Mineng Technology ระดมทุนหลายสิบล้านหยวน เพื่อเร่งชิป SNN สำหรับอุปกรณ์การแพทย์

เงินทุนนี้มุ่งสู่การพาณิชย์ มากกว่าการสร้างชิปแบบ GPU ทั่วไป

เงินลงทุนที่รายงานว่าอยู่ในระดับ หลายสิบล้านหยวน ดูจะถูกใช้เพื่อเร่งการนำเทคโนโลยีออกสู่ตลาด มากกว่าจะเป็นโครงการพัฒนาชิป AI แบบเดียวกับ GPU โดย Mineng หรือ MinoTec ระบุว่าเงินจะสนับสนุนการผลิตจำนวนมากและการพัฒนาโมดูลเกรดการแพทย์ งานวิศวกรรมระบบควบคุมสรีรวิทยาแบบวงปิด และการเชื่อมต่อกับผู้ผลิตอุปกรณ์การแพทย์

อย่างไรก็ดี แหล่งข้อมูลเรียกดีลนี้ว่า “การจัดหาเงินทุนแบบทุนเรือนหุ้นมูลค่าหลายสิบล้านหยวน” ไม่ได้ยืนยันเจาะจงว่าเป็นรอบ Series A อีกทั้งไม่มีข้อมูลอิสระเพียงพอที่จะรับรองคำกล่าวอ้างเรื่องประสิทธิภาพพลังงานราว 1,000 เท่า 15

Mineng กำลังสร้างอะไร

บริษัทอธิบายแพลตฟอร์มของตนเป็นห่วงโซ่แบบบูรณาการตั้งแต่ “การรับรู้สัญญาณสรีรวิทยา → การคำนวณเชิงเหตุการณ์ → การควบคุมที่ปลอดภัย” ประกอบด้วย

• การรับสัญญาณหลายรูปแบบจากร่างกาย
• การแปลงสัญญาณเป็นพัลส์หรือเหตุการณ์
• แกนประมวลผล SNN แบบมิกซ์ซิกแนล (mixed-signal)
• หน่วยแทรกแซงหรือควบคุมเกรดการแพทย์ที่ตั้งโปรแกรมได้ พร้อมกลไกตรวจสอบความปลอดภัยในฮาร์ดแวร์

โมเดลธุรกิจจึงไม่ได้เน้นขายอุปกรณ์สำเร็จรูปให้ผู้บริโภคเป็นหลัก แต่เป็นการจัดหาชิป โมดูล SDK งานวิศวกรรม และการสนับสนุนด้านการขึ้นทะเบียนให้แก่ผู้ผลิตอุปกรณ์การแพทย์ 15

SNN ต่างจากการทำ AI inference บน GPU/NPU อย่างไร

การประมวลผล AI บน GPU หรือ NPU โดยทั่วไปมักสุ่มตัวอย่างข้อมูลตามช่วงเวลาคงที่ และคำนวณเทนเซอร์เชิงตัวเลขจำนวนมากซ้ำ ๆ แม้สัญญาณชีวภาพในขณะนั้นแทบไม่มีความเปลี่ยนแปลงที่สำคัญทางคลินิก

แนวทาง SNN หรือ Spiking Neural Network ของ Mineng เสนอการเข้ารหัสการเปลี่ยนแปลงสำคัญของคลื่นสัญญาณเป็น “สไปก์” หรือเหตุการณ์ดิจิทัล จากนั้นวงจรจะทำงานเมื่อมีเหตุการณ์ดังกล่าวเท่านั้น หากไม่มีเหตุการณ์เด่น ระบบสามารถเข้าสู่โหมดใช้พลังงานต่ำมากได้

นี่คือแนวคิดที่เลียนแบบระบบประสาทชีวภาพในระดับหลักการ เพราะเซลล์ประสาทสื่อสารกันแบบเบาบางและไม่พร้อมกันเป็นจังหวะเดียว แทนที่จะส่งค่าทศนิยมต่อเนื่องภายใต้นาฬิกากลางตลอดเวลา 15

