明能科技（Mineng Technology）押注的，不是讓醫療 AI 再多一顆高耗電 GPU，而是讓 AI 能夠待在生理感測器旁邊，持續、即時且省電地運作。據報導，該公司已完成數千萬元人民幣的股權融資，投入以脈衝神經網路（SNN）為核心的生理類腦運算平台。關於輪次，單一報導稱為 A 輪，另一報導僅稱「股權融資」，因此不宜過度確定其融資階段。1324

真正值得留意的是資金流向：把專用類腦架構做成醫療級模組、完成裝置整合，並建立服務醫療器材廠商的供應能力。這使明能與一般通用 AI 晶片業者有所區隔；其主張的價值，在於靠近生理感測器執行常時、低功耗的推論。24

明能實際在做什麼？

明能的定位並非主要銷售成品醫療器材，而是作為醫療設備的上游技術供應商。其公開描述的平台涵蓋生理訊號採集、事件或脈衝編碼、混合訊號 SNN 運算核心，以及附帶安全檢查的可程式化介入元件；同時提供模組、軟體開發工具、工程支援及設備整合協助。24

目前披露的重點是生理資料與閉環調節。應用方向包括心電圖（ECG）、腦電圖（EEG）、肌電圖（EMG）波形監測、慢性病居家監測、非侵入式腦機介面、復健、睡眠相關自律神經調節、運動復健，以及慢性疼痛居家介入。24

這個區分很重要：現有資料更直接支持其用於生理訊號的感測、監測與調節，而不是診斷影像。影像預篩可以是邊緣 AI 的潛在用途，但並非現有融資報導中明能明確主打的目標。24

SNN 與 GPU／NPU 有何不同？關鍵在「有事才算」

傳統 AI 加速器擅長處理大量數值運算，特別是對連續值張量進行矩陣乘法。類腦系統的基本運算單元則更接近神經系統的動態：隨時間整合訊號、達到閾值後觸發，以及以二元或低位元事件進行通訊。22

在 SNN 架構中，感測器訊號可被編碼成「脈衝」——代表有意義變化或狀態的離散事件。系統可在事件到來時才處理，而非每個固定採樣時點都執行相同規模的運算。對時間變化明顯的生理訊號而言，波形何時改變往往和改變幅度一樣重要。一套穿戴式 ECG 研究系統便採用電平穿越採樣，將訊號轉換為單位元的時間事件，再直接送入 SNN 處理器。4

這種設計的潛在優勢包括：

• 減少無效活動： 輸入稀疏時，運算與資料搬移可隨之減少。
• 原生保留時間資訊： 脈衝發生的時點本身就是資料表示的一部分，適合心臟、腦部與肌肉等動態訊號。
• 可在本地即時推論： 分析可貼近感測器進行，不必完全依賴遠端伺服器。

不過，這些是架構上的潛力，並非必然結果。SNN 的實際能耗取決於感測器、編碼方式、晶片實作、模型、工作負載與目標準確度。已有全非同步感測—運算研究晶片在特定工作負載下，量得處理器靜置功耗 0.42 mW、即時功耗低至 0.70 mW；這說明事件驅動硬體能做到什麼，卻不能直接代表所有類腦晶片的通用表現。1723

「功耗僅 GPU 千分之一」：值得關注，但不能照單全收

明能融資報導稱，其方法的功耗約為傳統 GPU 的千分之一。13 但這是公司或媒體報導中的比較，並非已公開、可獨立重現的基準測試。

若要判斷這個數字是否有意義，至少必須知道比較的是哪一個模型與任務、使用什麼訊號來源、準確率與延遲目標為何、晶片設定如何，以及功耗邊界是否納入感測器、記憶體與輸入輸出。缺少這些條件時，不能把它解讀為「所有 SNN 都比 GPU 省電 1,000 倍」。

更廣泛的技術前提則有研究支持：類腦運算已被用於低功耗處理生醫訊號，包括 EEG 癲癇發作預測、ECG 心律不整偵測與 EMG 手勢辨識。3 商業化的真正問題是，明能能否在可量產、符合臨床使用要求的裝置平台上，拿出可比較的成果。

為何 ECG、EEG、EMG 特別相配？

生理波形在真實世界中是連續的，但真正具有臨床意義的變化可能是間歇出現。這正提供事件驅動系統發揮空間：平穩期維持節能，出現短暫異常模式時迅速反應。

NeuroCARE 等研究已測試以稀疏脈衝編碼與 SNN 分類，處理 EEG 癲癇發作預測、ECG 心律不整偵測及 EMG 手部手勢辨識。3 生醫 SNN 文獻回顧也將 EEG、ECG 與 EMG 視為裝置端低能耗訊號分析的重要應用。18

