítico, como el de automoción, aeroespacial o cifrado. "Así, haga lo que haga la IA, nunca puede violar esos requisitos, y para los desarrolladores es muy fácil elaborar el código manteniéndose completamente seguros", dijo.
El soporte de IA viene como un repositorio de skills en GitHub. "Incluye lo que aprendimos en los últimos seis a nueve meses", dijo Hermeling. "Partimos con Model Context Protocol (MCP), pero no hace falta para herramientas de línea de comandos, las skills cumplen ese papel. En concreto, la skill Connect codifica las buenas prácticas de SPARK. Bajas las skills del repositorio y usas las skills Prove. Eso lanza un conjunto de agentes con un patrón determinado para subir el código Ada a SPARK Silver".
"Lo que entrega GNAT Foundry es un flujo para que los agentes sigan el modelo en V de requisitos. Hay un marco de agentes con pasos discretos y, en cada paso, un oráculo que revisa si la IA está haciendo lo correcto", explicó.
El repositorio lleva 250 clones hasta ahora. Incluye un ejemplo de semáforo de alta integridad que se puede extender con IA, bajando desde los requisitos de alto nivel hasta el código de bajo nivel sin perder las propiedades del nivel Gold.
"Los modelos de frontera son brillantes, pero los LLM son loros inteligentes entrenados con código C malo, porque el código C perfecto no existe. Uno de los desafíos de la IA es su capacidad de generar cantidades enormes de código que es imposible verificar", dijo Hermeling. "Con GNAT Foundry no hace falta. Mientras un ingeniero haya revisado las propiedades del nivel Gold, ni siquiera importa si cada línea de código se probó".
Hermeling apunta al código crítico de automoción bajo ISO 26262 ASIL-D, donde un modelo de frontera encontró un puñado de violaciones de memoria y además entregó los exploits. "Los clientes pueden corregir esas violaciones, pero el modelo de la próxima semana va a encontrar más. Tenemos que buscar otra forma de hacer ingeniería de software", dijo.
"Escribir código pierde importancia y la ingeniería de software gana. Tú defines el diseño y cómo dividirlo en componentes, eso es lo que muestra el ejemplo de GNAT", agregó. "Hay muchísima presión por escribir y despachar, así que yo siempre envolvería el código con todos los oráculos que pueda. Eso es lo que la gente tiene que tener en mente. Los LLM, igual que los humanos, se equivocan".
Infineon agrega un asistente para ModusToolbox
Infineon Technologies amplía sus herramientas ModusToolbox con una extensión de asistente de IA para sus microcontroladores.
El desarrollo embebido exige una configuración precisa del hardware. Una asignación de pines equivocada o un reloj mal configurado le puede costar horas de depuración a un equipo sobre el hardware físico. Los asistentes de IA de uso general no suelen tener el contexto específico del dispositivo para detectar esos problemas antes.
El ModusToolbox AI Assistant para Microsoft Visual Studio Code entrega a los agentes de programación el contexto de hardware de los controladores PSOC Edge y PSOC Control. Sin ese contexto, un asistente genérico puede producir código que parece correcto pero falla en el hardware real. Puede apuntar al dispositivo equivocado, llamar APIs obsoletas o saltarse un paso de inicialización que solo aparece al levantar la placa. La extensión alinea cada sugerencia con el dispositivo, la placa y la configuración de periféricos del proyecto. Analiza el contexto del proyecto de forma local y deja los datos del cliente en el equipo del desarrollador. Las aplicaciones típicas son dispositivos IoT conectados con gráficos y conectividad.
El ModusToolbox AI Assistant obtiene ese contexto con un análisis local del espacio de trabajo. Evalúa la estructura del proyecto, el paquete de soporte de la placa, el middleware instalado, los ejemplos de código y las herramientas disponibles. Con eso le entrega al agente instrucciones y skills específicas del dispositivo, que cubren periféricos como GPIO, I2C, SPI, UART y DMA, además de funciones de conectividad y RTOS. Según Infineon, ese contexto acotado permite generar código más preciso y reduce el consumo de tokens.
