MIT顶尖机器人学家创业，融资数千万，受线虫启发开发液态网络，叫板OpenAI

MIT CSAIL 主任 Daniela Rus 是这家公司创始人之一

四位创始人（从左到右）CEO Ramin Hasani，Daniela Rus，首席科学官Alexander Amini和CTO Mathias Lechner

除了 Daniela Rus，Liquid AI 另三位联合创始人都是 MIT CSAIL 博士后研究人员，都为液体神经网络的发明做出了贡献。

联合创始人兼 CEO  Ramin Hasani  进入 MIT CSAIL 从事博士后研究之前，曾是美国最大的基金管理公司之一先锋集团（ Vanguard ）的首席人工智能科学家。

联合创始人兼 CTO Mathias Lechner  在维也纳工业大学读书时就和 Hasani 一起研究线虫的神经结构。

联合创始人兼首席科学官员  Alexander Amini 是 Daniela Rus 的博士生。

目前公司员工阵容

液体神经网络的想法，源于多年前奥地利维也纳工业大学（Vienna University of Technology） Radu Grosu 教授的实验室。

当时，Hasani 在那里攻读计算机科学博士学位，Lechner 在读硕士学位，两人对绘制秀丽隐杆线虫神经网络的研究产生了兴趣。

线虫仅 １ 毫米长，神经系统只有 302 个神经元（人类有大约 860 亿个神经元），位于食物链底层，却能进行一系列高级行为：移动、觅食、睡觉、交配，甚至从经验中学习。

他们意识到，研究线虫的大脑实际上如何工作，也许有助于制造能适应意外情况的弹性神经网络。

秀丽隐杆线虫也是截至2019年，唯一完成连接组（connectome，神经元连接）测定的生物体。

2017年，Daniela Rus 将 Hasani 和 Lechner 挖到了 MIT CSAIL。Rus 和她的博士生 Amini 也加入到液态神经网络的研究中。

他们发现了使液态神经系统成为可能的计算原理，这反过来又启发他们开发出一个简单的软件神经网络。

2020年底，Hasani、Rus、Lechner、Amini 等人发表了一篇题为 Liquid Time-constant Networks 的研究论文，液体神经网络引发不少关注。

去年，他们的研究取得突破性进展，打破了计算瓶颈。这种新型网络可能已经具有足够通用性，在某些应用中取代传统神经网络。10月，以 Closed-form continuous-time neural networks 为题的论文也发表在了 Nature Machine Intelligence 。

今年 3 月，Hasani 和 Lechner 成立了这家初创公司，Rus 担任技术顾问和董事会成员。

所谓液体神经网络，首先是指其架构像液体一样，是动态的，具有高度的灵活性和适应性。

标准的神经网络更像是一层层间隔均匀的水坝，每层水坝上安装了许多阀门（权重）。计算的洪流每经过一层水坝，都要透过这些阀门，汇总后再奔向下一层水坝。

液体神经网络不需要这些水坝。

每个神经元都由微分方程 （ODE）控制。这些微分方程参数会根据观察到的输入而变化（也就是说，基本方程是会变化的）。这个变化过程是一个由「非线性函数」控制的概率过程，以此不断适应新的数据输入，从现场环境中学习。

大多数神经网络的行为在接受训练后就是固定的，这意味着，它们不善于适应新输入的数据流的变化。「液体」网络的流动性使其对意外或嘈杂的数据更具弹性（比如大雨遮挡了自动驾驶汽车上的摄像头视野），也更强大。

和动辄数十亿参数规模的生成 AI 模型相比，液体神经网络的另一个特点是规模小得多。

比如，GPT-3 包含约 1750 亿个参数和约 50,000 个神经元。而针对诸如在室外环境中驾驶无人机等任务进行训练的液体神经网络可以包含少至 20,000 个参数和不到 20 个神经元。

今年早些时候，Rus 和 Liquid AI 根据专业无人机飞行员收集的数据训练了一个液体神经网络，然后部署在飞行器上，在一系列户外环境（包括森林和人口稠密的城市社区）中进行远距离目标跟踪和其他测试。结果击败了其他经过训练的导航模型。此外，液体神经网络是唯一一个可以在没有任何微调的情况下可靠地泛化到它从未见过的场景的模型。

© THE END 

转载请联系本公众号获得授权

投稿或寻求报道：[email protected]