Mineng vill göra medicinsk AI mer strömsnål med spikbaserade chip

Mineng Technology, även kallat MinoTec, uppger att kapitaltillskottet på tiotals miljoner yuan ska användas för kommersialisering: serieproduktion och vidareutveckling av medicinska moduler, teknik för fysiologisk reglering i slutna kretslopp samt integration hos tillverkare av medicintekniska produkter. I det tillgängliga underlaget beskrivs affären som en aktiefinansiering på tiotals miljoner yuan – inte uttryckligen som en serie A-runda. Underlaget styrker inte heller självständigt något påstående om 1 000 gånger lägre energiförbrukning. 15

En plattform för signaler, beräkning och säker reglering

Mineng beskriver sin lösning som en sammanhängande kedja: fysiologisk avkänning → händelsebaserad beräkning → säker reglering. Den ska omfatta insamling av flera typer av biosignaler, kodning av signaler till pulser eller händelser, en mixed-signal-beräkningskärna med spikande neurala nätverk (SNN) och en programmerbar medicinteknisk regleringsenhet med säkerhetskontroller i hårdvaran.

Affärsmodellen verkar i första hand vara att leverera chip, moduler, mjukvaruutvecklingskit (SDK), ingenjörsstöd och stöd i registreringsprocesser till andra medicintekniska tillverkare – snarare än att sälja färdiga patientprodukter direkt. 15

Varför ett SNN-chip skiljer sig från GPU- och NPU-inferens

En konventionell GPU- eller NPU-lösning samplar ofta data i regelbundna intervall och utför täta numeriska tensorberäkningar, även när en biosignal knappt har förändrats på ett medicinskt relevant sätt. Minengs föreslagna metod är i stället händelsedriven: betydelsefulla förändringar i signalens kurvform omvandlas till diskreta spikar, och beräkning aktiveras när dessa händelser uppstår. När inget väsentligt händer kan systemet gå ned i ett mycket strömsnålt viloläge. 15

Det är hjärninspirerat eftersom biologiska neuroner kommunicerar glest och asynkront, med nervimpulser, snarare än genom kontinuerliga flyttal styrda av en gemensam klocka. För fysiologiska tidsserier – som ofta är svaga, brusiga och kontinuerliga – kan detta ge flera teoretiska fördelar:

• mindre beräkning och färre dataförflyttningar,
• naturlig hantering av exakt tidsinformation,
• snabb reaktion på kortvariga förändringar,
• lägre energianvändning när signalen är relativt stabil. 14

Energivinsten är dock beroende av arbetsbelastning, modell och hårdvaruimplementation; den är inte en automatisk egenskap hos alla SNN-system. Ett asynkront forskningschip rapporterade exempelvis en viloeffekt för processorn på 0,42 mW, och översikter pekar på att neuromorfiska lösningar i vissa tillämpningar kan minska inferensenergin med flera storleksordningar. Det bekräftar däremot inte Minengs exakta siffra utan redovisade tester, modelluppgift, noggrannhetsmål och tydlig avgränsning av vad effektmätningen omfattar. 37

Fokus på EEG, EKG och annan kontinuerlig signalanalys

Mineng nämner övervakning av EEG, EKG och EMG, långvarig uppföljning av kroniska sjukdomar i hemmet, icke-invasiva hjärn–dator-gränssnitt, rehabilitering med reglering i slutna kretslopp, reglering kopplad till sömn och autonoma nervsystemet, idrottsrehabilitering samt behandling i hemmet vid kronisk smärta. 15

EKG och EEG är särskilt relevanta användningsområden för SNN eftersom tekniken är utformad för tidsberoende mönster och kan passa för kontinuerlig lokal klassificering eller varningar vid exempelvis arytmier och epileptiska anfall. Forskning har bland annat visat spikdriven EKG-klassificering för bärbara enheter och neuromorfiska ramverk för anfallsprognoser med EEG, arytmidetektering med EKG och EMG-baserad gestigenkänning. 48

Bildbaserad förscreening kan vara en möjlig bredare användning för AI vid kanten av nätet, men den framstår inte som ett centralt, offentliggjort Mineng-fokus i finansieringsunderlaget. Det starkaste stödet gäller fysiologisk signalinsamling, övervakning och reglering i slutna kretslopp. 15

Varför lokal AI kan vara intressant i vård med begränsade resurser

I en bärbar monitor skulle ett strömsnålt chip i princip kunna köra en första varning eller triagemodell direkt i enheten. Det skulle minska behovet av en energikrävande arbetsstation, ständig molnuppkoppling eller kontinuerlig överföring av känsliga biosignaler.

För miljöer som ambulanser, fältsjukhus eller vård på platser med begränsad uppkoppling kan det innebära längre batteritid, mindre behov av kylning, snabbare lokal inferens och högre robusthet när nätet är instabilt. Det är dock tekniska möjligheter, inte belägg för att Minengs produkter redan är kliniskt validerade i sådana miljöer. Den bredare neuromorfiska forskningen stöder däremot principen om energieffektiv och dynamisk databehandling direkt på enheten. 23

En medicinskt specialiserad aktör i neuromorfisk AI

Mineng kan ses som en kinesisk, medicinskt inriktad aktör inom den större neuromorfiska trenden: händelsedriven SNN-hårdvara för energieffektiv inferens nära datakällan, snarare än en generell accelerator för all AI.

Intels Loihi-familj är ett exempel på programmerbar, asynkron forskningshårdvara för SNN med inlärning på chipet. IBM:s TrueNorth är i sin tur en tongivande digital, händelsedriven arkitektur optimerad för inferens med mycket låg energiförbrukning. 56

Kinesiska satsningar som Tianjic och Darwin visar också att det finns inhemsk forskning om hjärninspirerad SNN-hårdvara. Minengs påstådda särskiljande drag är inte främst antalet neuroner eller synapser, utan en medicinteknisk helhetsstack med fysiologisk kodning, säkerhetslogik, standardiserade moduler och stöd för regulatorisk integration. 15

Den kommersiella osäkerheten är samtidigt betydande. Verktyg för att träna SNN-modeller, reproducerbarhet, medicinteknisk validering, klinisk evidens, cybersäkerhet, tillverkningsutbyte och regulatoriska tillstånd är minst lika viktiga som låg energiförbrukning. Mineng uppges ha intäkter och samarbeten, men underlaget innehåller inte oberoende granskade benchmarkresultat för chipet, data om kliniska utfall eller belägg för regulatoriska godkännanden. 15