Mineng vil flytte medicinsk AI tættere på sensoren

Mineng Technology satser på, at medicinsk AI ikke altid behøver en strømkrævende GPU. Virksomheden har ifølge omtale gennemført en egenkapitalfinansiering på et tocifret millionbeløb i yuan til en fysiologisk, hjerneinspireret computerplatform baseret på spikende neurale netværk, SNN'er. Én artikel betegner runden som en serie A, mens en anden blot kalder den egenkapitalfinansiering. Runden bør derfor omtales med forbehold. 1324

Det afgørende er snarere, hvad kapitalen skal bruges til: medicinske moduler, integrationsarbejde og en leverandørkæde til producenter af medicinsk udstyr. Det placerer Mineng et andet sted end leverandører af AI-chips til generelle formål. Selskabets idé er kontinuerlig AI-inferens med lavt energiforbrug tæt ved den fysiologiske sensor. 24

Fra biosignal til chip – hvad bygger Mineng?

Mineng beskriver sig som en teknologileverandør til producenter af medicinsk udstyr frem for først og fremmest en producent af færdige kliniske apparater. Den oplyste platform spænder over indsamling af fysiologiske signaler, kodning til hændelser eller spikes, en mixed-signal-SNN-kerne og en programmerbar interventionsdel med sikkerhedskontroller. Desuden tilbyder virksomheden moduler, softwareudviklingsværktøjer, ingeniørbistand og hjælp til integration i udstyr. 24

Fokus i de offentliggjorte beskrivelser er fysiologiske data og regulering i lukkede kredsløb. Blandt de nævnte områder er overvågning af EKG-, EEG- og EMG-kurver, hjemmemonitorering ved kronisk sygdom, ikke-invasiv hjerne-computer-interaktion, rehabilitering, regulering af det autonome nervesystem ved søvn, sportsrehabilitering og hjemmebehandling af kroniske smerter. 24

Det er en vigtig afgrænsning: Den tilgængelige dokumentation understøtter især sansning, overvågning og regulering af biosignaler – ikke diagnostisk billedbehandling. AI-baseret forsortering af billeder kan være en tænkelig edge-AI-anvendelse, men er ikke et tydeligt offentliggjort Mineng-mål i finansieringsomtalen. 24

Hvorfor spikes adskiller sig fra GPU'er og NPU'er

Almindelige AI-acceleratorer er bygget til store numeriske beregninger, især matrixmultiplikationer på kontinuerlige tensorer. Neuromorfiske systemer bruger i stedet beregningselementer inspireret af neuroners dynamik: tidslig integration, tærskelværdier og diskret – ofte lavbit – kommunikation mellem elementerne. 22

I et SNN kan et sensorsignal omdannes til spikes, altså diskrete hændelser, der repræsenterer en relevant ændring eller tilstand. Beregningen kan dermed ske, når en hændelse kommer, frem for at systemet udfører samme mængde arbejde i hvert faste måleinterval. Det passer særligt godt til biosignaler, hvor tidspunktet og ændringerne i kurveformen betyder noget. Et forskningssystem til bærbar EKG-analyse brugte eksempelvis level-crossing-sampling til at skabe tidslige hændelser på én bit, som blev ført direkte til en SNN-processor. 4

De mulige fordele er især:

• Mindre unødvendig aktivitet: Sparsomme input kan betyde færre beregninger og mindre datatransport.
• Tidsinformation er indbygget: Tidspunktet for et spike er en del af repræsentationen, hvilket passer til dynamiske signaler fra hjerte, hjerne og muskler.
• Lokal og hurtig inferens: Analysen kan køre ved sensoren i stedet for at afhænge af en fjernserver.

Det er dog arkitektoniske muligheder, ikke en garanti. Energiforbruget afhænger af sensor, kodningsmetode, chipimplementering, model, arbejdsbelastning og det nødvendige præcisionsniveau. En forskningsprototype med asynkron sansning og beregning rapporterede 0,42 mW i processorens hvileforbrug og 0,70 mW i realtidsforbrug. Det viser, hvad eventdrevet hardware kan opnå i en bestemt opgave – ikke et universelt resultat for alle neuromorfiske chips. 1723

Påstanden om 1.000 gange lavere strømforbrug kræver flere detaljer

Omtalen af Minengs finansiering hævder, at teknologien kan bruge omkring en tusindedel af strømmen sammenlignet med traditionelle GPU'er. 13 Det er en virksomheds- eller medieoplyst sammenligning, ikke en offentlig, uafhængigt reproducerbar benchmark.

En meningsfuld sammenligning kræver blandt andet samme model, opgave, signalkilde, mål for nøjagtighed, latenstid, chipkonfiguration og en klar afgrænsning af, hvilket strømforbrug der tælles med. Det gælder eksempelvis sensor, hukommelse samt input og output. Uden de oplysninger bør tallet ikke læses som en generel påstand om, at SNN'er er 1.000 gange mere energieffektive end GPU'er.

