Mineng เดิมพันชิป AI แบบใช้เหตุการณ์: ทำไมอาจเหมาะกับอุปกรณ์การแพทย์พลังงานต่ำ

Mineng Technology กำลังเดิมพันว่า AI ทางการแพทย์ไม่จำเป็นต้องพึ่ง GPU ที่กินพลังงานสูงเสมอไป บริษัทมีรายงานว่าได้รับเงินลงทุนแบบทุนเรือนหุ้นมูลค่าหลายสิบล้านหยวน เพื่อพัฒนาแพลตฟอร์มคอมพิวติ้งเลียนแบบสมองสำหรับสัญญาณสรีรวิทยา ซึ่งใช้โครงข่ายประสาทแบบสไปกิง หรือ SNN (spiking neural network) รายงานหนึ่งเรียกรอบนี้ว่า Series A แต่อีกรายงานระบุเพียงว่าเป็นการระดมทุนแบบทุนเรือนหุ้น ดังนั้นสถานะของรอบลงทุนจึงควรตีความอย่างระมัดระวัง 1324

ประเด็นที่สำคัญกว่า คือเงินทุนดังกล่าวมุ่งไปที่การเปลี่ยนสถาปัตยกรรม neuromorphic เฉพาะทางให้เป็นโมดูลเกรดการแพทย์ งานบูรณาการ และห่วงโซ่อุปทานสำหรับผู้ผลิตอุปกรณ์ นั่นทำให้ Mineng แตกต่างจากผู้ขายชิป AI อเนกประสงค์ เพราะคุณค่าที่เสนอคือการทำอนุมาน AI แบบทำงานตลอดเวลา ใช้พลังงานต่ำ และอยู่ใกล้เซ็นเซอร์สรีรวิทยา 24

Mineng กำลังสร้างอะไร

Mineng วางตำแหน่งตัวเองเป็นผู้จัดหาเทคโนโลยีต้นน้ำให้ผู้ผลิตเครื่องมือแพทย์ มากกว่าจะขายอุปกรณ์สำหรับใช้ทางคลินิกสำเร็จรูปเป็นหลัก แพลตฟอร์มที่มีการรายงานประกอบด้วยการรับสัญญาณสรีรวิทยา การเข้ารหัสเป็นเหตุการณ์หรือสไปก์ แกนประมวลผล SNN แบบผสมแอนะล็อก-ดิจิทัล และองค์ประกอบสำหรับการแทรกแซงที่ตั้งโปรแกรมได้พร้อมกลไกตรวจสอบความปลอดภัย บริษัทยังมีโมดูล เครื่องมือพัฒนาซอฟต์แวร์ การสนับสนุนด้านวิศวกรรม และความช่วยเหลือในการบูรณาการเข้ากับอุปกรณ์ 24

ข้อมูลที่เปิดเผยให้ความสำคัญกับข้อมูลสรีรวิทยาและการควบคุมแบบวงจรปิด กลุ่มการใช้งานที่รายงานครอบคลุมการติดตามคลื่นไฟฟ้าหัวใจ (ECG) คลื่นไฟฟ้าสมอง (EEG) และคลื่นไฟฟ้ากล้ามเนื้อ (EMG) การติดตามโรคเรื้อรังที่บ้าน ปฏิสัมพันธ์สมอง-คอมพิวเตอร์แบบไม่รุกล้ำ การฟื้นฟูสมรรถภาพ การควบคุมระบบประสาทอัตโนมัติระหว่างการนอน การฟื้นฟูด้านกีฬา และการแทรกแซงอาการปวดเรื้อรังที่บ้าน 24

ความแตกต่างนี้สำคัญ เพราะหลักฐานที่มีสนับสนุนงานตรวจจับ ติดตาม และควบคุมสัญญาณชีวภาพมากกว่างานภาพวินิจฉัย การคัดกรองภาพเบื้องต้นอาจเป็นกรณีใช้งาน edge AI ที่เป็นไปได้ แต่ไม่ได้เป็นเป้าหมายของ Mineng ที่ถูกเปิดเผยอย่างเด่นชัดในรายงานการระดมทุนที่มีอยู่ 24

