敏能科技獲數千萬元融資：醫療級 SNN 晶片如何瞄準低功耗邊緣 AI？

融資用途：推商業化落地，而非單純打造「醫療版 GPU」

依現有報導，敏能科技（MinoTec）此次取得的是數千萬元人民幣股權融資；資料並未明確將其界定為 A 輪。資金的主要用途，是推進醫療級模組的量產與迭代、閉環生理調控工程，以及與醫療器材廠商的產品整合。15

這代表公司著眼的不只是單顆晶片的研發，而是把晶片放進可實際導入醫療器材的完整鏈路：從訊號擷取、事件編碼、運算推論，到安全控制與產品註冊支援。報導也沒有提供可獨立驗證的測試條件，因此外界無法據此確認任何「功耗降低約 1,000 倍」的精確說法。15

它要打造的是什麼？

敏能描述的平台可概括為「生理感知→事件運算→安全調控」：

• 多模態生理訊號擷取；
• 將波形轉為脈衝／事件編碼；
• 以混合訊號的脈衝神經網路（SNN）核心進行運算；
• 配備硬體安全檢核的、可程式化醫療級介入單元。15

其商業模式並非以銷售自有終端醫療設備為主，而是向醫療器材廠商提供晶片、模組、SDK、工程整合與註冊支援。15

SNN 為何不同於 GPU／NPU 推論？

傳統 GPU 或 NPU 的 AI 推論，通常以固定頻率取樣，並反覆執行密集的數值與張量運算；即使生理訊號沒有出現明顯、具臨床意義的變化，系統仍可能持續工作。

敏能所主張的 SNN 架構則採用另一種思路：將有意義的波形變化編碼為離散「脈衝」，只有在事件發生時才啟動相應處理；沒有顯著事件時，系統可維持在深度低功耗狀態。15

這種設計借鑑生物神經系統：神經元之間以稀疏、非同步的脈衝通訊，而非在全域時脈下持續交換浮點數。對長時間、微弱且含雜訊的生理時序資料而言，這可能帶來幾項優勢：

• 減少不必要的運算與資料搬移；
• 自然保留訊號的時間資訊；
• 對短暫異常變化做出較低延遲反應；
• 有利於常時開啟的本地端監測。14

不過，省電幅度高度取決於工作負載、模型、硬體實作與測量邊界，並非所有 SNN 都必然更省電。研究已展示事件驅動晶片可有非常低的待機功耗，例如一款非同步感測運算晶片的處理器靜止功耗為 0.42 mW；其他綜述亦指出，在部分應用中，推論能源消耗可能下降數個數量級。37 但這些研究結果不能直接證實敏能的特定效能主張；若要判斷，仍須看到公開的基準測試、模型與準確率目標，以及完整功耗計算範圍。

醫療場景：EEG、ECG、EMG 與閉環調控

敏能明確提及的應用包括：腦電圖（EEG）、心電圖（ECG）與肌電圖（EMG）波形監測、慢性病長期居家監測、非侵入式腦機介面、復健閉環調控、睡眠自主神經調控、運動復健，以及慢性疼痛的居家介入。15

其中，ECG 與 EEG 特別符合 SNN 擅長處理時序模式的特性。相關研究已展示以脈衝驅動方式進行穿戴式 ECG 分類，也有神經形態邊緣運算框架用於 EEG 癲癇發作預測、ECG 心律不整偵測，以及 EMG 手勢辨識。48

至於「醫學影像預篩」，作為廣義邊緣 AI 應用並非不合理，但在該融資報導中，這並不是敏能被重點披露的產品方向。較有根據的定位仍是生理訊號感測、監測與閉環調控。15

為何邊緣端部署值得關注？

在救護車、野戰醫療站或偏遠診所等電力與網路受限的場景，低功耗、低發熱晶片理論上可讓攜帶式監測設備直接執行初步警示或分流模型，不必依賴高耗電工作站、持續雲端連線，或長時間上傳敏感的生理資料。

可能的工程效益包括更長電池續航、較低散熱負擔、即時本地推論，以及在頻寬有限時較具韌性的運作方式。這些是技術上的合理優勢，並不等同敏能設備已在上述環境完成臨床驗證。神經形態生醫研究支持低能耗、可動態進行裝置端運算的整體方向。23

放在全球神經形態運算版圖中看

敏能可視為神經形態運算趨勢中的醫療垂直型新進者：它不是要成為通用 AI 加速器，而是鎖定能源受限情境下的事件驅動邊緣推論。

作為對照，英特爾 Loihi 系列是支援晶片上學習的可程式化非同步 SNN 研究平台；IBM TrueNorth 則是具代表性的數位事件驅動架構，針對極低功耗推論而設計。56 中國也有清華大學 Tianjic 等腦啟發式硬體研究成果。敏能若有差異化，關鍵將不只在神經元或突觸規模，而在其宣稱整合生理編碼、安全邏輯、標準化模組與醫療器材法規導入的能力。15

真正的商業考驗仍在後面：SNN 訓練工具與可重現性、醫療器材驗證、臨床證據、資安、製造良率與法規許可，都與功耗表現同樣重要。敏能雖已報告營收與合作進展，但引用報導未提供經獨立稽核的晶片基準、臨床結果或法規核准資料。15