Det bredere tekniske grundlag er troværdigt: Neuromorfisk forskning har vist lavenergi-behandling af biomedicinske signaler, herunder forudsigelse af epileptiske anfald ud fra EEG, registrering af hjerterytmeforstyrrelser i EKG og genkendelse af håndbevægelser ud fra EMG. 3 Det kommercielle spørgsmål er, om Mineng kan opnå tilsvarende resultater i en platform, der kan produceres stabilt og bruges forsvarligt i medicinsk udstyr.

EKG, EEG og EMG er et oplagt match

Fysiologiske kurver er kontinuerlige i virkeligheden, men de klinisk betydningsfulde ændringer kan være sporadiske. Det giver eventdrevet behandling en fordel: Systemet kan være nøjsomt i relativt stabile perioder og reagere hurtigt på et forbigående mønster.

Forskning har allerede undersøgt denne model på flere biosignalopgaver. NeuroCARE evaluerede sparsom spike-kodning og SNN-klassifikation til EEG-baseret forudsigelse af epileptiske anfald, EKG-baseret detektion af arytmier og EMG-baseret genkendelse af håndbevægelser. 3 Gennemgange af biomedicinske SNN'er peger tilsvarende på EEG, EKG og EMG som centrale områder for lokal signalanalyse med lavt energiforbrug. 18

For en producent af medicinsk udstyr handler værdien derfor ikke kun om en mindre processor. Det handler om muligheden for at lægge foreløbig signalanalyse, alarmer eller styringslogik ind i et bærbart eller transportabelt produkt med begrænset batterikapacitet og snævre varmegrænser.

Edge-AI: Først bærbare monitorer, derefter mulig fjernbehandling

En neuromorfisk processor med lavt strømforbrug kan gøre det muligt at behandle data lokalt i transportabelt overvågningsudstyr. Det kan i princippet mindske behovet for konstant cloudforbindelse, reducere mængden af følsomme rådata, der sendes, og undgå den varme- og batteribelastning, der følger med større computerhardware.

Det er relevante egenskaber i miljøer med begrænset strøm eller båndbredde, eksempelvis under transport, på midlertidige behandlingssteder og i fjerntliggende klinikker. Men ingen tilgængelig rapport dokumenterer, at Mineng-enheder er klinisk valideret eller taget i brug i ambulancer, felthospitaler eller fjernbehandling. Den mere præcise konklusion er, at lokal behandling med lavt energiforbrug passer teknisk godt til sådanne miljøer, mens Mineng-specifik klinisk dokumentation endnu mangler. 23

Mineng i den globale neuromorfiske bølge

Mineng er del af en bredere indsats for at gøre AI-hardware mere energieffektiv til sparsomme og tidsafhængige opgaver. Intels Loihi-familie anvender asynkrone, eventbaserede spike-principper, mens IBM TrueNorth var en markant digital, eventdrevet SNN-arkitektur. 3243 Kina har også veletableret forskning i hjerneinspirerede chips: Tianjic kombinerer kunstige neurale netværk og SNN-funktioner, mens Darwin er en neuromorfisk chiplinje med SNN-fokus. 3142

Minengs påståede særkende er ikke et råt antal neuroner. Det er en vertikalt integreret løsning til medicinsk udstyr: fysiologisk kodning, eventbaseret beregning, sikkerhedsorienterede reguleringsmoduler og integrationsstøtte til udstyrsproducenter. 24

Det bør man holde øje med nu

Finansiering kan fremme produktmodning og partnerskaber, men den validerer ikke i sig selv en medicinsk AI-platform. De væsentlige næste beviser bliver:

1. Offentliggjorte chipbenchmarks med klare grænser for strømforbrug, latenstid og nøjagtighed.
2. Validering i medicinsk udstyr med pålidelighed på fysiologiske signaler fra den virkelige verden.
3. Fremskridt inden for regulering og cybersikkerhed for produkter, der overvåger eller påvirker patientbehandling.
4. Dokumentation for produktion af moduler med ensartet kvalitet i større skala.
5. Tydelige kundeudrulninger hos producenter af medicinsk udstyr.

Minengs finansiering peger på et forsøg på at kommercialisere neuromorfisk databehandling dér, hvor styrkerne virker mest sandsynlige: kontinuerlige, tidsfølsomme biosignaler ved kanten af netværket. Potentialet er interessant, men den afgørende dokumentation bliver klinisk egnet ydelse og gennemsigtige benchmarks – ikke alene en arkitekturbeskrivelse eller et iøjnefaldende strømforbrugstal. 1324