การประมวลผลแบบสไปก์ต่างจาก GPU และ NPU อย่างไร

ตัวเร่ง AI แบบดั้งเดิมมักออกแบบมาเพื่อคำนวณเชิงตัวเลขขนาดใหญ่ โดยเฉพาะการคูณเมทริกซ์บนเทนเซอร์ที่มีค่าแบบต่อเนื่อง ขณะที่ระบบ neuromorphic ใช้องค์ประกอบการคำนวณที่ได้รับแรงบันดาลใจจากพลวัตของเซลล์ประสาท เช่น การสะสมตามเวลา การตัดสินด้วยค่าเกณฑ์ และการสื่อสารเป็นเหตุการณ์แบบไม่ต่อเนื่องซึ่งมักใช้บิตต่ำ 22

ในระบบ SNN สัญญาณจากเซ็นเซอร์สามารถถูกเข้ารหัสเป็น “สไปก์” หรือเหตุการณ์ไม่ต่อเนื่องที่สื่อถึงการเปลี่ยนแปลงหรือสถานะสำคัญ จากนั้นระบบจึงประมวลผลเมื่อเหตุการณ์มาถึง แทนที่จะต้องทำงานในปริมาณเท่าเดิมทุกช่วงเวลาที่สุ่มสัญญาณคงที่ แนวทางนี้เหมาะกับสัญญาณชีวภาพที่เปลี่ยนตามเวลา ซึ่งจังหวะและการเปลี่ยนรูปคลื่นมีความหมาย ตัวอย่างระบบวิจัย ECG แบบสวมใส่ใช้การสุ่มตัวอย่างเมื่อสัญญาณข้ามระดับ เพื่อสร้างเหตุการณ์ตามเวลาแบบบิตเดียว แล้วส่งเข้าสู่ตัวประมวลผล SNN โดยตรง 4

ข้อได้เปรียบที่เป็นไปได้มี 3 ด้านหลัก

• ลดกิจกรรมที่ไม่จำเป็น: หากข้อมูลเข้าเบาบาง ระบบอาจลดจำนวนการคำนวณและการเคลื่อนย้ายข้อมูลได้
• รองรับมิติเวลาโดยธรรมชาติ: เวลาเกิดของสไปก์เป็นส่วนหนึ่งของการแทนข้อมูล จึงเหมาะกับสัญญาณไดนามิกอย่างหัวใจ สมอง และกล้ามเนื้อ
• อนุมานในอุปกรณ์และตอบสนองได้รวดเร็ว: วิเคราะห์ใกล้เซ็นเซอร์ได้โดยไม่ต้องพึ่งเซิร์ฟเวอร์ระยะไกลตลอดเวลา

อย่างไรก็ดี นี่คือข้อได้เปรียบในเชิงการออกแบบ ไม่ใช่ผลลัพธ์ที่เกิดขึ้นโดยอัตโนมัติ การใช้พลังงานของ SNN ขึ้นกับเซ็นเซอร์ วิธีเข้ารหัส การออกแบบชิป โมเดล ภาระงาน และระดับความแม่นยำที่ต้องการ งานวิจัยชิ้นหนึ่งของชิปตรวจจับและคำนวณแบบอะซิงโครนัสรายงานกำลังขณะพักของตัวประมวลผล 0.42 มิลลิวัตต์ และกำลังขณะทำงานแบบเรียลไทม์ 0.70 มิลลิวัตต์ ซึ่งแสดงศักยภาพของฮาร์ดแวร์ขับเคลื่อนด้วยเหตุการณ์ภายใต้ภาระงานเฉพาะ ไม่ใช่ตัวเลขมาตรฐานสำหรับชิป neuromorphic ทุกชนิด 1723

คำกล่าวอ้าง “กินไฟต่ำกว่า 1,000 เท่า” ต้องอ่านพร้อมเงื่อนไข

รายงานเกี่ยวกับการระดมทุนของ Mineng ระบุว่าแนวทางของบริษัทอาจใช้พลังงานราวหนึ่งในพันของ GPU แบบดั้งเดิม 13 อย่างไรก็ตาม นี่เป็นการเปรียบเทียบที่บริษัทหรือสื่อนำเสนอ ไม่ใช่ผลทดสอบสาธารณะที่เปิดให้ทำซ้ำและตรวจสอบได้โดยอิสระ

