Mineng Technology正押注一條同主流醫療AI唔同嘅路：未必所有醫療裝置都需要一枚耗電高嘅GPU。據報，公司完成數千萬元人民幣股權融資，發展以脈衝神經網絡（SNN）為核心、面向生理訊號的類腦運算平台。至於融資輪次，一篇報道稱為A輪，另一篇則只稱股權融資，所以應審慎看待其輪次定義。1324

更關鍵嘅唔只係籌咗幾多錢，而係資金要用喺邊度：推進醫療級模組、生產與迭代、裝置整合，以及服務醫療設備廠商嘅供應鏈。呢個定位令Mineng同一般通用AI晶片供應商有所分別——它希望提供嘅，是貼近生理感測器、可以長開又慳電嘅本地推論能力。24

Mineng實際想做乜？

按報道，Mineng定位自己係醫療設備廠商嘅上游技術供應商，而唔係主要賣現成臨床裝置。其平台涵蓋生理訊號採集、事件／脈衝編碼、混合訊號SNN運算核心，以及設有安全檢查嘅可編程介入組件；同時提供模組、軟件開發工具、工程支援同裝置整合協助。24

公開資料所見，重點係生理數據同閉環調節。報道列出嘅應用包括心電圖（ECG）、腦電圖（EEG）及肌電圖（EMG）波形監測、慢性病家居監測、非入侵式腦機互動、復康、睡眠相關自主神經調節、運動復康，以及慢性痛症家居介入。24

呢個分野好重要：現有證據較直接支持生理訊號感測、監測及調節，唔係醫學影像診斷。影像預篩可以係邊緣AI嘅潛在用途，但在目前融資報道中，並非Mineng明確主打嘅目標。24

同GPU、NPU有咩根本分別？

傳統AI加速器主要擅長對連續數值張量做大規模運算，尤其係矩陣乘法。類腦系統則借鑑神經系統嘅運作：隨時間累積訊號、跨過門檻先觸發，再以離散、通常低位元嘅事件傳遞資訊。22

喺SNN入面，感測器訊號可以編碼成「脈衝」——即係代表有意義變化或狀態嘅離散事件。運算可以喺事件到達時先進行，唔使每個固定採樣時刻都做同樣份量嘅工作。對隨時間變化嘅生理訊號而言，波形何時變、點樣變，本身就係重要資訊。一個穿戴式心電分類研究，就用跨電平採樣產生單位元時間事件，直接餵入SNN處理器。4

潛在好處主要有三樣：

• 減少無謂運作： 輸入稀疏時，計算同資料搬移都可能減少。
• 天生適合時間序列： 脈衝發生嘅時機就係資料一部分，適合心臟、腦部同肌肉活動等動態訊號。
• 近感測器即時推論： 分析可喺裝置本身完成，唔需要長期依賴遠端伺服器。

不過，呢啲係架構層面嘅優勢，唔代表任何SNN都必然慳電。實際耗電仍取決於感測器、編碼方式、晶片實作、模型、工作負載同準確度要求。一個全非同步感測—運算晶片研究，曾報告處理器靜止功耗為0.42 mW、即時運作功耗低至0.70 mW；這展示事件驅動硬件喺特定工作負載下可做到嘅水平，唔可以當成所有類腦晶片嘅通用成績。1723

「比GPU慳1,000倍電」要點睇？

有關Mineng融資嘅報道稱，其方案功耗約為傳統GPU嘅千分之一。13 但呢個係公司或媒體報道中提出嘅比較，並非已公開、可由獨立人士重複驗證嘅基準測試。

要有意義地比較，至少要交代確實模型、任務、訊號來源、準確度目標、延遲、晶片設定、功耗計算邊界，以及有冇計入感測器、記憶體與輸入輸出耗電。缺少呢啲資料時，唔應將個數字理解成「SNN普遍比GPU省電1,000倍」。

更廣泛嘅技術前提仍然有根據：類腦研究已展示低功耗處理生物醫學訊號的可能，包括EEG癲癇發作預測、ECG心律不整偵測，以及EMG手勢辨識。3 但商業化嘅真正問題係：Mineng可唔可以喺可量產、適合臨床使用嘅裝置平台上，展示相若成果。

點解ECG、EEG、EMG特別夾？

生理波形喺現實中係連續嘅，但真正有臨床意義嘅改變，未必時時刻刻發生。事件驅動系統正好可以針對呢個特性：訊號平穩時盡量節流，有短暫異常模式時就快速反應。

研究已喺多個生理訊號任務探索呢條路。NeuroCARE框架評估過稀疏脈衝編碼及SNN分類，用於EEG癲癇發作預測、ECG心律不整偵測，以及EMG手勢辨識。3 生物醫學SNN研究回顧亦將EEG、ECG同EMG列為低能耗裝置端訊號分析的重要應用。18

