概述
Liquid AI 是 MIT 的衍生产品，致力于构建 Liquid 基础模型 (LFM)，该模型放弃了标准 Transformer，采用了受动态系统启发的架构。我们的目标是小型、快速、内存高效的模型，可以在手机和边缘设备上运行，而不会牺牲太多的质量。
Liquid AI 和 Liquid Foundation 模型最好在战略、模型访问、平台决策和生态系统合作伙伴关系的背景下理解。
深入探讨
Liquid AI 由 Ramin Hasani、Mathias Lechner、Alexander Amini 和 Daniela Rus 于 2023 年创立，他们是“液体神经网络”背后的麻省理工学院 CSAIL 团队。这些起源于对线虫秀丽隐杆线虫的研究，其微小的 302 个神经元大脑启发了液体时间常数 (LTC) 网络，其中每个神经元的行为通过微分方程随时间不断变化。 Liquid 的商业模型，即 Liquid Foundation 模型（LFM-1B、3B、40B），将这一想法推广到变形金刚之外。一个突出的特点是随着上下文的增长，内存占用几乎恒定，这与 Transformer 不同，Transformers 的注意力缓存会随着序列长度而膨胀。 2024 年，该公司筹集了一大笔 A 轮融资（据报道约为 2.5 亿美元），随后发布了 LFM2，针对笔记本电脑、手机和汽车上的设备部署进行了调整。
技术洞察
Transformer 存储一个随输入长度线性增长的键值缓存，因此长上下文会占用内存。相反，LFM 使用由结构化状态空间和动态系统运算符构建的“流动”计算单元，将过去的信息压缩为固定大小的循环状态。计算是通过连续时间方程描述的，其参数（如时间常数）会适应输入，使模型能够以大致平坦的内存和可预测的延迟处理长序列，这对于资源有限的边缘硬件来说是理想的选择。
掌握液体人工智能和液体基础模型
Liquid AI 是 MIT 的衍生产品，致力于构建 Liquid 基础模型 (LFM)，该模型放弃了标准 Transformer，采用了受动态系统启发的架构。我们的目标是小型、快速、内存高效的模型，可以在手机和边缘设备上运行，而不会牺牲太多的质量。 Liquid AI 和 Liquid Foundation 模型最好在战略、模型访问、平台决策和生态系统合作伙伴关系的背景下理解。为了建立深入的理解，请将 Liquid AI 和 Liquid Foundation 模型视为一种操作模型，而不是单一功能：定义期望的结果，澄清假设，并将系统可以可靠地完成的任务与仍需要专家判断的任务分开。
在实践中，使用 Liquid AI 和 Liquid Foundation 模型的强大团队会在做出承诺之前评估供应商策略、路线图可靠性和锁定风险。他们记录明确的成功标准，根据实际数据和工作流程进行测试，并根据观察到的失败模式而不是一次性基准测试胜利进行迭代。这就是理论理解转变为跨产品、政策和运营的持久能力的地方。
供应商路线图会影响您的团队接下来可以构建的功能。与此同时，发布公告可能会超过实际生产工作流程的稳定性。最具弹性的方法是将实验速度与治理规则结合起来：运行试点、捕获证据、发布决策日志，并随着模型行为、用户期望和监管要求的发展不断更新保障措施。
战略影响
供应商路线图会影响您的团队接下来可以构建的功能。
供应商路线图会影响您的团队接下来可以构建的功能。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
商业条款和部署选项会影响长期成本和风险。
商业条款和部署选项会影响长期成本和风险。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
公司激励措施塑造了产品默认、安全态势和开放性。
公司激励措施塑造了产品默认、安全态势和开放性。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
现实世界的实施
在智能手机上完全离线运行功能强大的聊天助手，以供隐私敏感的使用
在汽车中嵌入低延迟语言理解，实现语音控制，无需云往返
在笔记本电脑上处理很长的文档或日志，而 Transformer 的内存缓存太大
为边缘机器人和物联网设备提供动力，其中受秀丽隐杆线虫启发的原始液体网络在连续控制方面表现出色
实施模式
液体人工智能和液体基础模型的实践
在智能手机上完全离线运行功能强大的聊天助手，以供隐私敏感的使用。
在智能手机上完全离线运行功能强大的聊天助手以进行隐私敏感的使用当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力提升和错误成本时，通常会获得更好的结果。
液体人工智能和液体基础模型的实践
在汽车中嵌入低延迟语言理解，实现语音控制，无需云往返。
在汽车中嵌入低延迟语言理解，实现无需云往返的语音控制 团队在预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力提升和错误成本时，通常会获得更好的结果。
液体人工智能和液体基础模型的实践
在笔记本电脑上处理很长的文档或日志，而 Transformer 的内存缓存太大。
在笔记本电脑上处理很长的文档或日志（其中 Transformer 的内存缓存太大） 当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
液体人工智能和液体基础模型的实践
为边缘机器人和物联网设备提供动力，其中受秀丽隐杆线虫启发的原始液体网络在连续控制方面表现出色。
为边缘机器人和物联网设备提供动力，其中原始的线虫启发的液体网络擅长持续控制。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
风险与防护栏
发布公告可能会超过实际生产工作流程的稳定性。
API 定价或政策转变可能会在一夜之间打破假设。
单一供应商依赖性增加了锁定和迁移成本。
实施路线图
使用您自己的任务和数据集评估提供商。
使用您自己的任务和数据集评估提供商。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
在集成之前查看隐私、安全和法律条款。
在集成之前查看隐私、安全和法律条款。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
维护跨模型或供应商的后备计划。
维护跨模型或供应商的后备计划。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
监控发行说明，以便路线图的更改不会让团队感到意外。
监控发行说明，以便路线图的更改不会让团队感到意外。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。