對醫療器材廠商而言，吸引力不只是處理器變小，而是有機會把初步訊號分類、告警或控制邏輯放進受限於電池容量與發熱的穿戴式、可攜式產品中。

邊緣 AI 的價值：先是可攜監測，再談遠距照護

低功耗類腦處理器理論上可讓可攜監測設備在本機處理資料，減少對持續雲端連線的依賴，降低必須傳輸的敏感原始生理資料量，也減輕大型運算硬體帶來的電池與散熱負擔。

這些特性與供電或網路頻寬受限的場域相當契合，例如運送途中、臨時照護點或偏遠診所。然而，現有報導並未證實明能產品已在救護車、野戰醫院或偏遠照護環境完成臨床驗證或部署。較精確的說法是：低能耗的裝置端處理在技術上適合這些環境，但明能本身的臨床證據仍待提出。23

放在全球類腦運算競賽中，明能的位置在哪裡？

明能是更大一波趨勢中的一員：讓 AI 硬體更有效率地處理稀疏、具時間性的工作負載。英特爾的 Loihi 系列採用非同步、事件驅動的脈衝原理；IBM 的 TrueNorth 則是早期具代表性的數位事件驅動 SNN 架構。3243

中國也有成熟的類腦晶片研究路線：清華大學的 Tianjic 結合人工神經網路與 SNN 能力；Darwin 則是以 SNN 為導向的類腦晶片系列。3142

明能宣稱的差異不在於單純比拚神經元數量，而是在醫療器材鏈條上的垂直整合：生理訊號編碼、事件運算、以安全為導向的調節模組，以及協助設備製造商整合產品。24

下一步該看什麼？

融資可加快產品工程與合作進度，但不等於醫療 AI 平台已獲驗證。接下來較關鍵的觀察指標包括：

1. 公開且條件明確的晶片基準測試：清楚界定功耗、延遲與準確率。
2. 醫療器材驗證結果：證明面對真實生理訊號時的可靠性。
3. 法規與資安進展：尤其是涉及監測或可能影響患者照護的產品。
4. 量產證據：模組能否穩定、一致地大規模製造。
5. 清楚的客戶導入案例：是否已有醫療器材廠商實際採用。

明能此輪融資反映出一項商業化嘗試：把類腦運算放到它最可能發揮優勢的地方——邊緣端持續處理、對時間敏感的生理訊號。前景確實吸引人，但決定成敗的仍會是臨床等級表現與透明的測試基準，而不只是「類腦」標籤或醒目的功耗比。1324

明能科技（Mineng Technology）押注的，不是讓醫療 AI 再多一顆高耗電 GPU，而是讓 AI 能夠待在生理感測器旁邊，持續、即時且省電地運作。據報導，該公司已完成數千萬元人民幣的股權融資，投入以脈衝神經網路（SNN）為核心的生理類腦運算平台。關於輪次，單一報導稱為 A 輪，另一報導僅稱「股權融資」，因此不宜過度確定其融資階段。1324

真正值得留意的是資金流向：把專用類腦架構做成醫療級模組、完成裝置整合，並建立服務醫療器材廠商的供應能力。這使明能與一般通用 AI 晶片業者有所區隔；其主張的價值，在於靠近生理感測器執行常時、低功耗的推論。24

明能實際在做什麼？

明能的定位並非主要銷售成品醫療器材，而是作為醫療設備的上游技術供應商。其公開描述的平台涵蓋生理訊號採集、事件或脈衝編碼、混合訊號 SNN 運算核心，以及附帶安全檢查的可程式化介入元件；同時提供模組、軟體開發工具、工程支援及設備整合協助。24

目前披露的重點是生理資料與閉環調節。應用方向包括心電圖（ECG）、腦電圖（EEG）、肌電圖（EMG）波形監測、慢性病居家監測、非侵入式腦機介面、復健、睡眠相關自律神經調節、運動復健，以及慢性疼痛居家介入。24

這個區分很重要：現有資料更直接支持其用於生理訊號的感測、監測與調節，而不是診斷影像。影像預篩可以是邊緣 AI 的潛在用途，但並非現有融資報導中明能明確主打的目標。24

SNN 與 GPU／NPU 有何不同？關鍵在「有事才算」

傳統 AI 加速器擅長處理大量數值運算，特別是對連續值張量進行矩陣乘法。類腦系統的基本運算單元則更接近神經系統的動態：隨時間整合訊號、達到閾值後觸發，以及以二元或低位元事件進行通訊。22

在 SNN 架構中，感測器訊號可被編碼成「脈衝」——代表有意義變化或狀態的離散事件。系統可在事件到來時才處理，而非每個固定採樣時點都執行相同規模的運算。對時間變化明顯的生理訊號而言，波形何時改變往往和改變幅度一樣重要。一套穿戴式 ECG 研究系統便採用電平穿越採樣，將訊號轉換為單位元的時間事件，再直接送入 SNN 處理器。4

