医疗 AI 并不总需要高功耗 GPU。明能科技正押注于此：据报道，公司完成数千万元股权融资，围绕以脉冲神经网络（SNN）为核心的生理类脑计算平台推进商业化。有报道将本轮称为 A 轮，也有报道仅表述为股权融资，因此融资阶段仍应谨慎看待。1324

更值得关注的是资金的去向：将专用类脑架构转化为医疗级模块、设备集成能力和面向器械厂商的供应体系。明能由此并非在与通用 AI 芯片厂商比拼“大模型算力”，其主张的价值是让推理常驻于生理传感器附近，以较低功耗持续工作。24

明能在做什么

明能将自身定位为医疗设备的上游技术供应商，而非主要销售成品临床设备。其公开报道所涉平台包括：生理信号采集、事件或脉冲编码、混合信号 SNN 计算核心，以及带安全校验的可编程干预组件；同时提供模块、软件开发工具、工程支持及设备集成协助。24

平台的重点在生理数据与闭环调控。报道提及的应用方向包括心电图（ECG）、脑电图（EEG）和肌电图（EMG）波形监测，慢病居家监护、非侵入式脑机交互、康复训练、睡眠相关自主神经调控、运动康复及慢性疼痛居家干预等。24

这一区分很重要：现有证据更直接支持其用于生物信号感知、监测和调控，而非诊断影像。影像预筛可以是端侧 AI 的潜在应用，但并非目前融资报道中明能重点披露的目标方向。24

脉冲推理与 GPU、NPU 有何不同

传统 AI 加速器通常擅长对连续数值张量进行大规模运算，尤其是矩阵乘法。类脑计算则借鉴生物神经系统的计算机制，例如时间积分与动态变化、阈值触发，以及离散的二值或低比特事件通信。22

在 SNN 中，传感器信号可被编码为“脉冲”——代表有意义变化或状态的离散事件。系统可以在事件到来时处理，而不必在每个固定采样时刻都维持同等运算量。这种机制尤其适合随时间变化的生理信号，因为波形变化及其发生时刻本身就包含重要信息。已有可穿戴 ECG 研究采用电平交叉采样，把信号转为单比特时序事件，并直接送入 SNN 处理器。4

这种设计可能带来三项优势：

• 减少无效活动： 输入稀疏时，计算和数据搬运次数可能更少；
• 更自然地表达时间： 脉冲的发生时刻就是数据表示的一部分，适合心脏、大脑和肌肉活动等动态信号；
• 在本地快速响应： 分析可在传感器附近完成，降低对远端服务器的依赖。

但这些是架构潜力，并非自动兑现的结果。SNN 的实际能耗取决于传感器、编码方式、芯片实现、模型、工作负载及精度要求。一项全异步感存算芯片研究曾报告处理器静息功耗为 0.42 mW、实时功耗低至 0.70 mW；这说明事件驱动硬件在特定负载下可以达到的水平，不能视为所有类脑芯片的通用表现。1723

“功耗降至千分之一”该如何理解

有关明能融资的报道声称，其方案功耗约为传统 GPU 的千分之一。13 但这属于公司或媒体报道中的比较，尚非基于公开、可独立复现的基准测试。

有意义的能耗比较至少应明确：具体模型与任务、信号来源、目标精度、时延、芯片配置、功耗统计边界，以及是否计入传感器、存储器和输入输出功耗。缺少这些条件时，不能将其解读为“SNN 普遍比 GPU 节能 1000 倍”。

更广泛的技术逻辑是可信的：类脑研究已经展示了生物医学信号的低功耗处理，包括 EEG 癫痫发作预测、ECG 心律失常检测和 EMG 手势识别。3 但商业化的关键仍在于：明能能否在可量产、适合临床使用的设备平台中，证明同样可靠的效果。

为什么 ECG、EEG 和 EMG 是较好的切入点

生理波形在现实中是连续的，但具有临床意义的变化往往是间歇出现的。这正给事件驱动系统留下空间：在信号相对稳定时保持较低资源消耗，在短暂异常或特征模式出现时快速响应。

研究已在多类生物信号任务中探索这一模式。NeuroCARE 框架评估了稀疏脉冲编码与 SNN 分类，用于基于 EEG 的癫痫预测、ECG 心律失常检测和 EMG 手势识别。3 对生物医学 SNN 的综述也将 EEG、ECG 与 EMG 列为低能耗端侧信号分析的重要应用领域。18

