在人工智慧發展的浪潮中，MIT相關初創公司Liquid AI最近引起了廣泛關註。該公司推出的液體基礎模型（LFM）在眾多基準測試中表現出色，首次實作非GPT架構對Transformer的明顯超越。這一成功，得益於他們開發的液體神經網路（LNN），標誌著AI領域的一次創新突破。
Liquid AI團隊在宣布推出第一個多模態非Transformer模型-液體基礎模型（LFM）時，無疑讓許多科技愛好者興奮不已。作為通用AI模型的LFM，能夠處理包括視訊、音訊、文本在內的各種順序數據。此模型有三種規模可供選擇，每一款都在保持較小記憶體占用的情況下，展現了傲人的推理能力。
後訓練主管Maxime Labonne自豪地表示，LFM是他職業生涯中的一項偉大成就。LFM不僅實作了在處理更多數據時效率的提升，也能即時調整效能，避免傳統模型的復雜計算成本，甚至在記憶體消耗方面保持最低所需水平。尤其是LFM-1B在公共基準測試中表現尤為突出，成為行業標桿，展示了其超越Transformer的潛力。
不僅LFM-1B表現優異，LFM-3B的成績也份外驚艷，擊敗了效能相似的其他大型模型，並在許多基準測試中與前代其他大型模型的數據處理能力不相上下。對於移動端套用和邊緣裝置，LFM-3B無疑是個理想選擇。
LFM-40B在模型規模與輸出品質之間取得了令人印象深刻的平衡，其MoE架構賦予了高效的吞吐量，適合於降低成本的硬體上部署。現在，公眾可以在Liquid AI的多個平台上免費體驗這些模型。
Liquid AI的成立，源於MIT電腦科學與人工智慧實驗室（CSAIL）的前研究人員的共同努力。LFM的設計理念使得其在記憶體使用效率上展現出較傳統Transformer模型的明顯優勢，尤其在處理較長輸入時，這種優勢顯得更為突出。
雖然當前Transformer架構仍是主流，但Liquid AI希望開辟一條新路，尋求超越現有生成式預訓練Transformer（GPT）模型的解決方案。LFM的構建方式如同工程師設計飛機和汽車那樣，從基礎原理出發，實作了對Transformer模型的有力挑戰。
LNN技術便是Liquid AI的核心競爭力之一。與傳統需要大量神經元的深度學習模型不同，LNN透過少量神經元搭配創新的數學模型，實作了同樣的復雜功能。這種靈感源自線蟲的神經結構，也為當前的LFM提供了永續的適應力和強大的魯棒性。
LFM模型擁有多個實用特性，包括高效記憶體占用和深厚的知識儲備。盡管在零樣本學習、精確數值計算等方面仍有不足之處，它在一般知識、數學推理和長文本處理的能力卻是毋庸置疑的。
為應對新一輪技術挑戰，Liquid AI設計了一個新的模型架構，為廣泛套用提供了可能性。團隊成員紛紛表示，這一進展的背後，是多年來在推進AI模型效能與效率方面的不懈努力。
團隊的成員包括Ramin Hasani（CEO）、Mathias Lechner（CTO）、Alexander Amini（CSO）和Daniela Rus（CSAIL主任），他們各自在該領域擁有深厚的專業背景和獨特的見解。Liquid AI的目標十分明確：在各個規模上創造出最佳的智慧和高效系統，以滿足順序多模態數據的處理需求，實作高級推理和可靠決策。
總之，Liquid AI透過液體基礎模型的推出，再次驗證了創新的重要性，向我們展示了未來AI技術的無限可能。他們的成功，或許不僅僅是一次技術的突破，更是開啟了人工智慧新篇章的鑰匙。各界的目光也將持續聚焦於這一新興力量，期待更多驚喜的到來。
