Liquid AI 开发了液体神经网络：它们与传统模型有何不同？

Liquid AI 由麻省理工学院的著名机器人专家 Daniela Rus 创立，基于相对较新的模型——液体神经网络创建通用人工智能系统。

流体神经网络 由少量“神经元”组成，其行为由方程描述。与具有 1750 亿个参数和 50,000 个代币的 GPT-3 等传统模型不同，流体网络更加紧凑，并且需要更少的计算能力来训练和操作。例如，一个自动驾驶程序只能包含2万个参数，甚至可以在Raspberry Pi上运行。

同时，流体网络能够不断优化其参数，以随着时间的推移提高效率。与处理单个片段的传统人工智能不同，它们分析数据序列，并动态调节神经元之间的信号交换。这使它们能够适应环境的变化，例如不断变化的天气条件。

在测试中，流体网络在无人机的预测和自主控制方面表现出很高的效率。例如，根据经验丰富的飞行员的数据训练的网络能够在森林和大城市条件下控制四轴飞行器。同时，她将学到的技能应用到新的情境中，无需额外的调整。

Daniela Rus、Ramin Hasani（首席执行官）、Matthias Lechner（首席技术官）和 Alexander Amini（首席研究员）负责该项目的实施。

该公司已吸引来自风险投资基金和大型科技公司的 3750 万美元投资。这些资金将使类似于 GPT 的新一代人工智能模型商业化，但效率更高。

Liquid AI还将为企业客户提供计算基础设施和工具，以构建自己的流动网络来解决特定问题。例如，用于监测野生动物、搜救行动、预测电网负荷等。

据创始人介绍，该技术适用于分析任何现象，其数据以动态序列的形式呈现——视频、音频、遥测。

因此，液体神经网络是一个有前途且正在积极发展的领域。它们结合了紧凑性、计算效率和适应性。

同时，Liquid AI强调了此类技术的透明度和安全性的重要性，因为与大型复杂的程序相比，Liquid网络更容易解释和分析。