Liquid AI 押注边缘模型与客户可控推理

Liquid AI 融资 2.5 亿美元、跻身独角兽，并选择了一条挑战 OpenAI 所代表云端中心化模式的路线。Google News 的标题点出了商业模式上的冲突，但更深层的差异在于：人工智能在哪里运行、由谁控制，以及供应商如何获得收入。

这家总部位于马萨诸塞州剑桥的创业公司，希望企业能在手机、计算机、车辆、工业系统和私有基础设施上运行专用模型。这种方式将计算支出和运营控制权转移到客户的硬件上。它也让 Liquid AI 无需在自有云端处理每一次请求，便可销售模型访问权限、定制服务、部署软件和商业许可证。

OpenAI 通过 ChatGPT 订阅、企业产品以及对托管模型按使用量计费的访问方式建立了市场地位。Liquid AI 正在验证另一种主张：当更小的模型能贴近用户运行、在离线时保持可用，并避免持续的云端推理时，也能创造价值。

这一战略并不意味着两家公司会在所有工作负载上成为直接替代品。OpenAI 销售的是广泛能力和一款拥有高度知名度的消费级产品。Liquid AI 则瞄准那些更看重延迟、隐私、硬件限制和可预测运营成本，而非使用最大通用模型的应用场景。

Google News 标题未提及的内容

Liquid AI 并不只是打造一个更小的聊天机器人。它围绕本地计算的经济性设计模型与部署工具。

《波士顿商业期刊》于 2026 年 8 月 3 日发表了对该公司的报道。报道指出，Liquid AI 是一家从 MIT 分拆出来的公司，其模型可在设备上运行，而不完全依赖远程数据中心。这一区别构成了 Google News 条目背后的核心商业问题。

Liquid AI 于 2023 年 12 月结束隐身状态，正式亮相。其创始人为 Ramin Hasani、Mathias Lechner、Alexander Amini，以及 MIT 计算机科学与人工智能实验室主任 Daniela Rus。该公司在其公司概览中将自己定义为一家“效率优先的基础模型公司”。

其首次披露的种子轮融资总额为 4,660 万美元。一年后，Liquid AI 宣布完成由 AMD Ventures 领投的 2.5 亿美元 A 轮融资。这轮融资使公司进入独角兽行列，并为其扩展计算基础设施、产品研发和企业部署提供了资金。

这笔投资也将 Liquid AI 与一家能从模型在多样化硬件上高效运行中受益的芯片制造商联系起来。AMD 高管 Mathew Hein 表示，这家创业公司的方法可能让 AI 更易于使用。这一背书体现了战略协同，但并不能独立验证 Liquid AI 的性能主张。

Liquid AI 将其系统称为 Liquid Foundation Models，即 LFM。基础模型经过广泛训练，能够在进一步提示或定制后支持多种下游任务。Liquid 的版本通过一种混合架构组合模型组件，旨在降低内存需求并加快推理速度。

推理是指使用训练完成的模型生成答案、分类结果、图像解读或行动的过程。在托管服务中，推理发生在提供商的基础设施上。对于设备端模型，部分或全部工作则在用户或客户控制的硬件上完成。

这一差异的影响远不止响应速度。它改变了由哪家公司提供计算能力、敏感信息在何处流转、应用在失去连接时如何运行，以及成本会如何随着使用量增长而累积。

Liquid AI 当前的模型库涵盖文本、音频和视觉语言系统。它为 CPU、GPU 和神经处理单元提供部署套件；神经处理单元是专为 AI 计算优化的芯片。其支持的目标平台包括手机、笔记本电脑、嵌入式计算机和私有管理服务器。

这家创业公司还提供 LEAP——一个边缘部署平台，旨在让本地安装的体验接近调用云端 API。这一软件层很重要，因为模型效率本身并不能造就可用产品。开发者仍需要封装、硬件优化、监控、定制和更新机制。

因此，Liquid AI 介于研究实验室与企业软件供应商之间。它押注的不只是紧凑型模型会变得更好，而是企业会为在自己控制的产品中运行这些模型所需的工具和权利付费。

这才是值得记住的变化：一家基础模型创业公司在没有围绕大众市场聊天机器人或单一集中式推理服务塑造自身定位的情况下，获得了数十亿美元估值。

为什么边缘 AI 改变了收入模式

将推理移至客户硬件，会把持续性的云端交易转变为许可和部署关系。

云端 AI 提供商通常会随着客户向托管模型发送更多请求而获得更多收入。每条提示都会消耗计算资源，而提供商负责服务器、模型更新、扩展能力和可用性。客户获得便利，同时接受持续依赖。