การเปรียบเทียบที่มีความหมายต้องระบุอย่างน้อยว่าใช้โมเดลใด งานอะไร แหล่งสัญญาณแบบใด เป้าหมายความแม่นยำและความหน่วงเป็นเท่าไร การตั้งค่าชิปเป็นอย่างไร ขอบเขตการวัดพลังงานครอบคลุมเซ็นเซอร์ หน่วยความจำ และอินพุต/เอาต์พุตหรือไม่ หากไม่มีรายละเอียดเหล่านี้ ก็ไม่ควรตีความตัวเลขดังกล่าวว่า SNN มีประสิทธิภาพด้านพลังงานเหนือกว่า GPU 1,000 เท่าในภาพรวม

แต่หลักการทางเทคนิคในวงกว้างมีน้ำหนักรองรับ งานวิจัย neuromorphic แสดงการประมวลผลสัญญาณชีวการแพทย์พลังงานต่ำ ทั้งการคาดการณ์อาการชักจาก EEG การตรวจจับภาวะหัวใจเต้นผิดจังหวะจาก ECG และการรู้จำท่าทางจาก EMG 3 คำถามเชิงพาณิชย์คือ Mineng จะพิสูจน์ผลที่เทียบเคียงกันได้ในแพลตฟอร์มอุปกรณ์ที่ผลิตได้จริงและเหมาะสมกับการใช้งานทางคลินิกหรือไม่

เหตุใด ECG, EEG และ EMG จึงเข้ากับสถาปัตยกรรมนี้

รูปคลื่นทางสรีรวิทยาเป็นสัญญาณต่อเนื่องในโลกจริง แต่การเปลี่ยนแปลงที่มีความหมายทางคลินิกอาจเกิดเป็นช่วง ๆ นี่เปิดโอกาสให้ระบบขับเคลื่อนด้วยเหตุการณ์ประหยัดพลังงานในช่วงที่สัญญาณค่อนข้างคงที่ แล้วตอบสนองฉับไวเมื่อพบรูปแบบชั่วคราวที่สำคัญ

งานวิจัยได้สำรวจแนวคิดนี้ในหลายงานแล้ว กรอบงาน NeuroCARE ประเมินการเข้ารหัสสไปก์แบบเบาบางและการจำแนกด้วย SNN สำหรับการคาดการณ์อาการชักจาก EEG การตรวจจับภาวะหัวใจเต้นผิดจังหวะจาก ECG และการรู้จำท่าทางมือจาก EMG 3 บทความทบทวนงาน SNN ด้านชีวการแพทย์ก็ชี้ว่า EEG, ECG และ EMG เป็นกลุ่มสัญญาณหลักของการวิเคราะห์พลังงานต่ำบนอุปกรณ์ 18

สำหรับผู้ผลิตเครื่องมือแพทย์ สิ่งที่น่าสนใจจึงไม่ใช่แค่ตัวประมวลผลขนาดเล็กลง แต่คือโอกาสในการใส่การจำแนกสัญญาณเบื้องต้น ระบบแจ้งเตือน หรือตรรกะควบคุมเข้าไปในอุปกรณ์สวมใส่หรือพกพา ที่มีข้อจำกัดด้านแบตเตอรี่และความร้อน

เหตุผลของ edge AI: เริ่มจากเครื่องติดตามพกพา

ตัวประมวลผล neuromorphic พลังงานต่ำอาจช่วยให้เครื่องติดตามแบบพกพาวิเคราะห์ข้อมูลภายในอุปกรณ์ได้ โดยหลักการแล้ว วิธีนี้ลดการพึ่งพาการเชื่อมต่อคลาวด์อย่างต่อเนื่อง ลดปริมาณข้อมูลสัญญาณชีวภาพดิบที่มีความอ่อนไหวและต้องส่งออกไป และหลีกเลี่ยงภาระด้านความร้อนกับแบตเตอรี่จากฮาร์ดแวร์ประมวลผลขนาดใหญ่

