- Liquid AI entwickelt aufsehenerregende neue KI-Modelle basierend auf “liquid” neuronalen Netzwerken, die effizienter und weniger energieintensiv als bestehende Modelle sind. Investoren wie Samsung und Shopify unterstützen das Unternehmen, das diese Modelle zur Betrugserkennung, Steuerung autonomer Fahrzeuge und genetischen Datenanalyse lizenziert. Liquid-Netzwerke unterscheiden sich von herkömmlichen Netzwerken durch die Nutzung von Gleichungen, die Verhalten über die Zeit vorhersagen, was ihre Effizienz und Flexibilität steigert. Ein selbstfahrendes Auto konnte bereits 2020 mit nur 19 Neuronen und 253 Synapsen kontrolliert werden. Liquid AI’s neue Modelle übertreffen bestehende Sprachmodelle und haben das Potenzial, sozio-technische Herausforderungen zu lindern, benötigen jedoch individuelle Programmierung für nicht-zeitliche Daten.
Beim Erwerb von Produkten über unsere Links unterstützen Sie unseren Journalismus durch eine kleine Provision. Die heutigen Algorithmen könnten von winzigen Würmern noch etwas lernen, allerdings stellt ein aus dem MIT hervorgegangenes Startup heute aufsehenerregende neue KI-Modelle vor. Diese basieren auf einer neuartigen “liquid” neuronalen Netzwerkstruktur, die effizienter, weniger energieintensiv und transparenter sein soll als die derzeit gängigen Modelle, die von Chatbots über Bildgeneratoren bis hin zu Gesichtserkennungssystemen alles antreiben. Liquid AI, wie das Unternehmen heißt, präsentiert neue Modelle zur Aufdeckung von Betrug bei Finanztransaktionen, zur Steuerung von selbstfahrenden Autos und zur Analyse genetischer Daten.
Innovationen und Anwendungen
Das Unternehmen, finanziert von Investoren wie Samsung und Shopify, die die Technologie testen, gab die Lizenzierung dieser Modelle an externe Firmen bekannt. „Wir sind im Wachstum“, äußert der Mitbegründer und CEO von Liquid AI, der als Doktorand am MIT die liquid-Netzwerke mitentwickelte. Inspiriert von einem millimeterlangen Wurm, dessen Nervensystem vollständig kartiert wurde, hebt Hasani die Fähigkeit dieser einfachen Organismen hervor, komplexes Verhalten mit nur wenigen Hundert Neuronen zu zeigen. Was einst als wissenschaftliches Projekt begann, ist nun stark kommerzialisiert und vollkommen bereit, wirtschaftlichen Wert zu generieren.
In einem konventionellen neuronalen Netzwerk wird das Verhalten jedes simulierten Neurons durch einen statischen Wert, das sogenannte Gewicht, beeinflusst, während bei liquid-Netzwerken eine Gleichung das Verhalten über die Zeit vorhersagt und das Netzwerk eine Kaskade verbundener Gleichungen löst, während es funktioniert. Diese Architektur steigert die Effizienz und Flexibilität des Netzwerks, sodass es selbst nach dem Training lernen kann, anders als bei konventionellen Netzwerken.
Blick in die Zukunft
Im Jahr 2020 demonstrierten Forscher, dass ein solches Netzwerk mit lediglich 19 Neuronen und 253 Synapsen, was nach modernen Maßstäben sehr klein ist, ein simuliertes selbstfahrendes Auto kontrollieren kann. Während ein reguläres neuronales Netzwerk visuelle Daten nur in statischen Intervallen analysieren kann, erfasst das liquid-Netzwerk, wie sich visuelle Informationen über die Zeit verändern, sehr effizient. Im Jahr 2022 entwickelten die Gründer von Liquid AI dann mathematische Verfahren, die den praktischen Einsatz von liquid-Netzwerken ermöglichen.
Liquid AI erklärt, auf dieser Arbeit aufbauend, neue Modelle erfunden zu haben, die momentan noch geheimgehalten werden. Im September präsentierten sie ein Modell mit ihrem Netzwerkdesign, dessen Sprachmodell mit 40 Milliarden Parametern die 70-Milliarden-Parameter-Version von Metas Llama 3.1 bei einem bekannten Problemsatz übertraf. Ein Forscher von OpenAI kommentiert: „Die Benchmark-Ergebnisse ihrer SLMs sehen vielversprechend aus. Das Finden eines neuen grundlegenden Modells ist nichts Alltägliches.“
Eine Schwäche des Ansatzes von Liquid AI besteht darin, dass deren Netzwerke besonders für Aufgaben geeignet sind, die zeitliche Daten beinhalten; um die Technologie für andere Arten von Daten einzusetzen, ist individuelle Programmierung nötig. Eine weitere Herausforderung wird sein, große Unternehmen davon zu überzeugen, wesentliche Projekte auf ein völlig neues KI-Design aufzubauen. Hasani fügt hinzu, dass das Ziel nun sei, die Vorteile, wie Effizienz, Transparenz und Energiekosten, gegenüber den Herausforderungen zu demonstrieren. „Wir bewegen uns in Phasen, in denen diese Modelle viele der sozio-technischen Herausforderungen von KI-Systemen lindern können“, so Hasani.
