Liquid Neural Networks (LNNs)

液态神经网络 (LNNs) 是连续时间循环神经网络 (RNNs)的一类高度动态且灵活的子类，其灵感来源于简单生物（如秀丽隐杆线虫）的神经系统结构。传统深度学习模型的权重（或参数）在训练后便会固定，而 LNNs 能够在处理新的输入流时，持续实时调整其参数。这种通常被称为“液态”行为的适应能力，使网络能够保持稳健性并即时适应不断变化的环境，因此特别适合处理时间序列数据和控制动态系统。

LNNs 的一项核心优势是参数效率。像Transformer或大语言模型 (LLMs)这样的大型模型，需要数十亿个参数和巨大的计算资源才能执行复杂任务；而 LNNs 通常只需几十到几百个神经元，就能在特定序列任务中取得相当甚至更优的性能。麻省理工学院计算机科学与人工智能实验室 (CSAIL)等机构的研究表明，这些紧凑型网络具有很高的可解释性和效率，降低了训练和部署所需的计算开销。

LNNs 与传统网络的区别#

LNNs 和标准 RNNs 都处理序列数据，但它们对时间概念的处理方式不同。标准 RNNs 和长短期记忆网络 (LSTM)以离散时间步运行，这意味着它们会逐帧或逐步处理数据。然而，LNNs 会持续处理输入，其方式类似于描述物理现象的微分方程。这种连续时间动态使 LNNs 能够自然地处理不规则采样的数据，而无需依赖固定采样率。此外，传统模型会在训练后冻结已学习的参数，而 LNNs 中的隐藏状态会动态适应，从而确保模型在实时推理期间能够持续响应新的、未见过的异常。

LNNs 的实际应用#

凭借韧性、可解释性和较少的参数量，LNNs 主要用于涉及连续数据流和不断变化环境的应用。以下是两个值得关注的示例：

• 自动驾驶车辆和无人机： LNNs 在不可预测环境中控制自主无人机方面已取得显著成功。它们能够根据连续的传感器反馈调整决策过程，使无人机相比静态训练的模型更好地应对不断变化的风况或动态障碍物。其较低的计算开销也使其非常适合用于功耗受限的边缘 AI 设备，可以直接在无人机上处理数据。
• 医疗时间序列分析： 在医疗诊断中，LNNs 用于持续监测患者生命体征，例如 ECG 或 EEG 读数。由于医疗数据通常以不规则间隔采样，LNNs 的连续时间特性非常有利于检测患者病情的突然变化，并为心律失常或癫痫发作等状况提供实时预测建模。

生态系统中的 LNNs#

虽然 LNNs 专注于时间维度上的序列决策，但它们可以与空间计算机视觉模型有效结合，构建完整的感知-动作系统。例如，Ultralytics YOLO26可用于处理视频帧，执行实时目标检测，再将边界框坐标和分类数据输入下游的液态神经网络。随后，LNN 会随时间解读这些连续的坐标流，以驱动AI 智能体的导航或机器人控制机制。

要探索构建高效的实时 AI 流水线，你可以先使用Ultralytics Platform训练和部署视觉模型，确保模型轻量化并已准备好进行边缘部署。

from ultralytics import YOLO

# Load an Ultralytics YOLO26 nano model for spatial perception
model = YOLO("yolo26n.pt")

# Perform inference on a video stream to feed data to a sequential model
results = model.predict(source="path/to/video.mp4", stream=True)

for result in results:
    # Extract object coordinates to be passed to an LNN for temporal processing
    boxes = result.boxes.xyxy
    # (Here, 'boxes' would stream into your Liquid Neural Network for control logic)

由Liquid AI等团队主导的 LNNs 持续研究，正在不断拓展人工智能 (AI)系统在复杂、动态的现实世界中部署时所能达到的适应性、效率和可解释性边界。