คุณสมบัติเหล่านี้สอดคล้องกับสภาพแวดล้อมที่ไฟฟ้าหรือแบนด์วิดท์จำกัด เช่น ระหว่างการขนส่ง จุดดูแลชั่วคราว และคลินิกห่างไกล อย่างไรก็ตาม ยังไม่มีรายงานที่ยืนยันว่าอุปกรณ์ของ Mineng ผ่านการทดสอบทางคลินิกหรือถูกนำไปใช้จริงในรถพยาบาล โรงพยาบาลสนาม หรือบริบทการดูแลทางไกล ข้อสรุปที่เหมาะสมกว่าคือ การประมวลผลในอุปกรณ์ที่ใช้พลังงานต่ำมีความสอดคล้องทางเทคนิคกับบริบทเหล่านี้ แต่หลักฐานทางคลินิกเฉพาะของ Mineng ยังต้องรอการแสดงให้เห็น 23

Mineng อยู่ตรงไหนในกระแส neuromorphic computing

Mineng เป็นส่วนหนึ่งของความพยายามในวงกว้างเพื่อทำให้ฮาร์ดแวร์ AI มีประสิทธิภาพขึ้นสำหรับภาระงานที่ข้อมูลเบาบางและอ่อนไหวต่อเวลา ตระกูล Loihi ของ Intel ใช้หลักการ SNN แบบอะซิงโครนัสและขับเคลื่อนด้วยเหตุการณ์ ขณะที่ TrueNorth ของ IBM เป็นสถาปัตยกรรม SNN ดิจิทัลแบบ event-driven ที่มีความสำคัญในประวัติศาสตร์ของวงการ 3243 จีนเองก็มีงานชิปเลียนแบบสมองที่พัฒนามาแล้ว เช่น Tianjic ซึ่งผสานความสามารถของโครงข่ายประสาทเทียมและ SNN และ Darwin ซึ่งเป็นสายชิป neuromorphic ที่เน้น SNN 3142

จุดต่างที่ Mineng กล่าวอ้างจึงไม่ใช่จำนวนเซลล์ประสาทในชิป แต่เป็นข้อเสนอแบบครบแนวตั้งสำหรับอุปกรณ์การแพทย์ ได้แก่ การเข้ารหัสสัญญาณสรีรวิทยา การคำนวณแบบเหตุการณ์ โมดูลควบคุมที่คำนึงถึงความปลอดภัย และการสนับสนุนการบูรณาการแก่ผู้ผลิตอุปกรณ์ 24

สิ่งที่ควรจับตาต่อไป

เงินทุนช่วยเร่งวิศวกรรมการผลิตและความร่วมมือได้ แต่ไม่ได้ยืนยันแพลตฟอร์ม AI ทางการแพทย์ด้วยตัวเอง หลักฐานสำคัญที่ควรติดตามคือ

1. ผลทดสอบชิปที่เผยแพร่ชัดเจน โดยกำหนดขอบเขตการวัดพลังงาน ความหน่วง และความแม่นยำ
2. การยืนยันในอุปกรณ์การแพทย์ ที่แสดงความน่าเชื่อถือกับสัญญาณสรีรวิทยาในสภาพใช้งานจริง
3. ความคืบหน้าด้านกฎระเบียบและความมั่นคงปลอดภัยไซเบอร์ สำหรับผลิตภัณฑ์ที่ติดตามหรือมีอิทธิพลต่อการดูแลผู้ป่วย
4. หลักฐานด้านการผลิต ว่าโมดูลสามารถผลิตในปริมาณมากได้อย่างสม่ำเสมอ
5. การใช้งานจริงกับลูกค้าผู้ผลิตอุปกรณ์ ที่เปิดเผยได้อย่างชัดเจน

การระดมทุนของ Mineng สะท้อนความพยายามนำ neuromorphic computing ไปใช้ในจุดที่จุดแข็งมีความเป็นไปได้สูงที่สุด คือสัญญาณชีวภาพต่อเนื่องที่ไวต่อเวลา ณ ขอบเครือข่าย คำมั่นสัญญาน่าสนใจ แต่หลักฐานชี้ขาดจะเป็นประสิทธิภาพระดับคลินิกและผลทดสอบที่โปร่งใส ไม่ใช่เพียงชื่อสถาปัตยกรรมหรือตัวเลขอัตราส่วนพลังงานบนพาดหัวข่าว 1324