Liquid AI -arvio: reunalaitteiden tekoälyn tulevaisuus transformerien tuolla puolen
#Quasa #QUA #liquidai
Liquid AI (esittelyssä osoitteessa Quasa.io/projects/liquid-ai) on MIT:stä lähtöisin oleva yritys, joka kehittää uuden sukupolven tehokkaita Liquid Foundation Models (LFMs) -malleja — transformer-malleista poikkeavia arkkitehtuureja, jotka on suunniteltu perusperiaatteista lähtien käytännön käyttöönottoa varten.
Yhä suurempien pilvimallien tavoittelun sijaan Liquid keskittyy suorituskykyiseen, pienen viiveen tekoälyyn, joka toimii suoraan laitteissa: puhelimissa, kannettavissa tietokoneissa, autoissa, puettavissa laitteissa, roboteissa ja reunalaitteistoissa.
Liquid AI:n ydin on tarjota mahdollisimman paljon älykkyyttä mahdollisimman vähäisellä laskennalla laitteiston huomioivan mallisuunnittelun avulla.
Keskeisiä vahvuuksia ovat:
- Liquid Foundation Models (LFM2-sarja) — Huipputason suorituskyky huomattavasti pienemmällä muistin- ja virrankulutuksella. Mallien parametrimäärät vaihtelevat välillä 350M–24B+, ja mukana on Mixture-of-Experts-versioita, jotka aktivoivat vain murto-osan parametreista tokenia kohden.
- Suoraan laitteissa ja reunalla toimiva tekoäly — Alle 20ms:n viive, työkaluja kutsuvat agentit, näkö- ja kielimallit (LFM2-VL), äänimallit ja päättelymallit, jotka toimivat täysin ilman verkkoyhteyttä ja säilyttävät täyden yksityisyyden.
- LEAP Platform & Liquid Apollo — Helppokäyttöiset kehittäjätyökalut LFM-mallien erikoistamiseen, hienosäätöön ja käyttöönottoon CPU-, GPU- ja NPU-suorittimilla.
- Yritys- ja toimialaratkaisut — Räätälöityjä malleja autoteollisuuteen (Mercedes-Benz), verkkokauppaan, rahoitusalalle, lääketeollisuuteen (yhteistyössä Insilico Medicine -yrityksen kanssa) ja robotiikkaan.
- Hybridi- ja yksityiset käyttöönotot — Käytä tehokasta tekoälyä pilvessä, omassa palvelinympäristössä tai kokonaan laitteessa — ihanteellinen säännellyille toimialoille ja sovelluksiin, joissa viive on kriittinen tekijä.
Se sopii erinomaisesti tekoälyinsinööreille, tuotetiimeille, autonvalmistajille, robotiikkayrityksille, kulutuselektroniikkabrändeille, erottuvaa tekoälyä rakentaville startup-yrityksille ja kaikille organisaatioille, jotka tarvitsevat nopeaa, yksityistä ja kustannustehokasta älykkyyttä reunalaitteisiin. Vuonna 2026 Liquid AI johtaa siirtymää pelkästään pilvessä toimivasta tekoälystä aidosti kaikkialla läsnä olevaan, suoraan laitteissa toimivaan älykkyyteen.
Kehittäjä- ja yritysyhteisö on siitä innoissaan:
“Vihdoinkin perusmalleja, jotka todella toimivat kannettavallani käyttökelpoisella nopeudella ilman pilvikustannuksia.”
“Liquidin LFM-mallit alittivat autojen tekoälylle asettamamme viivevaatimukset reilusti ja pitivät samalla tiedot täysin yksityisinä.”
“Nämä mallit tuntuvat tulevaisuudelta — ne ovat tehokkaita, multimodaalisia ja aidosti otettavissa käyttöön missä tahansa.”
Se loistaa erityisesti laitteessa tapahtuvassa tekoälypäättelyssä, yksityisyyttä painottavissa sovelluksissa, vähän virtaa kuluttavassa robotiikassa ja autoteollisuuden käyttökohteissa, mallien nopeassa erikoistamisessa sekä korkean suorituskyvyn tarjoamisessa ilman valtavia GPU-palvelinkeskuksia.
Heikkoudet: Arkkitehtuuri on vielä uudempi verrattuna hallitseviin transformer-malleihin (ekosysteemi ja työkalut kehittyvät nopeasti, mutta eivät ole vielä yhtä kypsiä); parhaat tulokset edellyttävät usein laitteistokohtaista optimointia; yrityksille tehtävä räätälöintityö on vahvin vaihtoehto monimutkaisiin käyttötapauksiin.
Kaiken kaikkiaan Liquid AI on vuonna 2026 yksi kiinnostavimmista ja käytännönläheisimmistä perusmalleja kehittävistä yrityksistä tiimeille, jotka haluavat kyvykästä tekoälyä, joka ottaa huomioon viiveeseen, virrankulutukseen, yksityisyyteen ja laitteistoon liittyvät käytännön rajoitteet. Se ei ole vain yksi LLM-palveluntarjoaja muiden joukossa — se määrittelee uudelleen, miten ja missä tekoäly todella toimii.
Ansaitse myös QUA-palkkio Quasan kautta!
4.9/5 tähteä (erinomainen tehokkuus, suorituskyky oikeissa laitteissa ja tulevaisuuteen suuntautuva arkkitehtuuri; kasvava ekosysteemi).























