Groene printplaat met een microcontroller en elektronische onderdelen.
Nieuws20 oktober · 16:455 min leestijd

Google voltooit Coral NPU-architectuur en Synaptics lanceert SR200

Google maakt de Coral NPU-architectuur compleet, brengt compiler v1.0 uit en koppelt die aan drie Synaptics-chips. De Coralboard SL is te bestellen, terwijl de SR200-serie nog wordt bemonsterd.

Coral NPU krijgt vandaag een complete 32-bit RISC-V-architectuur en compiler v1.0, meldt Google Research; Synaptics koppelt het ontwerp aan drie chips voor wearables, camera’s en industriële sensoren.

Een Nederlandse maker van wearables, camera’s of industriële sensoren kan de architectuur commercieel toepassen onder Apache 2.0 zonder licentievergoeding aan Google. De licentie in Googles Coral NPU-repository is Apache 2.0. Andere IP-blokken in dezelfde chip kunnen wel eigen licentiekosten hebben. Voor een eerste proef is de Coralboard SL via DigiKey te bestellen voor 99,79 dollar. VentureBeat meldt dat de SR200-chips nog worden bemonsterd en dat prijs, leverplanning en onafhankelijke batterijmetingen ontbreken.

De matrixunit maakt de 32-bit kern compleet

Google beschreef in oktober 2025 een basisarchitectuur van 512 GOPS bij enkele milliwatts, terwijl de matrixkern nog in ontwikkeling was. De aankondiging van 20 oktober voltooit die vierde bouwsteen naast de scalaire RISC-V-kern, de vectorunit en het geheugensysteem.

De Matrix Execution Unit is een matrixengine die 256 vermenigvuldig-en-optelbewerkingen per cyclus uitvoert. Lokale registers hergebruiken gewichten en activaties, zodat minder data over de chip beweegt. Google noemt maximaal 1 TOPS en 10 milliwatt gemiddeld als doelen voor configureerbaar IP. Dat zijn geen metingen aan een commerciële chip.

Google heeft de volledige 32-bit hardwarebeschrijving, of RTL, openbaar gemaakt. In werk met GlobalFoundries zegt Google dat het 12LP+-proces de timing van de kern met 70 procent verbeterde en de benodigde chipruimte per iteratie met maximaal 15 procent verkleinde. De low-powerbibliotheken voor de matrixunit worden nog geëvalueerd; deze cijfers zijn geen productmetingen.

Schema van de Coral NPU met scalaire, vector- en matrixeenheden in een systeemchip, bron: Google
Schema van de Coral NPU met scalaire, vector- en matrixeenheden in een systeemchip, bron: Google

De compiler koppelt modellen aan chips

Coral Compiler v1.0 gebruikt IREE en MLIR. Google noemt JAX, PyTorch en TensorFlow als invoer via StableHLO of TOSA. De compiler verdeelt werk over host-CPU en NPU, voegt bewerkingen samen en stemt matrices af op lokaal geheugen. De MPACT-simulator en een FPGA-ontwerp laten teams configuraties testen vóór chipfabricage.

De README documenteert op dit moment een JAX-route in hostsimulatie. Andere frameworks staan nog gepland; uitvoering op fysieke Coral-hardware beschrijft de README niet. Dat is beperkter dan de aankondiging over drie modelbouwkaders. Een productteam moet dus nog per model, bewerking en chip controleren wat werkt.

Googles LiteRT Tensor API laat ontwikkelaars modelgrafen in C++ bouwen en naar CPU, GPU of ondersteunde NPU’s sturen; de SAM 2.1-voorbeelden rapporteren encoderlatentie op Mac, iPhone en Android. Die API richt zich op modelbouw; Coral NPU voegt een architectuur en compilerdoel toe. Google bevestigt niet dat elke LiteRT-route op elke Coral-configuratie werkt.

Synaptics zet drie chips en twee borden neer

Synaptics lanceert drie pin-compatibele SR200-varianten met een gedeelde SDK. Het bedrijf specificeert de SR210 op 200 GOPS, de SR230 op 300 GOPS en de SR250 op 400 GOPS, voor respectievelijk spraak en sensoren, beeld en scherm, en twee beeldroutes. De serie heeft tot 8 MB SRAM en eigen DRAM die tot honderden megabytes kan meegroeien.

Synaptics zegt dat de geheugenarchitectuur voor vergelijkbare werklasten een derde van het stroomverbruik van standaard systeem-DRAM vraagt. Dat betreft het geheugen, niet het hele apparaat. Google zegt dat het Coralboard SR tot 256 MB geheugen krijgt. Het bord gebruikt de SR250, maar heeft nog geen prijs of vaste leverdatum.

Synaptics maakt de Coralboard SL vanaf 20 oktober wereldwijd via DigiKey verkrijgbaar. Het bord gebruikt een Astra SL2619, een Torq/Coral-NPU-subsystem van 1 TOPS en 2 GB DDR4. Synaptics zegt dat de Torq-toolchain Gemma 3 270M met 12 tot 16 tokens per seconde draait bij verschillende kwantiseringsinstellingen; dat is geen onafhankelijke vergelijking van SR200-hardware.

