Liquid Neural Networks (LNNs)

液态神经网络 (LNNs) 是一类高度动态且灵活的连续时间 循环神经网络 (RNNs) 子类，其灵感源自简单生物（如 C. elegans 蠕虫）的神经系统结构。与训练后权重（或参数）固定的传统 深度学习 模型不同，LNNs 在处理新的输入流时可以实时持续调整其参数。这种通常被称为“液态”行为的适应性，使网络能够保持鲁棒性并即时适应变化的环境，从而使其非常适合处理时间序列数据和控制动态系统。

LNNs 的核心优势在于其参数效率。虽然像 Transformers 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来执行复杂任务，但 LNNs 通常只需几十到几百个神经元就能在特定的序列任务中实现相当甚至更优的性能。来自 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，这些紧凑的网络提供了极高的可解释性和效率，减少了训练和部署所需的计算开销。

Link to this section区分 LNNs 与传统网络#

虽然 LNNs 和标准 RNNs 都处理序列数据，但它们处理时间概念的方式不同。标准 RNNs 和 长短期记忆 (LSTM) 网络在离散时间步长上运行，这意味着它们逐帧或逐步处理数据。然而，LNNs 会连续处理输入，类似于模拟物理现象的微分方程。这种连续时间动态允许 LNNs 在不依赖固定采样率的情况下优雅地处理不规则采样的数据。此外，虽然传统模型在训练后会冻结其学习到的参数，但 LNNs 中的隐藏状态会动态适应，确保模型在实时推理过程中对新的、未见的 异常情况 保持响应。

Link to this sectionLNNs 的实际应用#

由于其弹性、可解释性和极低的参数量，LNNs 主要用于涉及连续数据流和多变环境的应用。两个显著的例子包括：

• 自动驾驶车辆 和无人机： LNNs 在不可预测的环境中控制自动驾驶无人机方面表现出了显著的成功。它们能够根据连续的感官反馈调整决策过程，使无人机在应对风向变化或动态障碍物时远优于静态训练的模型。其较低的计算占用也使它们成为电力受限的 边缘 AI 设备 的理想选择，可以直接在无人机上进行数据处理。
• 医学时间序列分析： 在 医疗诊断 中，LNNs 被用于持续监测患者的生命体征，如 ECG 或 EEG 读数。由于医学数据通常是不规则采样的，LNNs 的连续时间特性对于实时检测患者状况的突然转变非常有益，可为心律失常或癫痫等病症提供 预测性建模。

Link to this sectionLNNs 在生态系统中的作用#

虽然 LNNs 专长于时间序列决策，但它们可以与空间 计算机视觉 模型有效结合，构建全面的感知-行动系统。例如，可以使用 Ultralytics YOLO26 处理视频帧以进行实时 目标检测，并将边界框坐标和分类数据馈送到下游的液态神经网络中。随后，LNN 会随时间推移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，你可以从使用 Ultralytics 平台 训练和部署视觉模型开始，确保你的模型轻量化并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 等团队领导的针对 LNNs 的持续研究，正不断突破 人工智能 (AI) 系统在复杂、动态的现实世界中部署时，其适应性、效率和可解释性的极限。