Aperçu
Liquid AI est une spin-out du MIT qui crée des modèles de fondation liquide (LFM) qui abandonnent le Transformer standard pour des architectures inspirées des systèmes dynamiques. L’objectif est de créer des modèles petits, rapides et économes en mémoire, qui fonctionnent sur les téléphones et les appareils de pointe sans trop sacrifier la qualité.
Les modèles Liquid AI et Liquid Foundation sont mieux compris dans le contexte de la stratégie, de l’accès aux modèles, des décisions de plate-forme et des partenariats écosystémiques.
Plongée profonde
Liquid AI a été fondée en 2023 par Ramin Hasani, Mathias Lechner, Alexander Amini et Daniela Rus, l'équipe MIT CSAIL derrière les « réseaux de neurones liquides ». Ceux-ci proviennent de l'étude du ver nématode C. elegans, dont le petit cerveau de 302 neurones a inspiré les réseaux Liquid Time-constant (LTC) dans lesquels le comportement de chaque neurone change continuellement au fil du temps via des équations différentielles. Les modèles commerciaux de Liquid, les Liquid Foundation Models (LFM-1B, 3B, 40B), généralisent cette idée au-delà des Transformers. Une fonctionnalité remarquable est une empreinte mémoire quasi constante à mesure que le contexte augmente, contrairement aux Transformers dont l'attention cache les ballons avec la longueur de la séquence. En 2024, la société a levé une grande série A (environ 250 millions de dollars) et a ensuite lancé LFM2, optimisé pour un déploiement sur appareils portables, téléphones et voitures.
Aperçu technique
Les transformateurs stockent un cache clé-valeur qui augmente linéairement avec la longueur d'entrée, de sorte que les contextes longs consomment de la mémoire. Les LFM utilisent à la place des unités de calcul « liquides » construites à partir d’opérateurs d’espace d’état structuré et de système dynamique qui compressent les informations passées dans un état récurrent de taille fixe. Le calcul est décrit par des équations en temps continu dont les paramètres (comme les constantes de temps) s'adaptent à l'entrée, permettant au modèle de gérer de longues séquences avec une mémoire à peu près plate et une latence prévisible, ce qui est idéal pour le matériel de pointe aux ressources limitées.
Maîtriser les modèles Liquid AI et Liquid Foundation
Liquid AI est une spin-out du MIT qui crée des modèles de fondation liquide (LFM) qui abandonnent le Transformer standard pour des architectures inspirées des systèmes dynamiques. L’objectif est de créer des modèles petits, rapides et économes en mémoire, qui fonctionnent sur les téléphones et les appareils de pointe sans trop sacrifier la qualité. Les modèles Liquid AI et Liquid Foundation sont mieux compris dans le contexte de la stratégie, de l’accès aux modèles, des décisions de plate-forme et des partenariats écosystémiques. Pour acquérir une compréhension approfondie, traitez les modèles Liquid AI et Liquid Foundation comme un modèle opérationnel et non comme une fonctionnalité unique : définissez les résultats souhaités, clarifiez les hypothèses et séparez ce que le système peut faire de manière fiable de ce qui nécessite encore un jugement d'expert.
Dans la pratique, des équipes solides utilisant Liquid AI et Liquid Foundation Models évaluent la stratégie du fournisseur, la fiabilité de la feuille de route et le risque de verrouillage avant de s'engager. Ils documentent des critères de réussite explicites, testent par rapport à des données et des flux de travail réalistes et itèrent en fonction des modèles d'échec observés plutôt que des victoires de référence ponctuelles. C’est là que la compréhension théorique se transforme en capacité durable au niveau des produits, des politiques et des opérations.
Les feuilles de route des fournisseurs influencent les fonctionnalités que votre équipe peut ensuite créer. Dans le même temps, les annonces de lancement peuvent dépasser la stabilité des flux de production réels. L'approche la plus résiliente consiste à combiner vitesse d'expérimentation et discipline de gouvernance : exécuter des projets pilotes, capturer des preuves, publier des journaux de décision et mettre à jour en permanence les protections à mesure que le comportement du modèle, les attentes des utilisateurs et les exigences réglementaires évoluent.
Impact stratégique
Les feuilles de route des fournisseurs influencent les fonctionnalités que votre équipe peut ensuite créer.
Les feuilles de route des fournisseurs influencent les fonctionnalités que votre équipe peut ensuite créer. Dans les déploiements de haute qualité, cela se traduit par des règles de fonctionnement mesurables, des limites de propriété et des rituels d'examen récurrents afin que les équipes puissent accroître la confiance au lieu de l'ambiguïté.
Les conditions commerciales et les options de déploiement affectent les coûts et les risques à long terme.
Les conditions commerciales et les options de déploiement affectent les coûts et les risques à long terme. Dans les déploiements de haute qualité, cela se traduit par des règles de fonctionnement mesurables, des limites de propriété et des rituels d'examen récurrents afin que les équipes puissent accroître la confiance au lieu de l'ambiguïté.
