Liquid AI：重塑端侧AI，美国独角兽的颠覆之路

type

status

date

slug

summary

Liquid AI：端侧AI的美国往事与颠覆式创新

在人工智能（AI）飞速发展的浪潮中，我们习惯了将目光聚焦于云端那些参数庞大、能力惊人的大型模型。然而，随着AI能力的日益普及和对数据隐私、安全合规需求的提升，一股“向边缘渗透”的暗流正悄然涌动。Liquid AI，这家源自顶级学府MIT CSAIL实验室的AI公司，正是这场端侧AI革命的先行者和重要参与者。它不随波逐流于“参数竞赛”，而是另辟蹊径，用独特的架构和务实的落地策略，书写着属于自己的“美国往事”。

逆流而上：Liquid AI 的架构哲学与战略选择

2023年底，当整个大模型行业沉浸在“Scaling Law”的宏大叙事中，疯狂追逐更大的模型和更多的GPU时，Liquid AI却提出了一个截然不同的问题：AI最终要落地于真实的物理世界与企业内网，为何我们的模型设计仍旧只为数据中心服务？

Liquid AI的名字本身就蕴含着其核心技术——液态神经网络（Liquid Neural Network）。这是一种极具“动态性”的AI架构，其内部状态能够根据连续变化的信号与环境进行实时自适应调整。这种特性使其天然契合自动驾驶、机器人、传感器序列等对实时响应和环境适应性要求极高的真实世界场景。因此，Liquid AI从创立之初，就将内存占用、延迟、能耗、硬件适配以及可解释性置于了其技术路线的核心位置。

这种差异化的战略，让Liquid AI在“最大模型”的军备竞赛中独辟蹊径，占据了“最高效架构”的叙事高地。尽管初期面临着“实验室论文能否转化为工业级产品”的信任成本，但其清晰的差异化优势吸引了包括Shopify创始人Tobias Lutke和Notion联合创始人Chris Prucha在内的重量级投资人，预示着其将AI模型深度根植于真实商业系统和设备生态的野心。

从概念到产品：Liquid AI 的技术演进之路

Liquid AI 的技术演进并非一蹴而就，而是循序渐进，稳扎稳打：

#### 第一代 LFM：从学术前沿到可验证模型

2024年9月，Liquid AI发布了首代Liquid Foundation Models (LFMs)，包括1.3B Dense、3.1B Dense和40.3B MoE等模型。在云端API成本、延迟及安全顾虑日益凸显，AI PC、手机NPU、车载AI普及的背景下，LFMs凭借其更优的性能/尺寸权衡、更低的内存占用以及面向异构硬件（NVIDIA, AMD, 高通, 苹果等）的优化潜力，成功将Liquid AI从一个“新架构概念的贩卖者”转变为“交付可用模型”的企业。这一步，标志着端侧AI的话题开始从概念争论走向了实际能力和可行性验证。

#### LFM2, LEAP 与 Apollo：端侧AI工作流的构建

进入2025年，随着微软Phi、Google Gemini Nano等产品在端侧AI领域不断突破，Liquid AI也在2024年底获得了AMD领投的大额融资，进一步深化了其在芯片与推理栈生态的布局。此时，行业普遍认识到，模型只是起点，分发、运行权限与生态闭环才是端侧AI能否成功的关键。

LFM2系列：Liquid AI推出了主打混合架构和CPU上极速Decode/Prefill效率的模型，并发布了350M、700M、1.2B等极度端侧友好的权重，大幅提升了模型在手机、PC等设备上的运行体验。

LEAP (Liquid Edge AI Platform)：作为端侧中间件，LEAP串联起了模型的发现、测试、微调、量化打包与部署等一系列工作流，有效解决了开发者为特定设备挑选和优化模型的痛点。

Apollo：作为移动端原生入口，Apollo不仅让普通用户直观体验本地模型，也为Liquid AI提供了宝贵的真实设备第一手数据，用于优化模型的延迟、内存、发热等关键性能指标。

