استارتاپ Nanochap برای بازگرداندن بینایی با رابط مغز و رایانه، ۵۰۰ میلیون یوان سرمایه جذب کرد
استارتاپ چینی Nanochap که در زمینه توسعه رابط‌های مغز و رایانه برای بازگرداندن بینایی فعالیت می‌کند، موفق به جذب ۵۰۰ میلیون یوان سرمایه در دور سری C+ شد. این سرمایه‌گذاری جدید به رهبری Gaorong Ventures انجام شده است و مجموع منابع مالی جذب‌شده توسط این شرکت را به یک میلیارد یوان می‌رساند.
در یک نگاه (نکات کلیدی خبر)
خلاصه مهم‌ترین نکات و تحولات این گزارش برای مطالعه سریع
- استارتاپ Nanochap با جذب ۵۰۰ میلیون یوان در دور سری C+، مجموع سرمایه دریافتی خود را به رقم یک میلیارد یوان رساند.
- این شرکت با طراحی تراشه‌های عصبی به دنبال بازگرداندن بینایی از طریق تحریک هم‌زمان شبکیه و قشر بینایی مغز است.
- آزمایش‌های بالینی رابط ۳۲۰ کاناله شبکیه روی سه داوطلب آغاز شده و نسخه ۱۲۸۰ کاناله قشر بینایی نیز در حال توسعه است.
استارتاپ Nanochap، توسعه‌دهنده مستقر در شهر هانگژو که در حوزه ساخت رابط‌های مغز و رایانه برای بازگرداندن بینایی فعالیت می‌کند، از جذب ۵۰۰ میلیون یوان در دور سرمایه‌گذاری سری C+ خبر داد. این دور تأمین مالی به رهبری شرکت Gaorong Ventures و با مشارکت سرمایه‌گذارانی نظیر PICC Equity ،Monolith و C&D Emerging Industry Investment انجام شده است.
این سرمایه‌گذاری، دومین جذب سرمایه استارتاپ Nanochap در سال جاری به‌شمار می‌رود و مجموع سرمایه جذب‌شده توسط این شرکت را به یک میلیارد یوان می‌رساند. این شرکت که در سال ۲۰۱۴ تأسیس شده است، تراشه‌های عصبی و سامانه‌های کاشتنی را با دو راهکار مکمل توسعه می‌دهد: تحریک شبکیه چشم و هدف‌گیری مستقیم قشر بینایی مغز.
طبق اعلام این شرکت در گزارش VBData، رابط ۳۲۰ کاناله شبکیه هم‌اکنون وارد فاز آزمایش‌های بالینی شده و کاشت آن روی سه بیمار داوطلب با موفقیت انجام گرفته است. از سوی دیگر، رابط ۱۲۸۰ کاناله ویژه قشر بینایی مغز همچنان مراحل توسعه را سپری می‌کند و اعتبارسنجی بالینی آن برای فازهای بعدی برنامه‌ریزی شده است.
برچسب های مرتبط
مطالب مرتبط و پیشنهادی
گارتنر: مدل‌های وزن‌باز ۹۰ درصد وظایف عامل‌های هوشمند را با یک‌بیستم هزینه انجام می‌دهند
گزارش جدید موسسه گارتنر نشان می‌دهد مدل‌های وزن‌باز قادرند بخش عمده وظایف روزمره در عامل‌های هوش مصنوعی را با کسری از هزینه مدل‌های تجاری پیشرو اجرا کنند. تحلیلگران پیش‌بینی می‌کنند تا سال ۲۰۳۰ بیش از ۹۰ درصد مراحل عملیاتی سازمان‌ها به این مدل‌ها واگذار شود و ارزش اصلی بازار به بسترهای مدیریت و هماهنگ‌سازی عامل‌ها منتقل گردد.
بنچمارک MER-Bench ضعف مدل‌های هوش مصنوعی را در ویرایش دقیق میم‌ها آشکار کرد
میم‌های اینترنتی به‌دلیل پیوند ناگسستنی میان متن و تصویر، به چالشی بزرگ برای ابزارهای ویرایش چندوجهی هوش مصنوعی تبدیل شده‌اند. بنچمارک جدید MER-Bench نشان می‌دهد که مدل‌های تصویری هنوز نمی‌توانند بار احساسی یک میم را بدون برهم زدن ساختار تصویر، چیدمان صحنه یا اصل شوخی تغییر دهند.
OpenAI پاداش کشف باگ را برای شناسایی آسیب‌پذیری‌های امنیتی به ۱۷۲ هزار دلار رساند
شرکت OpenAI با راه‌اندازی یک برنامه فشرده امنیتی و همکاری با استارتاپ Cathedral Systems، سقف پاداش کشف باگ را برای آسیب‌پذیری‌های حیاتی به ۱۷۲ هزار دلار افزایش داد. این برنامه با بهره‌گیری از مدل‌های پیشرفته هوش مصنوعی تلاش می‌کند رخنه‌های امنیتی و خطرات ناشی از سوءاستفاده عوامل خودکار را پیش از مهاجمان شناسایی کند.
دیدگاه ها و گفتگوی تخصصی
نظرات خود را با جامعه مخاطبان وایر ای آی در میان بگذارید
هنوز دیدگاهی برای این مطلب ثبت نشده است
اولین نفری باشید که دیدگاه، تحلیل یا دیدگاه خود را درباره این موضوع با دیگران به اشتراک می گذارد.