ข้อได้เปรียบที่เป็นไปได้ ได้แก่

• ลดทั้งปริมาณการคำนวณและการย้ายข้อมูล
• เก็บข้อมูลด้านจังหวะเวลา (timing) ของสัญญาณได้เป็นธรรมชาติ
• ตอบสนองต่อความเปลี่ยนแปลงฉับพลันได้หน่วงต่ำ
• เหมาะกับสัญญาณสรีรวิทยาที่อ่อน มีสัญญาณรบกวน และต้องติดตามต่อเนื่องเป็นเวลานาน 14

แต่ข้อได้เปรียบด้านพลังงานไม่ได้เกิดขึ้นกับ SNN ทุกงานโดยอัตโนมัติ เพราะขึ้นอยู่กับชนิดงาน การออกแบบฮาร์ดแวร์ และวิธีนำโมเดลไปใช้งาน ตัวอย่างงานวิจัยหนึ่งรายงานว่าชิป sensing-computing แบบอะซิงโครนัสมีการใช้พลังงานขณะพักของหน่วยประมวลผลที่ 0.42 มิลลิวัตต์ ขณะที่บททบทวนงานวิจัยพบว่า ในบางกรณีระบบนิวโรมอร์ฟิกอาจลดพลังงานสำหรับ inference ได้หลายลำดับขั้น 37 อย่างไรก็ตาม ข้อมูลนี้ยังไม่ใช่หลักฐานยืนยันตัวเลข “ประมาณ 1,000 เท่า” ของ Mineng โดยตรง

งานทางการแพทย์ที่บริษัทเล็งไว้

Mineng ระบุการใช้งาน เช่น การติดตามรูปคลื่น EEG (คลื่นไฟฟ้าสมอง), ECG (คลื่นไฟฟ้าหัวใจ) และ EMG (สัญญาณไฟฟ้ากล้ามเนื้อ); การติดตามผู้ป่วยโรคเรื้อรังที่บ้านระยะยาว; อินเทอร์เฟซสมอง-คอมพิวเตอร์แบบไม่รุกล้ำ; การฟื้นฟูสมรรถภาพด้วยการควบคุมแบบวงปิด; การกำกับระบบประสาทอัตโนมัติระหว่างการนอน; เวชศาสตร์ฟื้นฟูทางการกีฬา; และการแทรกแซงอาการปวดเรื้อรังที่บ้าน 15

ECG และ EEG เป็นกรณีใช้งานที่เข้ากันได้ดีกับ SNN ในทางเทคนิค เพราะเป็นข้อมูลตามเวลา ระบบสามารถใช้เพื่อจำแนกสัญญาณอย่างต่อเนื่องบนอุปกรณ์ หรือแจ้งเตือนภาวะหัวใจเต้นผิดจังหวะและความเสี่ยงชักได้ งานวิจัยก่อนหน้านี้ได้สาธิตทั้งการจำแนก ECG บนอุปกรณ์สวมใส่แบบขับเคลื่อนด้วยสไปก์ และกรอบนิวโรมอร์ฟิกสำหรับคาดการณ์อาการชักจาก EEG วิเคราะห์ ECG และรู้จำท่าทางจาก EMG 48

ส่วนการคัดกรองภาพทางการแพทย์เบื้องต้นอาจเป็นการใช้งาน Edge AI ที่เป็นไปได้ในภาพกว้าง แต่ไม่ได้เป็นเป้าหมายผลิตภัณฑ์ที่ Mineng เปิดเผยเด่นชัดในรายงานการระดมทุน หลักฐานที่ชัดกว่าจึงอยู่ที่การรับรู้ ติดตาม และควบคุมสัญญาณสรีรวิทยาแบบวงปิด 15

เหตุใดการประมวลผลบนอุปกรณ์จึงสำคัญ

หากชิปใช้พลังงานต่ำและปล่อยความร้อนน้อย อุปกรณ์ติดตามแบบพกพาอาจรันโมเดลแจ้งเตือนหรือคัดแยกผู้ป่วยเบื้องต้นได้ภายในตัวเอง โดยไม่ต้องพึ่งเวิร์กสเตชันที่กินไฟสูง การเชื่อมต่อคลาวด์ตลอดเวลา หรือการอัปโหลดสัญญาณชีวภาพอ่อนไหวอย่างต่อเนื่อง