這種設計的潛在優勢包括：

• 減少無效活動： 輸入稀疏時，運算與資料搬移可隨之減少。
• 原生保留時間資訊： 脈衝發生的時點本身就是資料表示的一部分，適合心臟、腦部與肌肉等動態訊號。
• 可在本地即時推論： 分析可貼近感測器進行，不必完全依賴遠端伺服器。

不過，這些是架構上的潛力，並非必然結果。SNN 的實際能耗取決於感測器、編碼方式、晶片實作、模型、工作負載與目標準確度。已有全非同步感測—運算研究晶片在特定工作負載下，量得處理器靜置功耗 0.42 mW、即時功耗低至 0.70 mW；這說明事件驅動硬體能做到什麼，卻不能直接代表所有類腦晶片的通用表現。1723

「功耗僅 GPU 千分之一」：值得關注，但不能照單全收

明能融資報導稱，其方法的功耗約為傳統 GPU 的千分之一。13 但這是公司或媒體報導中的比較，並非已公開、可獨立重現的基準測試。

若要判斷這個數字是否有意義，至少必須知道比較的是哪一個模型與任務、使用什麼訊號來源、準確率與延遲目標為何、晶片設定如何，以及功耗邊界是否納入感測器、記憶體與輸入輸出。缺少這些條件時，不能把它解讀為「所有 SNN 都比 GPU 省電 1,000 倍」。

更廣泛的技術前提則有研究支持：類腦運算已被用於低功耗處理生醫訊號，包括 EEG 癲癇發作預測、ECG 心律不整偵測與 EMG 手勢辨識。3 商業化的真正問題是，明能能否在可量產、符合臨床使用要求的裝置平台上，拿出可比較的成果。

為何 ECG、EEG、EMG 特別相配？

生理波形在真實世界中是連續的，但真正具有臨床意義的變化可能是間歇出現。這正提供事件驅動系統發揮空間：平穩期維持節能，出現短暫異常模式時迅速反應。

NeuroCARE 等研究已測試以稀疏脈衝編碼與 SNN 分類，處理 EEG 癲癇發作預測、ECG 心律不整偵測及 EMG 手部手勢辨識。3 生醫 SNN 文獻回顧也將 EEG、ECG 與 EMG 視為裝置端低能耗訊號分析的重要應用。18

對醫療器材廠商而言，吸引力不只是處理器變小，而是有機會把初步訊號分類、告警或控制邏輯放進受限於電池容量與發熱的穿戴式、可攜式產品中。

邊緣 AI 的價值：先是可攜監測，再談遠距照護

低功耗類腦處理器理論上可讓可攜監測設備在本機處理資料，減少對持續雲端連線的依賴，降低必須傳輸的敏感原始生理資料量，也減輕大型運算硬體帶來的電池與散熱負擔。

這些特性與供電或網路頻寬受限的場域相當契合，例如運送途中、臨時照護點或偏遠診所。然而，現有報導並未證實明能產品已在救護車、野戰醫院或偏遠照護環境完成臨床驗證或部署。較精確的說法是：低能耗的裝置端處理在技術上適合這些環境，但明能本身的臨床證據仍待提出。23

放在全球類腦運算競賽中，明能的位置在哪裡？

明能是更大一波趨勢中的一員：讓 AI 硬體更有效率地處理稀疏、具時間性的工作負載。英特爾的 Loihi 系列採用非同步、事件驅動的脈衝原理；IBM 的 TrueNorth 則是早期具代表性的數位事件驅動 SNN 架構。3243

中國也有成熟的類腦晶片研究路線：清華大學的 Tianjic 結合人工神經網路與 SNN 能力；Darwin 則是以 SNN 為導向的類腦晶片系列。3142

明能宣稱的差異不在於單純比拚神經元數量，而是在醫療器材鏈條上的垂直整合：生理訊號編碼、事件運算、以安全為導向的調節模組，以及協助設備製造商整合產品。24

下一步該看什麼？

融資可加快產品工程與合作進度，但不等於醫療 AI 平台已獲驗證。接下來較關鍵的觀察指標包括：

1. 公開且條件明確的晶片基準測試：清楚界定功耗、延遲與準確率。
2. 醫療器材驗證結果：證明面對真實生理訊號時的可靠性。
3. 法規與資安進展：尤其是涉及監測或可能影響患者照護的產品。
4. 量產證據：模組能否穩定、一致地大規模製造。
5. 清楚的客戶導入案例：是否已有醫療器材廠商實際採用。

明能此輪融資反映出一項商業化嘗試：把類腦運算放到它最可能發揮優勢的地方——邊緣端持續處理、對時間敏感的生理訊號。前景確實吸引人，但決定成敗的仍會是臨床等級表現與透明的測試基準，而不只是「類腦」標籤或醒目的功耗比。1324