Liquid AI, спин-офф Массачусетского технологического института (MIT), соучредителем которого является известный пионер в области робототехники Даниэла Рус, получил 37,5 миллионов долларов начального финансирования на разработку "нового поколения" искусственного интеллекта (ИИ) на основе жидких нейронных сетей. Среди инвесторов — соучредитель GitHub Том Престон Вернер, соучредитель Shopify Тобиас Лютке и соучредитель Red Hat Боб Янг.

Цель стартапа — коммерциализация относительно новой архитектуры жидких нейронных сетей, которая была изобретена в Венском технологическом университете, Австрия, и усовершенствована и масштабирована в Лаборатории компьютерных наук и искусственного интеллекта Массачусетского технологического института (CSAIL). Жидкие нейронные сети более эффективны, адаптируемы и интерпретируемы, чем традиционные модели ИИ.

Концепция жидких нейронных сетей, появившаяся в первых исследованиях в 2018 году и привлекшая значительное внимание благодаря статье "Liquid Time-constant Networks" в 2020 году, представляет собой сдвиг в моделировании ИИ. Как рассказал Хасани в своем выступлении на TEDx в MIT, эти сети остаются адаптируемыми даже после обучения, подстраиваясь под поступающие данные. Термин "жидкие" как нельзя лучше подходит к их гибкости и адаптивности.

Жидкие нейронные сети отличает их размер и богатая, целенаправленная функциональность узлов. Например, в MIT продемонстрировали управление автомобилем с помощью жидких нейронных сетей, состоящих всего из 19 узлов, что является разительным контрастом по сравнению с более крупными и шумными сетями. Каждый узел в таких сетях описывается дифференциальными уравнениями, что позволяет точно аппроксимировать динамику системы. Такой подход позволяет выполнять операции быстрее и с меньшими вычислительными затратами.

Жидкостные нейронные сети обладают значительными преимуществами в области робототехники, особенно с точки зрения вычислительных требований. Они могут работать на меньшей вычислительной мощности, потенциально используя простое оборудование, такое как Raspberry Pi. Эта способность открывает новые возможности для мобильных робототехнических систем, которые сталкиваются с аппаратными ограничениями.

Одно из ключевых преимуществ жидких нейронных сетей — их интерпретируемость. Благодаря их меньшему размеру понять, как отдельные нейроны объединяются для создания выходных сигналов, гораздо проще, чем в случае с большими сетями. Однако для работы таких сетей требуются данные "временных рядов", то есть они не могут работать со статичными изображениями, а нуждаются в последовательных данных, таких как видео. Как отмечает Хасани, "реальный мир состоит из последовательностей", что подчеркивает важность данных временных рядов для создания нашего восприятия реальности.

В ходе недавних испытаний, проведенных командой Liquid AI, нейронные сети Liquid превзошли другие современные алгоритмы в задачах предсказания временных рядов и достигли многообещающих результатов в реальной автономной навигации беспилотников.

Спин-офф MIT планирует предложить частную локальную инфраструктуру ИИ, а также платформу для создания собственных моделей жидких нейронных сетей. Области применения могут включать электрические сети, медицинские данные, финансовые операции и прогнозирование погоды.

В команду основателей Liquid AI входят генеральный директор Рамин Хасани, технический директор Матиас Лехнер, главный научный сотрудник Александр Амини и профессор MIT Даниэла Рус.