对于医疗设备厂商而言，吸引力不只是换上一颗更小的处理器，还在于有机会把初步信号分类、预警或控制逻辑装进受电池容量和散热严格约束的可穿戴、便携设备中。

端侧 AI 的价值：先看便携监护，再看远程场景

低功耗类脑处理器有望让便携监护设备在本地完成分析。这在原则上可减少对持续云连接的依赖，降低必须传输的敏感原始生理数据量，也避免更大计算硬件带来的发热和耗电负担。

这些能力与电力或带宽受限场景具有技术上的匹配性，例如转运途中、临时诊疗点和偏远医疗机构。不过，现有报道并未证明明能设备已在救护车、野战医院或远程医疗环境完成临床验证或部署。更严谨的结论是：低能耗本地处理与此类环境相契合，但明能自身的临床证据仍有待披露。23

明能处于怎样的类脑计算版图中

明能属于更广泛的类脑计算探索：让 AI 硬件在稀疏、时间敏感型任务上更高效。英特尔 Loihi 系列采用异步、事件驱动的脉冲计算原则；IBM TrueNorth 则是数字化事件驱动 SNN 架构的重要代表。3243 国内也已有类脑芯片研究积累：清华大学的天机（Tianjic）可融合人工神经网络与 SNN 能力，达尔文（Darwin）则是面向 SNN 的类脑芯片路线。3142

明能所主张的差异化并不在于神经元数量，而在于医疗设备垂直整合：生理信号编码、事件计算、强调安全性的调控模块，以及对器械制造商的集成支持。24

接下来该看什么

融资能够推动产品工程化与合作拓展，但融资本身不能验证医疗 AI 平台。接下来的关键观察点包括：

1. 公开芯片基准： 清晰界定功耗、时延与准确率的测试边界；
2. 医疗设备验证： 在真实生理信号条件下证明可靠性；
3. 监管与网络安全进展： 尤其是涉及患者监测或影响诊疗的产品；
4. 制造能力证据： 模块能否稳定、规模化生产；
5. 明确客户部署： 是否有医疗设备厂商的实际导入。

明能此次融资显示出一种商业化尝试：把类脑计算用在最可能发挥其优势的场景——端侧持续处理、对时序敏感的生理信号。前景值得关注，但决定成败的将是临床级性能和透明基准，而不只是“类脑”标签或醒目的功耗比数字。1324

医疗 AI 并不总需要高功耗 GPU。明能科技正押注于此：据报道，公司完成数千万元股权融资，围绕以脉冲神经网络（SNN）为核心的生理类脑计算平台推进商业化。有报道将本轮称为 A 轮，也有报道仅表述为股权融资，因此融资阶段仍应谨慎看待。1324

更值得关注的是资金的去向：将专用类脑架构转化为医疗级模块、设备集成能力和面向器械厂商的供应体系。明能由此并非在与通用 AI 芯片厂商比拼“大模型算力”，其主张的价值是让推理常驻于生理传感器附近，以较低功耗持续工作。24

明能在做什么

明能将自身定位为医疗设备的上游技术供应商，而非主要销售成品临床设备。其公开报道所涉平台包括：生理信号采集、事件或脉冲编码、混合信号 SNN 计算核心，以及带安全校验的可编程干预组件；同时提供模块、软件开发工具、工程支持及设备集成协助。24

平台的重点在生理数据与闭环调控。报道提及的应用方向包括心电图（ECG）、脑电图（EEG）和肌电图（EMG）波形监测，慢病居家监护、非侵入式脑机交互、康复训练、睡眠相关自主神经调控、运动康复及慢性疼痛居家干预等。24

这一区分很重要：现有证据更直接支持其用于生物信号感知、监测和调控，而非诊断影像。影像预筛可以是端侧 AI 的潜在应用，但并非目前融资报道中明能重点披露的目标方向。24

脉冲推理与 GPU、NPU 有何不同

传统 AI 加速器通常擅长对连续数值张量进行大规模运算，尤其是矩阵乘法。类脑计算则借鉴生物神经系统的计算机制，例如时间积分与动态变化、阈值触发，以及离散的二值或低比特事件通信。22

在 SNN 中，传感器信号可被编码为“脉冲”——代表有意义变化或状态的离散事件。系统可以在事件到来时处理，而不必在每个固定采样时刻都维持同等运算量。这种机制尤其适合随时间变化的生理信号，因为波形变化及其发生时刻本身就包含重要信息。已有可穿戴 ECG 研究采用电平交叉采样，把信号转为单比特时序事件，并直接送入 SNN 处理器。4