Synaptics Coralboard-ontwikkelbord met aansluitingen en chips, beeld: Synaptics
Synaptics Coralboard-ontwikkelbord met aansluitingen en chips, beeld: Synaptics

TOPS en GOPS vragen een praktijktest

STMicroelectronics vermeldt voor zijn STM32N6-microcontroller maximaal 600 GOPS, tegenover Synaptics’ 400 GOPS voor de SR250. Dat is geen directe snelheidsvergelijking: model, precisie, geheugen en ondersteunde bewerkingen bepalen samen de uitkomst. Een piekscore voorspelt dus niet hoeveel beelden een camera verwerkt of hoe lang een wearable meegaat.

Ook de overige cijfers hebben een eigen meetkader. De 1 TOPS en 10 milliwatt zijn doelen voor Coral NPU-IP; de een-derde claim geldt voor Synaptics’ geheugenarchitectuur. VentureBeat vond geen onafhankelijke meting van de totale batterijduur. De 12 tot 16 tokens per seconde voor Gemma 3 270M blijft zonder testinstellingen en productvergelijking een leverancierscijfer.

Googles EmbeddingGemma 2 brengt tekst, code, beeld, video en audio in één vectorruimte voor lokaal zoeken; de 740-miljoen-parameter-versie gebruikt na kwantisering circa 567 MB actief geheugen op een Pixel 11 Pro. Dat is een ander apparaat en geen bewijs dat het model op Coral-hardware past. Geheugen, bewerkingen en verbruik blijven per combinatie te testen.

De release brengt model, compiler en silicium dichter bij elkaar. De Coralboard SL is te bestellen; de SR200-chips worden nog bemonsterd en hebben geen volumeplanning. Een toepassing op SR200-hardware moet nog laten zien welk model binnen het geheugen- en stroombudget past.

Veelgestelde vragen

Alisina Nawabi
Geschreven doorAlisina Nawabi

AI Product Engineer & Solutions Architect

Van model naar apparaat

Ik denk mee over de toepassing, ontwerp de software en realiseer het product van eerste idee tot livegang. Waar het past, automatiseer ik de keten en houd ik verwerking self-hosted.

Meer informatie

Dit artikel is geproduceerd samen met het Agent Team. Meer over de redactie.

Gerelateerde artikelen

Google toont vier AI-modellen die op versleutelde data draaien
Nieuws
5 min

15 aug 14:08

Google toont vier AI-modellen die op versleutelde data draaien

Google zet zijn compiler HEIR in de Private Computing Toolkit en publiceert vier AI-modellen die volledig op versleutelde data rekenen. Wat werkt daar vandaag van, en wat kost het aan rekentijd?

DeepSeek opent DeepInfer voor lokale inference
Nieuws
5 min

20 okt 14:35

DeepSeek opent DeepInfer voor lokale inference

DeepSeek zet het framework achter zijn productie-inference open source. De eerste versie draait offline voor één model op NVIDIA SM100 of Huawei Ascend 950 en mist onderdelen voor complete online serving.

Google brengt LiteRT Tensor API uit voor modelbouw in C++
Nieuws
5 min

19 okt 20:22

Google brengt LiteRT Tensor API uit voor modelbouw in C++

De nieuwe C++-API laat teams modelgrafen zelf opbouwen, gewichten rechtstreeks inlezen en verwerking naar CPU, GPU of ondersteunde NPU’s sturen. Googles SAM 2-demo laat zowel de snelheidswinst als de meetgrenzen zien.

Amazon laat bestaande PyTorch-code op Trainium draaien met TorchNeuron
Nieuws
5 min

19 okt 16:09

Amazon laat bestaande PyTorch-code op Trainium draaien met TorchNeuron

Amazon opent TorchNeuron voor PyTorch-teams die Trainium willen testen. De software verlaagt de codebarrière, maar de eigen testcijfers tonen dat operatorondersteuning en modelspecifieke beperkingen aandacht vragen.

NVIDIA brengt multimodaal Nemotron 3.5 Super VL uit
Nieuws
5 minBijgewerkt om 14:31

15 okt 18:12

NVIDIA brengt multimodaal Nemotron 3.5 Super VL uit

NVIDIA zet de downloadbare gewichten van Nemotron 3.5 Super VL online. Het model leest tekst, documenten, afbeeldingen en video, maar de NVFP4-versie weegt 75,1 GB en vraagt krachtige GPU-hardware.

Google brengt EmbeddingGemma 2 uit voor lokaal zoeken
Nieuws
5 min

6 okt 22:28

Google brengt EmbeddingGemma 2 uit voor lokaal zoeken

EmbeddingGemma 2 zet tekst, code, beeld, video en audio in één lokale zoekruimte. Google deelt cijfers over geheugen en prestaties, maar de benchmarks zeggen nog niet hoe goed het model zoekt in de eigen bedrijfscollectie.