Ĉefaj konkludoj

  • Fondita en 2023 de Ramin Hasani, Mathias Lechner, Alexander Amini, kaj Daniela Rus, la MIT-kromproduktaĵo Liquid AI konstruas kompaktajn modelojn inspiritajn de la 302-neurona vermo C. elegans.
  • Liquid AI celas la preskaŭ 2,2 miliardojn da telefonoj, komputiloj, porteblaj aparatoj kaj veturiloj liverataj ĉiujare, funkciigante modelojn loke por elimini nuban latentecon kaj protekti datuman privatecon.
  • Lanĉita en oktobro 2026, la 24-tavola LFM3-1.7B Tri-Hibrida Arkitekturo kombinas 13 pordigitajn mallongajn konvoluciojn, 5 glitfenestrajn atentotavolojn, kaj 6 tutmondajn atentotavolojn.
  • Kunpremita al 4-bita precizeco en proksimume 1 GB da RAM, LFM3 subtenas 256 000-tokenan kuntekstan fenestron sur Samsung Galaxy S26 Ultra, Raspberry Pi 5, aŭ tekokomputilo.

Repripensante la AI-strategion

Dum la pasintaj pluraj jaroj, la artefarit-intelekta industrio funkciis sub unu sola, multekosta supozo: pli granda estas ĉiam pli bona. Teknologiaj gigantoj verŝis centojn da miliardoj da dolaroj en la konstruadon de masivaj, energimalsataj datumcentroj por funkciigi monolitajn modelojn bazitajn sur la Transformer-arkitekturo—la teknologio lanĉita en 2017, kiu funkciigas sistemojn kiel ChatGPT, Claude, kaj Gemini.

Fondita en 2023 kiel MIT-kromproduktaĵo de Ramin Hasani (ĉefoficisto), Mathias Lechner (teknika direktoro), Alexander Amini (scienca direktoro), kaj la direktoro de MIT CSAIL Daniela Rus, Liquid AI defias tiun ortodoksecon ekde bazaj principoj. Anstataŭ ĉasi ĉiam pli grandajn nubajn kluzojn, la misio de Liquid AI estas konstrui efikec-unuan, ĝeneralcelan AI je ĉiu skalo. Ilia kerna tezo estas simpla sed radikala: vera inteligenteco ne devus esti luata de masiva korporacia nubo; ĝi devus esti ĉiea, privata, kaj kapabla funkcii rekte sur loka aparataro—de saĝtelefonoj kaj tekokomputiloj ĝis aŭtoj kaj miniaturaj robotoj.

Filozofio kaj Vizio: Kial "Likva"?

La filozofio de Liquid AI ripozas sur tri fundamentaj kolonoj, kiuj igas ĝin unu el la plej konvinkaj kompanioj en la moderna AI-pejzaĝo:

  • Ĉiea & Rando-Nativa Inteligenteco: Preskaŭ 2,2 miliardoj da aparatoj kapablaj gastigi AI-modelojn—telefonoj, komputiloj, porteblaj aparatoj, kaj veturiloj—estas liverataj tutmonde ĉiujare. Liquid AI desegnas modelojn sufiĉe malgrandajn kaj malpezajn por vivi rekte sur ĉi tiuj aparatoj, eliminante nuban latentecon, reduktante energikostojn, kaj permesante al uzantoj kaj entreprenoj posedi siajn datumojn kaj decidofaradon private.
  • Biologia Inspiro: Dum tradiciaj neŭralaj retoj estas loze inspiritaj de la homa cerbo, ili uzas centojn da miliardoj da artefaritaj neŭronoj, kiuj frostiĝas post kiam la trejnado finiĝas. La esplorado de Liquid AI originis de studado de la mikroskopa nematoda vermo Caenorhabditis elegans (C. elegans), kiu posedas nur 302 neŭronojn, tamen povas navigi kompleksajn mediojn, ĉasi manĝaĵon, kaj adaptiĝi al ŝanĝiĝantaj fizikaj kondiĉoj en reala tempo.
  • Blank-kesta Klarigebleco: Plej multaj gigantaj AI-modeloj estas "nigraj kestoj"—eĉ iliaj kreintoj ne povas plene spuri kial specifa neŭrono ekpafis por produkti respondon. Ĉar Liquid AI uzas draste pli malgrandajn, matematike strukturitajn dinamikajn sistemojn, ĝiaj modeloj estas multe pli facile inspekteblaj, sencimigeblaj, kaj fidindaj en sekurec-kritikaj kampoj kiel aviado, robotiko, bioteknologio, kaj financo.

La Scienco Simpligita: Kiel Funkcias Likvaj Fondaĵaj Modeloj

Por kompreni kial Liquid AI estas science fascinanta, konsideru kiel norma AI prilaboras informojn kompare al kiel funkcias Likva sistemo.

  1. De Statikaj Pezoj al Kontinu-tempaj Dinamikaĵoj

En norma Transformer-modelo, post kiam la trejnado estas finita, la parametroj (pezoj) de la modelo estas frostigitaj. Krome, dum vi nutras Transformer-on per pli longa dokumento aŭ video, ĝia memorspuro—konata kiel la KV-Kaŝmemoro—kreskas linie aŭ kvadrate, rapide superŝarĝante la RAM de normala tekokomputilo aŭ telefono.

