Pendanaan ekuitas puluhan juta yuan dilaporkan akan dipakai untuk produksi massal dan iterasi modul kelas medis, pengembangan regulasi fisiologis closed loop, serta integrasi dengan produsen perangkat medis. Mineng membangun rantai teknologi dari penginderaan fisiologis, pengodean peristiwa, komputasi SNN mixed sign...
Jawaban penelitian

Create a landscape editorial hero image for this Studio Global article: How did Chinese startup Mineng Technology’s tens of millions yuan Series A financing support development of its self designed spiking neural. Article summary: The reported financing appears to fund commercialization rather than a conventional GPU like chip program: Mineng/MinoTec says the proceeds will support mass production and iteration of medical grade modules, closed loop. Topic tags: general web, ai, workflow, productivity, code. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, chart
Pendanaan yang dilaporkan untuk Mineng Technology—juga disebut MinoTec—lebih tepat dibaca sebagai modal komersialisasi platform AI medis ketimbang program pembuatan chip konvensional ala GPU. Perusahaan menyatakan dana ekuitas bernilai puluhan juta yuan itu akan digunakan untuk produksi massal dan iterasi modul kelas medis, rekayasa regulasi fisiologis closed-loop (lingkar tertutup), serta integrasi dengan produsen alat kesehatan. Laporan yang tersedia menyebutnya sebagai “pendanaan ekuitas puluhan juta yuan”, bukan secara spesifik putaran Seri A. Laporan itu juga belum memberikan bukti benchmark independen untuk klaim efisiensi daya sekitar 1.000 kali lipat. 15
Mineng menggambarkan platform terintegrasi dari “penginderaan fisiologis → komputasi peristiwa → regulasi aman”. Komponennya mencakup akuisisi sinyal multimodal, pengodean sinyal menjadi pulsa/peristiwa, inti komputasi spiking neural network (SNN) mixed-signal, serta unit intervensi medis yang dapat diprogram dan dilengkapi pemeriksaan keselamatan di perangkat keras. 15
Model bisnisnya juga bukan terutama menjual perangkat medis jadi langsung kepada pasien. Perusahaan menargetkan pasokan chip, modul, SDK, dukungan rekayasa, dan dukungan registrasi kepada produsen perangkat medis. 15
GPU dan NPU umumnya mengolah data dengan ritme pengambilan sampel tetap dan operasi tensor numerik yang padat. Artinya, komputasi dapat terus berlangsung bahkan ketika sinyal biologis tidak menunjukkan perubahan yang penting secara klinis.
Arsitektur yang diajukan Mineng bekerja secara berbeda: perubahan bentuk gelombang yang relevan dikodekan sebagai spike atau peristiwa diskret. Pemrosesan diaktifkan ketika peristiwa tersebut muncul; ketika tidak ada kejadian menonjol, sistem dapat berada dalam mode daya sangat rendah. Pendekatan ini terinspirasi dari cara neuron biologis berkomunikasi secara jarang dan asinkron, bukan dengan nilai numerik kontinu pada satu jam global. 15
Secara teori, pendekatan berbasis peristiwa dapat mengurangi beban komputasi dan perpindahan data, mempertahankan informasi waktu dengan lebih alami, serta merespons perubahan singkat dengan latensi rendah. Karakter ini relevan untuk sinyal fisiologis yang terus-menerus, lemah, dan sering dipenuhi derau. 1
4
Namun, keunggulan energi tidak otomatis berlaku untuk setiap SNN dan setiap beban kerja. Hasilnya bergantung pada rancangan chip, model, metode pengodean, tingkat akurasi yang ditargetkan, dan batas pengukuran daya. Sebagai gambaran, sebuah chip penginderaan-komputasi asinkron melaporkan daya diam prosesor 0,42 mW, sementara sejumlah tinjauan riset menemukan pengurangan energi inferensi hingga beberapa orde besaran pada aplikasi tertentu. Data tersebut tidak cukup untuk membuktikan klaim efisiensi sekitar 1.000 kali lipat bagi Mineng tanpa benchmark terbuka yang menjelaskan model, akurasi, dan metodologi pengukuran. 3
7
Mineng secara eksplisit menyebut pemantauan gelombang EEG, ECG, dan EMG; pemantauan penyakit kronis jangka panjang di rumah; antarmuka otak-komputer noninvasif; regulasi closed-loop untuk rehabilitasi; regulasi saraf otonom saat tidur; rehabilitasi olahraga; serta intervensi nyeri kronis di rumah. 15
ECG dan EEG merupakan kecocokan teknis yang kuat untuk SNN karena keduanya adalah sinyal temporal. Arsitektur semacam ini berpotensi mendukung klasifikasi always-on di perangkat lokal, misalnya untuk peringatan aritmia atau kejang. Studi riset telah menunjukkan klasifikasi ECG yang dapat dikenakan berbasis spike, serta kerangka neuromorfik untuk prediksi kejang berbasis EEG dan analisis ECG. 4
8
Penerapan untuk prapenyaringan pencitraan medis memang masuk akal dalam konteks AI tepi (edge AI) yang lebih luas. Namun, laporan pendanaan tidak menempatkannya sebagai target produk Mineng yang utama. Bukti yang lebih kuat mendukung fokus pada penginderaan, pemantauan, dan regulasi sinyal fisiologis. 15
Chip berdaya rendah dan berpanas rendah secara potensial memungkinkan model peringatan awal atau triase berjalan langsung di dalam monitor portabel. Dalam ambulans, fasilitas kesehatan lapangan, atau klinik terpencil, pendekatan ini dapat mengurangi ketergantungan pada workstation yang boros daya, koneksi cloud yang stabil, maupun pengiriman terus-menerus data biosinyal sensitif.
