#737.Liquid：蠕虫 302 个神经元，启发了另一种 AI 架构
播客收听
问这期播客
会先在本集摘要、章节、转录和笔记里找答案。
TL;DR · AI 摘要
Liquid AI受线虫启发开发液态神经网络，结合混合架构实现高效AI部署。
核心要点
- 液态神经网络基于302个神经元的线虫模型，实现连续时间动态系统
- LFM混合架构通过算子搜索优化CPU/GPU适配，降低延迟30%
- Shopify部署案例显示端侧模型需考虑温度与长上下文可靠性
结构提纲
按章节快速跳转。
思维导图
用一张图看清主题之间的关系。
查看大纲文本（无障碍 / 无 JS 友好）
- 液态神经网络架构
- 生物启发
- 秀丽隐杆线虫神经元模型
- 技术实现
- 连续时间动力系统
- 混合架构LFM
- 应用验证
- 梅赛德斯-奔驰车载AI
- Shopify端侧部署
金句 / Highlights
值得收藏与分享的关键句。
302个神经元的线虫能控制95个肌肉细胞，表现优于当时所有机器人系统
架构搜索使LFM在CPU上实现比传统模型低30%的推理延迟
Shopify生产部署证明模型质量基准测试无法替代实际场景验证
章节
Liquid AI 起源
Liquid AI 起源
秀丽隐杆线虫启发
秀丽隐杆线虫启发
灵活的 Liquid 网络
灵活的 Liquid 网络
连续时间动力系统
连续时间动力系统
突破 RNN 扩展瓶颈
突破 RNN 扩展瓶颈
STAR 混合架构设计
STAR 混合架构设计
LFM 的演进
LFM 的演进
端侧智能与隐私
端侧智能与隐私
Shopify 生产部署
Shopify 生产部署
机器人实验与视觉动作
机器人实验与视觉动作
定制化与企业 AI
定制化与企业 AI
架构搜索与模型工厂
架构搜索与模型工厂
转录
Liquid AI 起源
秀丽隐杆线虫启发
灵活的 Liquid 网络
连续时间动力系统
突破 RNN 扩展瓶颈
STAR 混合架构设计
LFM 的演进
端侧智能与隐私
Shopify 生产部署
机器人实验与视觉动作
定制化与企业 AI
架构搜索与模型工厂
时间序列与连续时间
适应性与认知架构
多模态与 DNA 模型
Transformer 十周年与注意力
节目笔记
#737.Liquid：蠕虫 302 个神经元，启发了另一种 AI 架构 - 跨国串门儿计划 | 小宇宙 - 听播客，上小宇宙
📝 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