對醫療設備製造商而言，吸引力唔止係處理器細啲，而係有機會將初步訊號分類、警示或控制邏輯，直接放入受電池容量同散熱限制嘅穿戴式或便攜產品。

邊緣AI：先由便攜監測器講起

低功耗類腦處理器理論上可令便攜監測設備喺本地處理資料，減少對持續雲端連線嘅依賴、降低必須傳送嘅敏感原始生理數據量，亦避免大型運算硬件帶來嘅發熱及耗電負擔。

呢啲能力適合電力或網絡受限制嘅情境，例如運送途中、臨時照護點同偏遠診所。不過，現有報道並無證實Mineng裝置已完成臨床驗證，或者已部署喺救護車、野戰醫院或偏遠醫療環境。較準確嘅結論係：低能耗裝置端處理同呢類場景喺技術上相當吻合，但Mineng本身嘅臨床證據仍有待展示。23

Mineng喺類腦運算版圖嘅位置

Mineng屬於更廣泛嘅類腦運算趨勢之一：針對稀疏、具時間特性嘅工作負載，令AI硬件更有效率。Intel嘅Loihi系列採用非同步、事件導向嘅脈衝原理；IBM TrueNorth則係具代表性嘅數碼事件驅動SNN架構。3243 中國亦有成熟嘅類腦晶片研究，例如天機（Tianjic）結合人工神經網絡與SNN能力；Darwin則是面向SNN嘅類腦晶片系列。3142

Mineng聲稱嘅差異化，唔係鬥神經元數目，而係醫療裝置垂直整合：由生理訊號編碼、事件運算、安全導向調節模組，到協助設備商整合。24

下一步要睇咩？

融資可以加快工程化、量產準備同合作，但本身唔等於醫療AI平台已獲驗證。下一批關鍵證據包括：

1. 公開晶片基準測試：清楚界定功耗、延遲及準確度比較範圍。
2. 醫療裝置驗證：證明面對真實世界生理訊號時仍然可靠。
3. 監管與網絡安全進展：尤其係涉及監測或影響患者照護嘅產品。
4. 製造證據：模組能否穩定、大規模一致生產。
5. 清晰客戶部署：與醫療設備製造商合作落地嘅具體成果。

Mineng今次融資反映一項嘗試：將類腦運算商業化，優先放喺最有可能發揮優勢嘅地方——邊緣端持續處理、對時間敏感嘅生理訊號。前景吸引，但最後要靠嘅始終係臨床級表現同透明基準測試，而唔係「類腦」標籤或一個吸睛嘅功耗倍率。1324

Mineng Technology正押注一條同主流醫療AI唔同嘅路：未必所有醫療裝置都需要一枚耗電高嘅GPU。據報，公司完成數千萬元人民幣股權融資，發展以脈衝神經網絡（SNN）為核心、面向生理訊號的類腦運算平台。至於融資輪次，一篇報道稱為A輪，另一篇則只稱股權融資，所以應審慎看待其輪次定義。1324

更關鍵嘅唔只係籌咗幾多錢，而係資金要用喺邊度：推進醫療級模組、生產與迭代、裝置整合，以及服務醫療設備廠商嘅供應鏈。呢個定位令Mineng同一般通用AI晶片供應商有所分別——它希望提供嘅，是貼近生理感測器、可以長開又慳電嘅本地推論能力。24

Mineng實際想做乜？

按報道，Mineng定位自己係醫療設備廠商嘅上游技術供應商，而唔係主要賣現成臨床裝置。其平台涵蓋生理訊號採集、事件／脈衝編碼、混合訊號SNN運算核心，以及設有安全檢查嘅可編程介入組件；同時提供模組、軟件開發工具、工程支援同裝置整合協助。24

公開資料所見，重點係生理數據同閉環調節。報道列出嘅應用包括心電圖（ECG）、腦電圖（EEG）及肌電圖（EMG）波形監測、慢性病家居監測、非入侵式腦機互動、復康、睡眠相關自主神經調節、運動復康，以及慢性痛症家居介入。24

呢個分野好重要：現有證據較直接支持生理訊號感測、監測及調節，唔係醫學影像診斷。影像預篩可以係邊緣AI嘅潛在用途，但在目前融資報道中，並非Mineng明確主打嘅目標。24

同GPU、NPU有咩根本分別？

傳統AI加速器主要擅長對連續數值張量做大規模運算，尤其係矩陣乘法。類腦系統則借鑑神經系統嘅運作：隨時間累積訊號、跨過門檻先觸發，再以離散、通常低位元嘅事件傳遞資訊。22

喺SNN入面，感測器訊號可以編碼成「脈衝」——即係代表有意義變化或狀態嘅離散事件。運算可以喺事件到達時先進行，唔使每個固定採樣時刻都做同樣份量嘅工作。對隨時間變化嘅生理訊號而言，波形何時變、點樣變，本身就係重要資訊。一個穿戴式心電分類研究，就用跨電平採樣產生單位元時間事件，直接餵入SNN處理器。4