这种设计可能带来三项优势：

• 减少无效活动： 输入稀疏时，计算和数据搬运次数可能更少；
• 更自然地表达时间： 脉冲的发生时刻就是数据表示的一部分，适合心脏、大脑和肌肉活动等动态信号；
• 在本地快速响应： 分析可在传感器附近完成，降低对远端服务器的依赖。

但这些是架构潜力，并非自动兑现的结果。SNN 的实际能耗取决于传感器、编码方式、芯片实现、模型、工作负载及精度要求。一项全异步感存算芯片研究曾报告处理器静息功耗为 0.42 mW、实时功耗低至 0.70 mW；这说明事件驱动硬件在特定负载下可以达到的水平，不能视为所有类脑芯片的通用表现。1723

“功耗降至千分之一”该如何理解

有关明能融资的报道声称，其方案功耗约为传统 GPU 的千分之一。13 但这属于公司或媒体报道中的比较，尚非基于公开、可独立复现的基准测试。

有意义的能耗比较至少应明确：具体模型与任务、信号来源、目标精度、时延、芯片配置、功耗统计边界，以及是否计入传感器、存储器和输入输出功耗。缺少这些条件时，不能将其解读为“SNN 普遍比 GPU 节能 1000 倍”。

更广泛的技术逻辑是可信的：类脑研究已经展示了生物医学信号的低功耗处理，包括 EEG 癫痫发作预测、ECG 心律失常检测和 EMG 手势识别。3 但商业化的关键仍在于：明能能否在可量产、适合临床使用的设备平台中，证明同样可靠的效果。

为什么 ECG、EEG 和 EMG 是较好的切入点

生理波形在现实中是连续的，但具有临床意义的变化往往是间歇出现的。这正给事件驱动系统留下空间：在信号相对稳定时保持较低资源消耗，在短暂异常或特征模式出现时快速响应。

研究已在多类生物信号任务中探索这一模式。NeuroCARE 框架评估了稀疏脉冲编码与 SNN 分类，用于基于 EEG 的癫痫预测、ECG 心律失常检测和 EMG 手势识别。3 对生物医学 SNN 的综述也将 EEG、ECG 与 EMG 列为低能耗端侧信号分析的重要应用领域。18

对于医疗设备厂商而言，吸引力不只是换上一颗更小的处理器，还在于有机会把初步信号分类、预警或控制逻辑装进受电池容量和散热严格约束的可穿戴、便携设备中。

端侧 AI 的价值：先看便携监护，再看远程场景

低功耗类脑处理器有望让便携监护设备在本地完成分析。这在原则上可减少对持续云连接的依赖，降低必须传输的敏感原始生理数据量，也避免更大计算硬件带来的发热和耗电负担。

这些能力与电力或带宽受限场景具有技术上的匹配性，例如转运途中、临时诊疗点和偏远医疗机构。不过，现有报道并未证明明能设备已在救护车、野战医院或远程医疗环境完成临床验证或部署。更严谨的结论是：低能耗本地处理与此类环境相契合，但明能自身的临床证据仍有待披露。23

明能处于怎样的类脑计算版图中

明能属于更广泛的类脑计算探索：让 AI 硬件在稀疏、时间敏感型任务上更高效。英特尔 Loihi 系列采用异步、事件驱动的脉冲计算原则；IBM TrueNorth 则是数字化事件驱动 SNN 架构的重要代表。3243 国内也已有类脑芯片研究积累：清华大学的天机（Tianjic）可融合人工神经网络与 SNN 能力，达尔文（Darwin）则是面向 SNN 的类脑芯片路线。3142

明能所主张的差异化并不在于神经元数量，而在于医疗设备垂直整合：生理信号编码、事件计算、强调安全性的调控模块，以及对器械制造商的集成支持。24

接下来该看什么

融资能够推动产品工程化与合作拓展，但融资本身不能验证医疗 AI 平台。接下来的关键观察点包括：

1. 公开芯片基准： 清晰界定功耗、时延与准确率的测试边界；
2. 医疗设备验证： 在真实生理信号条件下证明可靠性；
3. 监管与网络安全进展： 尤其是涉及患者监测或影响诊疗的产品；
4. 制造能力证据： 模块能否稳定、规模化生产；
5. 明确客户部署： 是否有医疗设备厂商的实际导入。

明能此次融资显示出一种商业化尝试：把类脑计算用在最可能发挥其优势的场景——端侧持续处理、对时序敏感的生理信号。前景值得关注，但决定成败的将是临床级性能和透明基准，而不只是“类脑”标签或醒目的功耗比数字。1324