ロボット工学の第一人者ダニエラ・ラス氏が共同設立した MIT のスピンオフ企業は、液体ニューラル ネットワークと呼ばれる比較的新しいタイプの AI モデルを活用した汎用 AI システムの構築を目指しています。
適切に Liquid AI と名付けられたこのスピンオフは今朝ステルス状態から抜け出し、2段階のシードラウンドとしてはかなりの額となる3,750万ドルを OSS Capital、PagsGroup、WordPress の親会社 Automattic、Samsung Next、Bold Capital Partners、ISAI Cap Venture などの VC や組織、さらには GitHub の共同設立者である Tom Preston Werner 氏、Shopify の共同設立者である Tobias Lütke 氏、Red Hat の共同設立者である Bob Young 氏などのエンジェル投資家から調達したと発表した。
このトランシェにより、Liquid AI はポストマネーで 3 億 300 万ドルと評価されます。
Liquid AIの創設チームには、ラス氏に加え、ラミン・ハサニ氏（CEO）、マティアス・レヒナー氏（CTO）、アレクサンダー・アミニ氏（最高科学責任者）が参加しています。ハサニ氏は、MITにポスドク研究員および研究員として加わる前は、ヴァンガード社で主任AI科学者を務めていました。一方、レヒナー氏とアミニ氏は長年MITの研究員として活躍し、ハサニ氏とラス氏と共に、液体ニューラルネットワークの発明に貢献してきました。
液体ニューラルネットワークって何？と疑問に思われるかもしれません。同僚のブライアン・ヒーターがこれについて詳しく書いています。彼が最近ラス氏に行ったこのテーマに関するインタビューもぜひ読んでみてください。ここでは要点だけを押さえて解説したいと思います。
2020年末にハサニ、ラス、レヒナー、アミニらによって発表された「液体時定数ネットワーク」と題された研究論文により、数年間の試行錯誤を経て液体ニューラルネットワークが世に知られるようになりました。液体ニューラルネットワークという概念は2018年から存在していました。
「このアイデアはもともと、オーストリアのウィーン工科大学のRadu Grosu教授の研究室で生まれました。私はそこで博士号を、Mathias Lechner教授は修士号を取得しました」とHasani氏はTechCrunchのメールインタビューで語った。「その後、MIT CSAILのRus教授の研究室で研究は洗練され、規模も拡大されました。そこでAmini氏とRus氏がMathias氏と私に加わりました。」
テッククランチイベント
サンフランシスコ | 2025年10月27日～29日
液体ニューラルネットワークは、他の多くの現代的なモデルアーキテクチャと同様に、個々のニューロンの挙動を時間経過にわたって予測する方程式によって制御される「ニューロン」で構成されています。「液体ニューラルネットワーク」という用語の「液体」は、このアーキテクチャの柔軟性を表しています。線虫の「脳」に着想を得た液体ニューラルネットワークは、従来のAIモデルよりもはるかに小型であるだけでなく、実行に必要な計算能力もはるかに少なくて済みます。
液体ニューラル ネットワークを一般的な生成 AI モデルと比較すると役立つと思います。
OpenAIのテキスト生成・画像解析モデルGPT-4の前身であるGPT-3は、約1750億個のパラメータと約5万個のニューロンで構成されています。「パラメータ」とは、トレーニングデータから学習したモデルの各要素であり、本質的には問題（GPT-3の場合はテキスト生成）に対するモデルのスキルを定義します。対照的に、屋外環境でドローンを操縦するようなタスク向けにトレーニングされた液体ニューラルネットワークは、わずか2万個のパラメータと20個未満のニューロンしか含みません。
一般的に、パラメータとニューロンが少ないほど、モデルの学習と実行に必要な計算量が少なくなります。これは、AIの計算能力が不足している時代には魅力的な見通しです。具体的な例として、自動運転車を設計した液体ニューラルネットワークは、理論上はRaspberry Pi上で動作させることが可能です。