Antes de generar código, el asistente arma un plan del proyecto que el desarrollador puede revisar y ajustar. El plan define el dispositivo, la placa, las bibliotecas y la estructura. El mismo flujo sirve para migrar proyectos a otros dispositivos de Infineon, y las próximas versiones de la extensión sumarán las familias PSOC 4, PSOC 6 y TRAVEO T2G.
Tasking y la depuración certificable
Los equipos embebidos, sobre todo los que desarrollan aplicaciones multinúcleo complejas, tienen que entregar software cada vez más complejo y funcionalmente seguro en plazos más cortos. La IA ayuda a escribir, probar y verificar software, pero la trazabilidad de requisitos obliga a que los desarrolladores respondan por toda la actividad de la IA.
Tasking lanzó una IA de agentes certificable para el análisis de depuración embebida. Permite usar el LLM y los agentes que el desarrollador prefiera para automatizar el desarrollo, de una forma que conserva la trazabilidad de requisitos y simplifica la certificación según las normas de seguridad funcional.
Las herramientas y archivos permiten que los agentes se integren con la cadena de herramientas unificada de Tasking a través del entorno winIDEA. Con acceso a la cadena de desarrollo, los agentes automatizan varios flujos de trabajo y aceleran el diseño y la verificación del software, manteniendo la trazabilidad estricta que facilita la certificación.
La integración en los flujos de winIDEA de Tasking le da a los LLM entrenados de forma genérica el contexto sobre cómo deben generarse el código o los scripts. Las barreras definen qué puede hacer la IA, y la supervisión humana mantiene la responsabilidad, de modo que la IA apoya el ciclo de desarrollo sin comprometer la confiabilidad, la seguridad funcional ni la ciberseguridad.
El IDE winIDEA de Tasking suma soporte para IA de agentes.
"Nuestro enfoque acelera el desarrollo embebido multinúcleo complejo al darles a los agentes acceso estructurado a los flujos de depuración y análisis", dijo Janez Ulcakar, director de I+D de Soluciones de Depuración de Tasking. "Eso permite que la automatización con agentes trabaje con evidencia de depuración en tiempo real, mientras los ingenieros mantienen el control total de los procesos y las conclusiones de la IA. Es indispensable para sistemas que deben certificarse según normas de seguridad funcional".
El winIDEA AI Kit combina tres componentes mantenidos. El primero es un servidor MCP que da acceso estructurado a las capacidades de la herramienta, incluidos control de depuración, memoria, variables, puntos de quiebre, trazas, cobertura, perfilado y análisis de tiempos.
La documentación del SDK de winIDEA, preparada para IA, ayuda a los agentes a generar scripts de automatización correctos en los lenguajes soportados. Las skills de desarrollo embebido entregan guía orientada a tareas para depuración, análisis de tiempos, configuración de winIDEA y flujos específicos de cada dispositivo. Así, los equipos le piden una tarea a un agente en vez de crear y mantener una biblioteca extensa de scripts o instrucciones propias.
AMD y el ecosistema de skills
"Hoy ya puedes usar LLM como Claude para correr herramientas como Vivado, y vamos a trabajar en todas las herramientas puntuales para hacerlas más amigables con los agentes, con archivos de salida más fáciles de leer para ellos", dijo Saban.
"Usamos MCP, que es la interfaz de Anthropic entre bases de datos y LLM. Con servidores MCP vamos a dar acceso a toda nuestra base de conocimiento, con toda la documentación".
"La otra pieza es poner skills a disposición, como reglas de diseño para el trazado de placas o buenas prácticas para el cierre de tiempos en una FPGA, publicadas en el repositorio de skills para agentes. También vemos que los clientes van a querer usar ese conocimiento a su manera y podrán conectarlo a sus propios flujos".
"Entendemos la importancia del aislamiento físico de red para la seguridad. Ross puede correr dentro del firewall, así que no se publica nada. El cliente decide el nivel de acceso a modelos y datos. En AMD usamos Claude en un entorno aislado, detrás del firewall y con una pasarela de LLM".
Saban ve a Ross construyendo un ecosistema de skills en torno a los dispositivos de AMD.