Liquid AI originis de Likvaj Neŭralaj Retoj (LNN) kaj Fermit-formaj Kontinu-tempaj (CfC) retoj. Anstataŭ trakti datumojn kiel statikajn momentfotojn, ĉi tiuj retoj modelas informojn kiel kontinu-tempan dinamikan sistemon regatan de ordinaraj diferencialaj ekvacioj (ODE):

En simpla lingvaĵo: la interna stato x(t) de la sistemo fluas kaj adaptiĝas dinamike bazite sur la envenantaj datumoj I(t) kaj fleksebla tempokonstanto \tau. Anstataŭ uzi malrapidajn numerajn solvilojn por kalkuli ĉi tiujn ekvaciojn paŝon post paŝo, Hasani kaj lia teamo malkovris fermit-forman matematikan solvon, donante al ili la adaptiĝemon de kontinua fiziko kun la fulmrapida rapideco de norma profunda lernado.

  1. La LFM3 Tri-Hibrida Arkitekturo (Trarompo de malfrua 2026)

Dum Liquid AI skaladis de robotiko al plen-skala lingva kaj multimodala inteligenteco, ili evoluigis sian matematikon en Likvajn Fondaĵajn Modelojn (LFM). Kun la lanĉo de la LFM3-familio en oktobro 2026, Liquid AI enkondukis pioniran Tri-Hibridan Arkitekturon desegnitan per aparat-en-la-bukla aŭtomatigita serĉo.

Anstataŭ fidi nur je pezaj Transformer-atentotavoloj, la LFM3-1.7B-spino miksas tri apartajn matematikajn operatorojn tra siaj 24 tavoloj:

  • 13 Pordigitaj Mallongaj Konvolucioj (kernograndeco 7): Rapide kaptas lokajn ŝablonojn kaj sekvencajn strukturojn kun minimuma memor-superkosto.
  • 5 Glitfenestraj Atentotavoloj (256-tokena fenestro): Subtenas klaran mallongperspektivan kuntekston sen ŝveligi memoron.
  • 6 Tutmondaj Atentotavoloj kun Kap-Saĝa Pordigado & Parta RoPE: Kaptas profundajn, longdistancajn rilatojn tra masiva 256 000-tokena kunteksta fenestro dum subpremado de aktivigaj eksteruloj, por ke la modelo povu esti kunpremita al 4-bita precizeco (~1 GB da RAM) sen perdi inteligentecon.

Uzante ĉi tiun komunan 2-miliard-parametran spinon, LFM3 unuigas tekston (LFM3-1.7B), vidon (LFM3-VL-2B), aŭdion (LFM3-Audio-2B), plenan multimodalecon (LFM3-Omni-2B), kaj kalibritan decidofaradon (d1-2B) en ununuran arkitekturon, kiu funkcias native sur Samsung Galaxy S26 Ultra, Raspberry Pi 5, aŭ norma tekokomputilo.

Oftaj demandoj

Kiu fondis Liquid AI kaj kio inspiris ĝian teknologion?

Liquid AI estis fondita en 2023 kiel MIT-kromproduktaĵo de ĉefoficisto Ramin Hasani, teknika direktoro Mathias Lechner, scienca direktoro Alexander Amini, kaj la direktoro de MIT CSAIL Daniela Rus. Ilia esplorado estis inspirita de la mikroskopa nematoda vermo Caenorhabditis elegans, kiu adaptiĝas al kompleksaj medioj en reala tempo uzante nur 302 neŭronojn.

Kiel Likvaj Fondaĵaj Modeloj diferencas de normaj Transformer-modeloj?

Normaj Transformer-oj frostigas siajn pezojn post trejnado kaj suferas pro linie aŭ kvadrate kreskanta KV-Kaŝmemoro ĉe longaj enigaĵoj. Liquid AI evoluis el Fermit-formaj Kontinu-tempaj (CfC) retoj, kiuj modelas datumojn kiel kontinu-tempajn dinamikajn sistemojn uzante ordinarajn diferencialajn ekvaciojn, liverante realtempan adaptiĝemon kaj malaltan memor-superkoston.

Kio estas la LFM3 Tri-Hibrida Arkitekturo?

Enkondukita en oktobro 2026, la LFM3-1.7B-spino miksas tri operatorojn tra 24 tavoloj: 13 pordigitaj mallongaj konvolucioj (kernograndeco 7), 5 glitfenestraj atentotavoloj (256-tokena fenestro), kaj 6 tutmondaj atentotavoloj kun Kap-Saĝa Pordigado kaj Parta RoPE. Ĉi tiu dezajno pritraktas 256 000-tokenan kuntekstan fenestron en proksimume 1 GB da RAM je 4-bita precizeco.

Kiuj modeloj kaj aparatoj estas subtenataj en la LFM3-familio?

La 2-miliard-parametra LFM3-familio inkluzivas tekston (LFM3-1.7B), vidon (LFM3-VL-2B), aŭdion (LFM3-Audio-2B), plenan multimodalecon (LFM3-Omni-2B), kaj kalibritan decidofaradon (d1-2B). Ĉi tiuj modeloj funkcias native sur loka aparataro inkluzive de Samsung Galaxy S26 Ultra, Raspberry Pi 5, kaj normaj tekokomputiloj.