这两大基础设施的发布，标志着Liquid AI从单纯的模型提供商，成功转型为提供端侧部署解决方案的平台。

#### 扩张模型族：拒绝“万能模型”的迷思

从2025年下半年到2026年，Liquid AI展现了其爆发式的产品矩阵扩张能力。除了文本模型，他们迅速补齐了视觉语言（VL）、音频、MoE、Embedding、RAG、工具调用（Tool Use）等细分方向，推出了LFM2-VL、LFM2.5-1.2B-Thinking、LFM2-24B-A2B等一系列模型。

Liquid AI的商业逻辑清晰而直接：没有任何一个模型能够吞噬所有场景。手机的离线翻译、车机的语音助手、电商搜索的极速推荐，它们对参数大小、延迟限制和多模态能力的需求截然不同。这种铺设极长战线的策略，从底层架构、模型族群，到部署平台和垂直行业，与更聚焦于手机端极致多模态的面壁智能形成差异化竞争。

走向真实业务：从Benchmark到落地Showcase

Liquid AI 的价值最终体现在其对真实商业场景的赋能上。他们跳出了常规的Demo展示，直接切入了高价值的业务腹地：

LocalCowork (本地Agent)：直击企业数据资产（代码、合同、内部文档）无法上云的安全痛点，将Agent工作流拉回本地，由端侧模型可靠调度工具链，实现私密、高效的本地AI协作。

Mercedes-Benz (车载智能)：与奔驰达成多年合作，为第三/四代MBUX系统提供嵌入式车载智能。汽车作为端侧AI的终极试验田，对低延迟、断网鲁棒性和系统稳定性有着严苛要求，Liquid AI的技术在此得到了充分检验。

Shopify (商业系统)：在电商搜索与交易流等核心工作流中部署了低于20毫秒（sub-20ms）的文本模型，证明了高效模型即便在云端，也能极大削减成本并突破吞吐瓶颈，为电商平台带来实时智能体验。

这三个案例，精准地勾勒出Liquid AI的靶心：那些云端千亿大模型进不去、跑不快、不合规的广阔“缝隙”市场。

LFM2.5-8B-A1B：端侧潜力的阶段性样本

作为Liquid AI的最新力作，LFM2.5-8B-A1B将这一路线推向了新的高度。这款模型拥有8.3B总参数，但激活参数仅为1.5B，却在高达38T Tokens的训练数据上进行了优化，并支持128K超长上下文。它专为工具调用与Agent工作流优化，同时全面拥抱llama.cpp、vLLM等开源生态。

LFM2.5-8B-A1B的发布，将社区的关注点从空泛的“参数规模”转移到实际生产力工具的衡量标准上：消费级GPU能否流畅运行？量化后是否会破坏MoE路由稳定性？长上下文是否会出现注意力漂移？它证明了在消费级硬件的算力与延迟边界内，本地Agent、超长上下文与高难度工具调用已成为现实。

结论：一场部署范式的底层变革

Liquid AI是否是“美国版的面壁智能”？答案是既是，也不是。

“是”的一面在于，它们都站在了不可逆转的端侧AI浪潮之巅，共同宣告着模型的价值不只由参数量决定，在成本和算力约束下提供有效的智能同样具有巨大价值。

“不是”的一面在于，Liquid AI在构建一套硬件原生的基础模型技术栈。它始于MIT的学术研究，历经LFMs的技术自证与平台化阵痛，最终在汽车、电商等工业齿轮中咬合。它致力于证明，基础模型需要被具体的设备、隐私边界和产业场景重新重塑。

Liquid AI的探索远未结束，它仍需面对新架构护城河的深度、资源受限场景下Tool Calling的可靠性，以及在操作系统、芯片和分发入口巨头（如微软Phi、Google Gemini Nano、苹果Apple Intelligence）夹击下，如何凭借架构效率、部署工具链和行业场景持续占据一席之地。

但毋庸置疑的是，Liquid AI已经撕开了一个极具想象力的切口。当AI的聚光灯正从云端大模型的能力穹顶，逐渐转向智能如何挣脱数据中心的引力，下沉到手机、PC、汽车、机器人和每一个本地工作流时，Liquid AI的每一步探索，都将是这部宏大AI史诗中不可或缺的重要篇章。