Manfaat rekayasanya mencakup daya tahan baterai yang lebih panjang, kebutuhan manajemen panas yang lebih rendah, inferensi lokal yang segera, dan ketahanan operasional saat bandwidth terbatas. Akan tetapi, ini adalah alasan teknis untuk penggunaan di perangkat tepi, bukan bukti bahwa perangkat Mineng telah divalidasi secara klinis untuk lingkungan-lingkungan tersebut. Riset neuromorfik biomedis mendukung potensi pemrosesan dinamis di perangkat dengan kebutuhan energi rendah. 2
3
Mineng dapat dipandang sebagai pemain asal Tiongkok yang fokus pada spesialisasi medis dalam tren neuromorfik yang lebih besar: menggunakan perangkat keras SNN berbasis peristiwa untuk inferensi hemat energi di perangkat tepi, bukan mengejar akselerator AI serbaguna.
Sebagai pembanding, keluarga Intel Loihi adalah perangkat keras riset SNN yang dapat diprogram, asinkron, dan mendukung pembelajaran di chip. IBM TrueNorth merupakan salah satu arsitektur digital berbasis peristiwa yang dikenal untuk inferensi berdaya sangat rendah. 5
6 Di Tiongkok, upaya seperti Tianjic dan Darwin juga menunjukkan riset domestik pada perangkat keras terinspirasi otak dan SNN.
Pembeda yang diklaim Mineng bukan semata jumlah neuron atau sinapsis, melainkan paket teknologi untuk perangkat medis: pengodean sinyal fisiologis, logika keselamatan, modul terstandar, serta integrasi dengan proses regulasi. 15
Meski begitu, tantangan komersialnya tetap besar. Perangkat lunak pelatihan SNN, reproduktibilitas hasil, validasi alat kesehatan, bukti klinis, keamanan siber, hasil manufaktur, dan izin regulator sama pentingnya—atau bahkan lebih penting—daripada efisiensi energi mentah. Mineng dilaporkan memiliki pendapatan dan kolaborasi, tetapi laporan yang dirujuk belum menyajikan data independen yang diaudit mengenai performa chip, hasil klinis, izin regulasi, atau benchmark perangkat kerasnya. 15
Studio Global AI
Halaman ini berisi jawaban yang didukung sumber yang dapat Anda lanjutkan di dalam Studio Global.
Pendanaan ekuitas puluhan juta yuan dilaporkan akan dipakai untuk produksi massal dan iterasi modul kelas medis, pengembangan regulasi fisiologis closed loop, serta integrasi dengan produsen perangkat medis.
Pendanaan ekuitas puluhan juta yuan dilaporkan akan dipakai untuk produksi massal dan iterasi modul kelas medis, pengembangan regulasi fisiologis closed loop, serta integrasi dengan produsen perangkat medis. Mineng membangun rantai teknologi dari penginderaan fisiologis, pengodean peristiwa, komputasi SNN mixed signal, hingga unit intervensi medis dengan pemeriksaan keselamatan perangkat keras.
Berbeda dari pemrosesan GPU/NPU yang cenderung terus berjalan pada interval tetap, SNN berbasis peristiwa hanya mengaktifkan komputasi saat ada perubahan sinyal yang bermakna.