Mineng vil bruke ny kapital på hendelsesdrevet medisinsk AI

Kapital til kommersialisering, ikke bare chiputvikling

Den omtalte finansieringen ser først og fremst ut til å være rettet mot å få teknologien ut i medisinsk utstyr, snarere enn å bygge en generell AI-prosessor som konkurrerer direkte med GPU-er. Mineng – også omtalt som MinoTec – oppgir at pengene skal brukes til masseproduksjon og videreutvikling av medisinske moduler, utvikling av lukkede reguleringssløyfer for fysiologiske signaler og integrasjon med produsenter av medisinsk utstyr. Materialet beskriver runden som egenkapitalfinansiering på «flere titalls millioner yuan», men bekrefter ikke uavhengig at dette var en Serie A-runde. 15

Selskapets uttalte modell er å levere brikker, moduler, programvareutviklingssett (SDK-er), ingeniørarbeid og støtte til produktregistrering til utstyrsprodusenter – ikke primært å selge ferdige forbrukerprodukter selv. Plattformen beskrives som en kjede fra fysiologisk sensoring via hendelsesberegning til sikker regulering: innsamling av flere signaltyper, koding til pulser eller hendelser, en mixed-signal SNN-kjerne og en programmerbar medisinsk intervensjonsenhet med maskinvarebaserte sikkerhetskontroller. 15

Slik skiller en SNN-brikke seg fra vanlig AI-maskinvare

En GPU eller NPU behandler ofte data med faste intervaller og utfører mange tette numeriske operasjoner, selv når et biosignal i liten grad endrer seg. I Minengs foreslåtte opplegg blir relevante endringer i kurveformen i stedet kodet som diskrete «spikes» – korte hendelser. Beregningen aktiveres når slike hendelser oppstår, mens systemet i perioder uten relevante endringer kan ligge i en svært strømgjerrig hvilemodus. 15

Det er dette som gjør arkitekturen biologisk inspirert: nerveceller kommuniserer i stor grad sparsomt og asynkront med pulser, ikke ved å sende kontinuerlige flyttall på en felles klokke. For svake, støyende og kontinuerlige tidsserier fra kroppen kan en hendelsesdrevet tilnærming redusere både databevegelse og beregning, samtidig som tidsinformasjonen bevares og reaksjonen på raske endringer kan bli kortere. 14

Det betyr ikke at SNN-er automatisk er tusen ganger mer energieffektive. Gevinsten avhenger av brikke, modell, oppgave, nøyaktighetskrav og hva som faktisk er med i strømmålingen. Andre forskningssystemer har vist svært lav hvileeffekt: den asynkrone brikken Speck rapporterte 0,42 mW prosessorforbruk i hvile. Faglige oversikter peker også på at energibruken ved inferens i enkelte anvendelser kan falle med størrelsesordener. Men dette dokumenterer ikke en konkret «omtrent 1 000 ganger»-påstand for Mineng uten åpen benchmark, definert effektgrense og sammenlignbar nøyaktighet. 37

Aktuelle bruksområder: EKG, EEG og EMG

Mineng nevner overvåking av EEG, EKG og EMG, langvarig hjemmeoppfølging av kronisk sykdom, ikke-invasiv hjerne–maskin-interaksjon, rehabilitering med lukket reguleringssløyfe, regulering knyttet til søvn og det autonome nervesystemet, idrettsrehabilitering og hjemmebasert behandling av kroniske smerter. 15

Særlig EKG og EEG passer teknisk godt for denne typen prosessering. SNN-er er laget for tidsmønstre og kan i prinsippet analysere signaler kontinuerlig på selve enheten, for eksempel for å varsle om arytmier eller mulige epileptiske anfall. Forskning har demonstrert både hendelsesdrevet EKG-klassifisering i bærbare systemer og nevromorfe rammeverk for anfallsprediksjon fra EEG, arytmideteksjon fra EKG og gestgjenkjenning fra EMG. 48

Bildebasert forhåndssortering kan være en mulig, bredere anvendelse for edge-AI, men er ikke et tydelig dokumentert Mineng-mål i det oppgitte finansieringsmaterialet. Det mest konkrete grunnlaget gjelder fysiologiske signaler, overvåking og regulering i lukkede sløyfer. 15

Hvorfor lokal inferens kan ha verdi

En brikke med lavt strømforbruk og lav varmeutvikling kan gjøre det mulig å kjøre en første varsling eller triagering direkte i en bærbar monitor. Da blir man mindre avhengig av en kraftig arbeidsstasjon, stabil skytilkobling og kontinuerlig overføring av følsomme helsedata. I ambulansetjenester, feltsykehus eller klinikker med begrenset nettilgang kan det i teorien gi lengre batteritid, mindre behov for kjøling og raskere lokal respons.

Dette er imidlertid tekniske muligheter, ikke bevis for at Minengs løsninger er klinisk validert eller godkjent for bruk i slike miljøer. Den generelle forskningen på nevromorfisk biomedisin støtter begrunnelsen for energieffektiv, dynamisk prosessering på enheten. 23

En medisinsk spesialist i et større nevromorfisk marked

Mineng kan best forstås som en kinesisk, medisinsk spesialisert aktør i den bredere nevromorfiske utviklingen. Målet er hendelsesdrevet edge-inferens under stramme energi- og varmebegrensninger, ikke generell AI-akselerasjon. Intels Loihi-familie er et eksempel på programmerbar, asynkron SNN-maskinvare med læring på brikken, mens IBMs TrueNorth er en sentral digital, hendelsesdrevet arkitektur optimalisert for svært energieffektiv inferens. 56

Kinesiske initiativer som Tianjic og Darwin viser også at det finnes innenlandsk forskning på hjerneinspirert og spike-basert maskinvare. Minengs påståtte særpreg ligger ikke først og fremst i antallet nevroner eller synapser, men i en helhet for medisinsk utstyr: fysiologisk koding, sikkerhetslogikk, standardiserte moduler og integrasjon mot regulatoriske prosesser. 15

Den kommersielle risikoen er fortsatt betydelig. Verktøy for SNN-trening, reproduserbarhet, produksjonsutbytte, cybersikkerhet, klinisk dokumentasjon og regulatorisk godkjenning er minst like avgjørende som lavt energiforbruk. Det oppgitte materialet omtaler inntekter og samarbeid, men inneholder ikke uavhengig reviderte chip-benchmarker, kliniske utfall eller dokumentasjon på regulatoriske godkjenninger. 15