液体ニューラルネットワークの小型さとシンプルなアーキテクチャは、解釈可能性というさらなる利点をもたらします。これは直感的に理解できます。液体ニューラルネットワーク内のすべてのニューロンの機能を理解する方が、GPT-3の約5万個のニューロンの機能を理解するよりも扱いやすいからです（ただし、これを実現しようとする試みは、それなりに成功しています）。
現在、自動運転やテキスト生成などを可能にする少数パラメータモデルは既に存在しています。しかし、液体ニューラルネットワークのメリットは、オーバーヘッドの低さだけではありません。
液体ニューラルネットワークのもう一つの魅力、そしておそらくよりユニークな特徴は、時間の経過とともに「成功」のためのパラメータを適応させる能力です。このネットワークは、多くのモデルが処理する孤立したスライスやスナップショットではなく、データのシーケンスを考慮し、ニューロン間の信号交換を動的に調整します。これらの特性により、液体ニューラルネットワークは、自動運転における気象条件の変化など、環境や状況の変化を予測するように訓練されていなくても、変化に対応できます。
実験では、液体ニューラルネットワークは、大気化学から自動車交通まで幅広いデータセットにおける将来の値を予測する上で、他の最先端アルゴリズムを凌駕しました。しかし、少なくとも筆者にとっては、より印象的なのは、自律航行における成果です。
今年初め、ラス氏とLiquid AIのチームは、プロのドローンパイロットが収集したデータを用いて、液体ニューラルネットワークを学習させました。その後、このアルゴリズムをクアドローター群に導入し、森林や密集した市街地を含む様々な屋外環境で、長距離飛行、ターゲット追跡などのテストを実施しました。
研究チームによると、液体ニューラルネットワークは、ナビゲーション用に訓練された他のモデルを凌駕し、ノイズやその他の課題が存在する状況下でも、ドローンを未踏の空間にある目標へと導く判断を下すことができたという。さらに、液体ニューラルネットワークは、微調整なしに、これまで見たことのないシナリオにも確実に一般化できる唯一のモデルだった。
ドローンによる捜索救助、野生動物の監視と配送などは、液体ニューラルネットワークの代表的な応用例です。しかし、ラス氏をはじめとするLiquid AIチームのメンバーは、このアーキテクチャは電力網、医療情報、金融取引、悪天候パターンなど、時間とともに変動するあらゆる現象の分析に適していると主張しています。動画のような連続データを含むデータセットがあれば、液体ニューラルネットワークはそれを学習できます。
では、スタートアップ企業Liquid AIは、この強力な新しい（風変わりな）アーキテクチャで一体何を実現しようとしているのでしょうか？それは、単純明快、つまり商業化です。
「（我々は）GPTを構築する基礎モデル企業と競合しています」とハサニ氏は述べた。企業名は挙げなかったものの、OpenAIとその生成AI分野における多くのライバル企業（例えば、Anthropic、Stability AI、Cohere、AI21 Labsなど）をほのめかした。「（シード資金によって）GPTを超えるクラス最高の新しいLiquid基礎モデルを構築できるようになります。」
液体ニューラルネットワークのアーキテクチャに関する研究も継続されると推測されます。2022年には、ラス氏の研究室が液体ニューラルネットワークを、かつて計算的に実用的だった範囲をはるかに超えて拡張する方法を考案しました。運が良ければ、他にも画期的な進歩が待ち受けているかもしれません。
Liquid AI は、新しいモデルの設計とトレーニングに加えて、オンプレミスおよびプライベート AI インフラストラクチャを顧客に提供し、顧客が思い浮かべるあらゆるユースケースに合わせて独自のモデルを構築できるプラットフォームも提供する予定です (もちろん、Liquid AI の規約に従います)。
「大規模AIモデルの説明責任と安全性は極めて重要です」とハサニ氏は付け加えた。「Liquid AIは、ドメイン特化型AIアプリケーションと生成型AIアプリケーションの両方において、より資本効率が高く、信頼性が高く、説明可能で、優れた機械学習モデルを提供します。」
ボストンに加えパロアルトにも拠点を置くLiquid AIは、現在12名のチームを擁しています。ハサニ氏は、来年初めまでにその数が20名に増えると予想しています。