ในเชิงวิศวกรรม สิ่งนี้อาจช่วยยืดอายุแบตเตอรี่ ลดภาระการจัดการความร้อน ให้ผล inference ณ จุดใช้งานทันที และทำงานได้ยืดหยุ่นขึ้นเมื่อเครือข่ายมีข้อจำกัด เช่น ในรถพยาบาล หน่วยแพทย์สนาม หรือคลินิกห่างไกล งานวิจัยด้านนิวโรมอร์ฟิกชีวการแพทย์สนับสนุนเหตุผลทั่วไปของการประมวลผลบนอุปกรณ์ที่ใช้พลังงานต่ำและตอบสนองต่อข้อมูลแบบไดนามิก 23

อย่างไรก็ตาม นี่เป็นข้อได้เปรียบเชิงวิศวกรรม ไม่ใช่หลักฐานว่าอุปกรณ์ของ Mineng ผ่านการตรวจสอบความถูกต้องทางคลินิกสำหรับสภาพแวดล้อมเหล่านั้นแล้ว

ตำแหน่งในตลาดชิปนิวโรมอร์ฟิก

Mineng ควรถูกมองว่าเป็นผู้เล่นจีนที่เชี่ยวชาญด้านการแพทย์ในกระแสเทคโนโลยีนิวโรมอร์ฟิก โดยมุ่งใช้ฮาร์ดแวร์ SNN แบบ event-driven สำหรับ AI inference ที่ขอบเครือข่ายซึ่งมีข้อจำกัดด้านพลังงาน มากกว่าการเป็นชิปเร่ง AI อเนกประสงค์

ในภาพรวม Intel Loihi เป็นแพลตฟอร์มวิจัย SNN แบบอะซิงโครนัสที่ตั้งโปรแกรมได้และรองรับการเรียนรู้บนชิป ขณะที่ IBM TrueNorth เป็นสถาปัตยกรรมดิจิทัลแบบขับเคลื่อนด้วยเหตุการณ์ที่เป็นหมุดหมายสำคัญด้าน inference พลังงานต่ำ 56 ฝั่งจีนก็มีความพยายามวิจัยฮาร์ดแวร์สมองกล เช่น Tianjic และ Darwin

จุดต่างที่ Mineng อ้างคือการวางสแตกสำหรับอุปกรณ์การแพทย์ให้ครบกว่า ตั้งแต่การเข้ารหัสสัญญาณสรีรวิทยา ตรรกะด้านความปลอดภัย โมดูลมาตรฐาน ไปจนถึงการบูรณาการด้านกฎระเบียบ ไม่ใช่เพียงการแข่งขันเรื่องจำนวนเซลล์ประสาทหรือไซแนปส์บนชิป 15

สิ่งที่ยังต้องพิสูจน์

โอกาสเชิงพาณิชย์ของ SNN ในการแพทย์ยังเผชิญโจทย์สำคัญ ไม่ว่าจะเป็นเครื่องมือฝึกโมเดล ความทำซ้ำได้ของผลลัพธ์ การตรวจสอบความถูกต้องของอุปกรณ์การแพทย์ หลักฐานทางคลินิก ความมั่นคงปลอดภัยไซเบอร์ อัตราผลผลิตในการผลิตชิป และการอนุมัติจากหน่วยงานกำกับดูแล

Mineng รายงานรายได้และความร่วมมือไว้แล้ว แต่รายงานที่อ้างถึงยังไม่มีข้อมูลอิสระแบบตรวจสอบได้เกี่ยวกับสมรรถนะชิป ผลลัพธ์ทางคลินิก การอนุมัติด้านกฎระเบียบ หรือเกณฑ์ทดสอบพลังงานของชิป 15 ดังนั้น เงินทุนรอบนี้สะท้อนการผลักดันไปสู่การผลิตและการใช้งานจริง แต่คำตอบสุดท้ายว่าเทคโนโลยีจะสร้างความได้เปรียบในคลินิกได้มากเพียงใด ยังต้องรอข้อมูลที่เปิดเผยและตรวจสอบได้มากกว่านี้