108
0📝 本期播客简介
本期我们克隆了：Latent Space · A Worm With 302 Neurons Inspired Their Architecture — Ramin Hasani, Liquid AI
原内容更新时间：2026-09-18
Latent Space 主持人与 Liquid AI CEO Ramin Hasani 深入聊了 Liquid 的技术路线：从受秀丽隐杆线虫启发的液态神经网络，到面向不同硬件设计混合架构的 LFM。Ramin 回顾了这项研究如何从机器人控制起步，并逐渐走向基础模型，以及连续时间系统在效率、表达能力和扩展性之间面临的取舍。
对话也落到了模型如何真正进入生产环境：Liquid 与梅赛德斯-奔驰、Shopify 等企业合作，把模型部署到汽车、设备和应用中；同时通过 Leap 等工具支持开发者微调与部署。后半段则讨论企业定制化、架构搜索、多模态与 DNA 模型，以及具身智能和自适应学习可能打开的方向。
👤 本期嘉宾
Ramin Hasani 是 Liquid AI 的 CEO，也是公司的联合创始人之一。他在 TU Wien 开始研究连续时间数学如何融入机器学习，并与团队从受秀丽隐杆线虫神经系统启发的液态神经网络出发，探索高效学习与机器人控制。2017 年起，他在 MIT 与 Daniela Rus 等人合作，继续研究连续时间动力系统、序列建模及其规模化。如今，他带领 Liquid AI 将这些研究延伸到基础模型、企业部署和面向特定硬件的架构设计。
⏱️ 时间戳
00:16 Liquid AI 起源
00:41 秀丽隐杆线虫启发
03:30 灵活的 Liquid 网络
05:50 连续时间动力系统
07:34 突破 RNN 扩展瓶颈
11:10 STAR 混合架构设计
12:09 LFM 的演进
16:20 端侧智能与隐私
20:08 Shopify 生产部署
21:55 机器人实验与视觉动作
28:02 定制化与企业 AI
38:15 架构搜索与模型工厂
44:59 时间序列与连续时间
46:27 适应性与认知架构
49:20 多模态与 DNA 模型
55:50 Transformer 十周年与注意力
🌟 精彩内容
💡 线虫不是比喻，而是研究起点
Ramin 解释，团队选择秀丽隐杆线虫，是因为它的神经元不会发放脉冲，神经活动可以用连续时间模型描述。这为构建可微、可训练的液态神经网络提供了生物学灵感。
"它只有 302 个神经元，却能控制 95 个肌肉细胞，表现比当时世界上任何机器人系统都好。"
💡 架构不必押注单一答案
Liquid 没有把某一种替代架构视为终极方案，而是搭建 meta-AI 系统，在不同算子和混合架构中搜索，并根据目标硬件优化质量、内存、延迟和速度。
"我们来打造一个 meta-AI 系统，在算子空间里进行搜索。"
💡 模型架构要跟着芯片走
同一套模型结构并不一定适合所有设备。Liquid 用架构搜索为不同部署环境寻找合适组合；Ramin 以 LFM2 为例，说明它如何针对 CPU 做出更精简的设计。
"目标设备基本决定了混合架构该是什么样。"
💡 上设备不等于把模型下载下来
本地部署能带来隐私、离线使用和成本方面的优势，但生产级 AI 还涉及温度、长上下文下的表现与可靠性，不能只凭基准测试判断。
"这不是从开源社区下载一个模型，再把它放到设备上就算成功了。"
💡 企业需要的不是演示，而是能跑进生产的模型
Ramin 分享 Liquid 与梅赛德斯-奔驰、Shopify 等企业合作的经验：前者探索车载智能，后者将 LFM 用于面向商家和消费者的产品。他强调，真正的落地工作远比模型评测复杂。
"产品级的 AI，远不只是看模型在设备上的一些质量基准测试结果，还要考虑更多。"
💡 定制化不只是后训练
从预训练、中期训练、后训练到数据生成和 RL，模型定制可以贯穿整个开发流程。Liquid 正在开发自助平台，希望企业能够借助工具与 agent 构建、部署并持续更新自己的模型。
"要考虑从预训练到推理阶段，各个层面的定制化。"
💡 模型越大，架构可能越要简单
根据架构搜索和规模实验，Ramin 提出一个反直觉的判断：小模型可以通过更多结构偏置获得丰富动态；模型规模增大后，减少偏置、简化架构反而更有利于扩展。
"模型越大，架构就越要简化。"
💡 下一步不只有更强的前向计算
Liquid 正关注高度多模态系统、更长程推理、DNA 等不易被人直接理解的数据，也在思考模型运行时的适应能力，以及具身智能和持续学习。
"我们非常专注于高度多模态的系统。"
🌐 播客信息补充
本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的
使用 AI 进行翻译，因此可能会有一些地方不通顺