潛在好處主要有三樣：

• 減少無謂運作： 輸入稀疏時，計算同資料搬移都可能減少。
• 天生適合時間序列： 脈衝發生嘅時機就係資料一部分，適合心臟、腦部同肌肉活動等動態訊號。
• 近感測器即時推論： 分析可喺裝置本身完成，唔需要長期依賴遠端伺服器。

不過，呢啲係架構層面嘅優勢，唔代表任何SNN都必然慳電。實際耗電仍取決於感測器、編碼方式、晶片實作、模型、工作負載同準確度要求。一個全非同步感測—運算晶片研究，曾報告處理器靜止功耗為0.42 mW、即時運作功耗低至0.70 mW；這展示事件驅動硬件喺特定工作負載下可做到嘅水平，唔可以當成所有類腦晶片嘅通用成績。1723

「比GPU慳1,000倍電」要點睇？

有關Mineng融資嘅報道稱，其方案功耗約為傳統GPU嘅千分之一。13 但呢個係公司或媒體報道中提出嘅比較，並非已公開、可由獨立人士重複驗證嘅基準測試。

要有意義地比較，至少要交代確實模型、任務、訊號來源、準確度目標、延遲、晶片設定、功耗計算邊界，以及有冇計入感測器、記憶體與輸入輸出耗電。缺少呢啲資料時，唔應將個數字理解成「SNN普遍比GPU省電1,000倍」。

更廣泛嘅技術前提仍然有根據：類腦研究已展示低功耗處理生物醫學訊號的可能，包括EEG癲癇發作預測、ECG心律不整偵測，以及EMG手勢辨識。3 但商業化嘅真正問題係：Mineng可唔可以喺可量產、適合臨床使用嘅裝置平台上，展示相若成果。

點解ECG、EEG、EMG特別夾？

生理波形喺現實中係連續嘅，但真正有臨床意義嘅改變，未必時時刻刻發生。事件驅動系統正好可以針對呢個特性：訊號平穩時盡量節流，有短暫異常模式時就快速反應。

研究已喺多個生理訊號任務探索呢條路。NeuroCARE框架評估過稀疏脈衝編碼及SNN分類，用於EEG癲癇發作預測、ECG心律不整偵測，以及EMG手勢辨識。3 生物醫學SNN研究回顧亦將EEG、ECG同EMG列為低能耗裝置端訊號分析的重要應用。18

對醫療設備製造商而言，吸引力唔止係處理器細啲，而係有機會將初步訊號分類、警示或控制邏輯，直接放入受電池容量同散熱限制嘅穿戴式或便攜產品。

邊緣AI：先由便攜監測器講起

低功耗類腦處理器理論上可令便攜監測設備喺本地處理資料，減少對持續雲端連線嘅依賴、降低必須傳送嘅敏感原始生理數據量，亦避免大型運算硬件帶來嘅發熱及耗電負擔。

呢啲能力適合電力或網絡受限制嘅情境，例如運送途中、臨時照護點同偏遠診所。不過，現有報道並無證實Mineng裝置已完成臨床驗證，或者已部署喺救護車、野戰醫院或偏遠醫療環境。較準確嘅結論係：低能耗裝置端處理同呢類場景喺技術上相當吻合，但Mineng本身嘅臨床證據仍有待展示。23

Mineng喺類腦運算版圖嘅位置

Mineng屬於更廣泛嘅類腦運算趨勢之一：針對稀疏、具時間特性嘅工作負載，令AI硬件更有效率。Intel嘅Loihi系列採用非同步、事件導向嘅脈衝原理；IBM TrueNorth則係具代表性嘅數碼事件驅動SNN架構。3243 中國亦有成熟嘅類腦晶片研究，例如天機（Tianjic）結合人工神經網絡與SNN能力；Darwin則是面向SNN嘅類腦晶片系列。3142

Mineng聲稱嘅差異化，唔係鬥神經元數目，而係醫療裝置垂直整合：由生理訊號編碼、事件運算、安全導向調節模組，到協助設備商整合。24

下一步要睇咩？

融資可以加快工程化、量產準備同合作，但本身唔等於醫療AI平台已獲驗證。下一批關鍵證據包括：

1. 公開晶片基準測試：清楚界定功耗、延遲及準確度比較範圍。
2. 醫療裝置驗證：證明面對真實世界生理訊號時仍然可靠。
3. 監管與網絡安全進展：尤其係涉及監測或影響患者照護嘅產品。
4. 製造證據：模組能否穩定、大規模一致生產。
5. 清晰客戶部署：與醫療設備製造商合作落地嘅具體成果。

Mineng今次融資反映一項嘗試：將類腦運算商業化，優先放喺最有可能發揮優勢嘅地方——邊緣端持續處理、對時間敏感嘅生理訊號。前景吸引，但最後要靠嘅始終係臨床級表現同透明基準測試，而唔係「類腦」標籤或一個吸睛嘅功耗倍率。1324