Partnerskap
Cevas NeuPro-NPU-familj går i produktion i Mobilints REGULUS-SoC för edge-AI

Ceva meddelade den 2 november 2026 att Mobilint har implementerat Cevas SensPro AI DSP och NeuPro-Nano NPU i REGULUS, Mobilints systemkrets för edge-AI, i vad Ceva beskriver som den första produktionsmässiga implementeringen av NeuPro-NPU-familjen.
Mobilint är ett fabless-halvledarföretag inom AI, grundat 2019 och med huvudkontor i Seoul. Företaget är specialiserat på NPU:er och AI-SoC:ar för AI-tillämpningar vid kanten och på enheten. Ceva licensierar krets- och programvaru-IP för smarta kantenheter och uppger att företagets teknik har levererats i mer än 22 miljarder enheter till över 400 kunder.
Inuti REGULUS-SoC:en
REGULUS är utformad som en fristående processor för AI på enheten och integrerar SensPro AI DSP och NeuPro-Nano NPN32 NPU i Mobilints bearbetningsarkitektur. Enligt tillkännagivandet levererar kretsen 10 TOPS AI-prestanda vid en effektförbrukning på under 3 W och stöder upp till 8 GB minne. På Mobilints produktsida för REGULUS anges dessutom beräkningar med hög täthet i INT8 på ett 17 mm-chip. Konstruktionen är avsedd för AI i realtid i effekt- och utrymmesbegränsade tillämpningar, bland annat robotik, drönare, maskinseende, smarta kameror och IoT-enheter.
Arkitekturen med flera beräkningsmotorer fördelar olika avkännings- och AI-arbetsbelastningar till den beräkningsmotor som lämpar sig bäst för varje uppgift. SensPro tillhandahåller programmerbar bearbetning för avkännings- och signalbehandlingsuppgifter, medan NeuPro-Nano hanterar neurala beräkningar för användningsfall som kräver kontinuerlig inferens. Den kompletterar Mobilints egenutvecklade arkitektur för AI-bearbetning.
Utöver inferens har SoC:en en inbyggd bildprocessor med HDR och brusreducering, hårdvarubaserad videokodning i 4K med 60 bilder per sekund samt direktanslutningar för kameror, skärmar, Ethernet, USB och sensorer. Mobilint beskriver REGULUS som en komplett processor som kör Linux och program utan en värdenhet, snarare än som en accelerator.
På programvarusidan kompilerar Mobilints SDK qb modeller från PyTorch, TensorFlow och ONNX för kretsen. Företaget uppger att fler än 490 modellarkitekturer inom familjerna CNN, RNN och transformer har validerats på dess hårdvara. Ett Yocto Linux SDK innehåller GStreamer och OpenCV, och drivrutiner för kamera, video och skärm ingår.
MLD-R1 och REGULUS-produktfamiljen
REGULUS driver redan Mobilints MLD-R1, en AI-accelerator med USB-anslutning som först visades upp på COMPUTEX 2026 och nu levereras. MLD-R1 är utformad för att tillföra AI-funktioner på enheten till befintliga system och stöder arbetsbelastningar för datorseende, videoanalys och generativ AI inom tillämpningar som smarta fabriker, robotik, maskinseende, säkerhet, medicintekniska produkter och digital skyltning. Den stöder ramverken PyTorch, ONNX, Hugging Face, TensorFlow, TFLite och Keras.
”REGULUS samlar de specialiserade bearbetningsfunktioner som krävs för att köra avancerade AI-arbetsbelastningar direkt på enheten, trots mycket snäva effektbegränsningar”, säger Dongjoo Shin, vd för Mobilint. Shin säger att Cevas IP tillför flexibel avkänning, signalbehandling och inferens för de arbetsbelastningar som kunderna behöver för att bygga nästa generation av intelligenta kantenheter.
Mobilint erbjuder REGULUS i tre utföranden: systemmodulen MLM-1, som tillför AI till kundanpassade bärarkort; utvärderingspaketet REGULUS AI EVK för prestandamätning och programvaruuppstart; samt USB-C-dongeln MLD-R1, som tillför AI till befintliga datorer. Företaget listar bland annat AI-kameror för inspektion av produktionslinjer, drönare, AI-övervakningskameror, robotar, kiosker och plattformar för flyg- och rymdindustrin som målenheter.
Yaron Galitzky, vice vd och chef för Cevas AI-division, säger att REGULUS ”är en viktig milstolpe för Ceva, eftersom den är den första produktionsmässiga implementeringen av vår NeuPro-NPU-familj”. Han tillägger att NeuPro-Nano och SensPro tillsammans tillhandahåller effektiv och flexibel bearbetning för avkänning och inferens, för de arbetsbelastningar som fysiska AI-enheter behöver utföra lokalt och i realtid.












