‍‍‍‍     

Liquid AI 专注于为企业和开发者提供数据分析和决策的 AI 解决方案。

• CEO：Ramin Hasani
• CTO：Mathias Lechner
• CSO：Alexander Amini
• 联合创始人：Daniela Rus，MIT CSAIL 主任

• 2023 年 5 月 5 日，完成了由 OSS Capital L.P.领投的 560 万美元种子轮融资；
• 2023 年 12 月 1 日，完成了由 OSS Capital L.P.、Stephen Pagliuca、The Pags Group 领投的 3760 万美元的种子轮融资；
• 2024 年 12 月 13 日，完成了由 AMD Ventures 领投的 2.5 亿美元的 A 轮融资。

LFM 系列包括 LFM-1.3B、LFM-3B 和 LFM-40.3B 三个不同的版本，它们的共同特点是高效、低内存占用，并在多个基准测试中超越了同等规模的 Transformer 模型。

Liquid AI 的成功也离不开其独特的商业模式。

公司致力于为企业提供定制化的 AI 解决方案，可以帮助企业根据自身需求选择适合的 LFM 模型版本。这种灵活的商业模式使其能够更好地满足不同行业和企业的多样化需求。

同时，LFM 模型在资源受限的环境中表现出色，能够显著降低企业的计算成本和对云计算资源的依赖，这对于许多中小企业和初创公司来说具有很大的吸引力。

因此，该公司凭借其创新的技术、高效的性能和灵活的商业模式，成功与 NVIDIA、AMD、Apple、Qualcomm 和 Cerebras 等多家硬件制造商合作，以优化其模型的硬件部署。

液态神经网络（LNN，Liquid Neural Network）是一种时间连续的递归神经网络（RNN），能够按顺序处理数据，保留过去输入的记忆，并根据新输入调整其行为。

LNN 通过引入创新的动态权重更新机制以及基于非线性微分方程的连续时间建模策略，成功地打破了传统 Transformer 模型的固有局限，展现了其在处理复杂任务时的显著优势。

Liquid AI 基于 LNN 技术开发了液体基础模型（LFM，Liquid Foundation Models），旨在处理各种类型的顺序数据，包括视频、音频、文本、时间序列和信号。

• 非 Transformer 架构：LFM 的核心是自适应线性算子，与 Transformer 的自注意力机制不同，LFM 采用更加灵活的结构化算子。

• 高效内存使用：LFM 在处理长序列数据时显著降低了内存占用。例如，LFM-3B 在处理 100 万个 tokens 时仅需 16GB 内存，而其他同类模型如 Llama 3.2 则需要超过 48GB。

• 多模态数据处理能力：LFM 能够处理多种类型的连续数据，适合多模态应用场景。

• 自适应性：LFM 的设计允许根据不同的模态和硬件需求进行定制，具有更广泛的应用前景。

LFM 的非 Transformer 架构使得其在内容使用和计算效率方面表现出色。

其独特优势在于能够依托安装在设备上的计算能力，即时处理来自摄像头、物联网传感器等边缘设备的数据。通过将 AI 算法部署至设备附近，边缘 AI 实现了实时数据分析与决策，有效降低了与远程服务器的通信开销。

相较于传统大型神经网络模型（往往需要数百万个参数以处理高维视觉数据），LNN 仅需少至 1 至 3 个数量级的参数即可完成同等任务。

最新行业深度研究报告发放中！ 资本实验室全新发布 37 页量化报告《 2023 全球区块链应用市场暨产业图谱报告（2023） 》，收录 1000+ 应用案例 ，探索区块链应用趋势 ， 入群即可免费领取 。

OpenAI 首席执行官最新博文：第一批 AI 代理将在 2025 年“加入劳动力大军”

‍‍‍‍

谷歌前 CEO 创立的 AI 量子公司估值已达 56 亿美元，Meta 首席科学家 Yann LeCun 力挺

‍‍

2025 年塑造未来的 12 个预测：人类将迈向超级人工智能