Les incitations des entreprises façonnent les défauts des produits, la posture de sécurité et l’ouverture.
Les incitations des entreprises façonnent les défauts des produits, la posture de sécurité et l’ouverture. Dans les déploiements de haute qualité, cela se traduit par des règles de fonctionnement mesurables, des limites de propriété et des rituels d'examen récurrents afin que les équipes puissent accroître la confiance au lieu de l'ambiguïté.
Mise en œuvre dans le monde réel
Exécution d'un assistant de chat performant entièrement hors ligne sur un smartphone pour une utilisation sensible à la confidentialité
Intégrer la compréhension du langage à faible latence dans les voitures pour les commandes vocales sans allers-retours dans le cloud
Traitement de documents ou de journaux très longs sur un ordinateur portable où la mémoire cache d'un Transformer serait trop volumineuse
Alimenter la robotique de pointe et les appareils IoT où les réseaux de liquides originaux inspirés de C. elegans excellent dans le contrôle continu
Modèles de mise en œuvre
Les modèles Liquid AI et Liquid Foundation en pratique
Exécution d'un assistant de chat performant entièrement hors ligne sur un smartphone pour une utilisation sensible à la confidentialité.
Exécution d'un assistant de chat performant entièrement hors ligne sur un smartphone pour une utilisation sensible à la confidentialité. Les équipes obtiennent généralement de meilleurs résultats lorsqu'elles définissent des seuils de qualité à l'avance, maintiennent un chemin d'escalade humain pour les cas extrêmes et suivent à la fois les gains de productivité et les coûts d'erreur au fil du temps.
Les modèles Liquid AI et Liquid Foundation en pratique
Intégration d'une compréhension du langage à faible latence dans les voitures pour les commandes vocales sans allers-retours dans le cloud.
Intégrer la compréhension du langage à faible latence dans les voitures pour les commandes vocales sans allers-retours dans le cloud Les équipes obtiennent généralement de meilleurs résultats lorsqu'elles définissent des seuils de qualité à l'avance, maintiennent un chemin de remontée humain pour les cas extrêmes et suivent à la fois les gains de productivité et les coûts d'erreur au fil du temps.
Les modèles Liquid AI et Liquid Foundation en pratique
Traitement de documents ou de journaux très longs sur un ordinateur portable où la mémoire cache d'un Transformer serait trop volumineuse.
Traitement de documents ou de journaux très longs sur un ordinateur portable où la mémoire cache d'un Transformer serait trop volumineuse Les équipes obtiennent généralement de meilleurs résultats lorsqu'elles définissent des seuils de qualité à l'avance, maintiennent un chemin de remontée humaine pour les cas extrêmes et suivent à la fois les gains de productivité et les coûts d'erreur au fil du temps.
Les modèles Liquid AI et Liquid Foundation en pratique
Alimenter la robotique de pointe et les appareils IoT où les réseaux de liquides originaux inspirés de C. elegans excellent dans le contrôle continu.
Alimenter la robotique de pointe et les appareils IoT là où les réseaux liquides originaux inspirés de C. elegans excellent dans le contrôle continu. Les équipes obtiennent généralement de meilleurs résultats lorsqu'elles définissent des seuils de qualité à l'avance, maintiennent un chemin d'escalade humain pour les cas extrêmes et suivent à la fois les gains de productivité et les coûts d'erreur au fil du temps.
Risques et garde-fous
Les annonces de lancement peuvent dépasser la stabilité des flux de production réels.
La tarification des API ou les changements de politique peuvent briser les hypothèses du jour au lendemain.
La dépendance à un seul fournisseur augmente les coûts de verrouillage et de migration.
Feuille de route de mise en œuvre
Évaluez les fournisseurs à l’aide de vos propres tâches et ensembles de données.
Évaluez les fournisseurs à l’aide de vos propres tâches et ensembles de données. Traitez chaque étape comme une porte de preuves : si les critères ne sont pas remplis, suspendez le déploiement, comblez l'écart, puis étendez l'utilisation.
Vérifiez les conditions de confidentialité, de sécurité et juridiques avant l’intégration.
Vérifiez les conditions de confidentialité, de sécurité et juridiques avant l’intégration. Traitez chaque étape comme une porte de preuves : si les critères ne sont pas remplis, suspendez le déploiement, comblez l'écart, puis étendez l'utilisation.
Maintenez un plan de secours entre les modèles ou les fournisseurs.
Maintenez un plan de secours entre les modèles ou les fournisseurs. Traitez chaque étape comme une porte de preuves : si les critères ne sont pas remplis, suspendez le déploiement, comblez l'écart, puis étendez l'utilisation.
Surveillez les notes de version afin que les modifications de la feuille de route ne surprennent pas les équipes.
Surveillez les notes de version afin que les modifications de la feuille de route ne surprennent pas les équipes. Traitez chaque étape comme une porte de preuves : si les critères ne sont pas remplis, suspendez le déploiement, comblez l'écart, puis étendez l'utilisation.