Liquid AI 的边缘模式改变了这种安排。当企业将 LFM 部署到设备或私有环境后，许多请求不再需要抵达 Liquid 的服务器。客户通过其已拥有、销售或管理的硬件，提供了大部分计算能力。

这可能削弱使用量与供应商收入之间熟悉的关系。在汽车、工厂摄像头或笔记本电脑中运行数千次的模型，并不会自动产生数千笔远程 API 交易。Liquid AI 必须通过商业许可、模型定制、部署工具、支持服务或更广泛的企业协议来获取价值。

该公司目前根据已发布的许可条款，提供模型权重下载、运行和微调。模型权重是决定模型如何响应的、经学习得到的数值参数。规模更大的商业部署则需要与 Liquid AI 建立不同的合作关系。

这更接近成熟的企业软件模式，而非面向消费者的订阅经济。客户可以在协商商业条款前评估这项技术。随后，Liquid 通过需要更广泛部署权利、专用性能、集成协助或长期运营支持的组织实现变现。

OpenAI 的收入结构更为广泛。它提供消费者和企业订阅、企业合同、开发者服务，以及对托管模型按使用量计费的访问方式。其商业产品强调托管访问、管理控制、工作场景应用和开发者基础设施。

这种区别并非绝对。OpenAI 也支持私有企业合作安排，并发布过开放权重模型。Liquid AI 同样可以从云端环境提供模型服务。两家公司都覆盖不止一种交付方式。

但它们的出发点仍然不同。OpenAI 最知名的产品在模型与用户之间设置了集中管理的服务。Liquid AI 则从一个假设出发：智能应当在应用所需的任何地方运行，包括其无法直接控制的硬件。

这种选择带来了若干潜在的客户收益。

本地处理可减少网络延迟，因为数据无需往返于遥远服务器。它能让应用在失去连接时继续运行，也能减少传输给外部提供商的敏感信息量。

一家工厂可以利用本地视觉模型检查设备，而无需持续上传视频。一辆汽车可以在网络覆盖不稳定的地方理解语音指令。一款移动应用可以在底层内容留在设备上的同时，总结个人资料。

这些场景也给客户带来了更复杂的责任。本地模型必须适应碎片化硬件、内存限制、电池约束和操作系统更新。企业可能需要监控大量已部署的副本，而不是依赖一个托管端点。

模型更新又带来另一项复杂性。云端提供商可以集中替换或改进托管模型。边缘供应商则必须将更新分发至各类设备、保持兼容性，并考虑那些长期离线的安装实例。

Liquid AI 实际上是在押注：当控制权提供足够的运营价值时，客户会接受这些复杂性。这使边缘 AI 成为一种商业模式上的权衡，而非云端 AI 的普遍低成本版本。

这种安排也可能让 Liquid 与设备制造商的利益保持一致。硬件公司获得一项可在本地运行的功能，Liquid 则通过他人销售的产品获得分发渠道。AMD 作为投资者和技术合作伙伴的角色，说明模型开发者与芯片制造商如何相互强化。

不过，投资关系并不能证明客户需求。真正重要的证据将来自生产部署、许可收入、续约情况，以及初步测试后仍保持活跃的应用数量。

Liquid AI 与 OpenAI 的真正对比：边缘智能与托管智能

核心竞争并非创业公司对垒既有巨头，而是客户可控推理与提供商可控推理之间的较量。

如果只关注基准测试分数，直接比较 Liquid AI 与 OpenAI 容易产生误导。两家公司满足的需求存在重叠，但它们打包能力的方式不同，并针对不同的运行环境进行优化。

OpenAI 通过能够集中更新的产品提供广泛模型。客户无需管理模型文件，也无需为每种设备优化模型。他们可以通过同一服务层获取新能力，通常不必大幅调整底层应用。

这一模式有利于快速采用。开发者无需选择芯片、管理本地内存或分发模型更新，便可测试托管系统。企业可以围绕集中管理的产品设置管理和安全控制。

代价是对外部平台的持续依赖。可用性、模型行为、使用政策和服务经济性，仍与提供商绑定。即使适用企业级保障措施，提示内容仍会经过客户设备之外由提供商管理的基础设施。

Liquid AI 的主张则反转了控制点。客户可将模型部署在靠近其数据和应用的位置，为更窄的任务定制这些系统，在无需永久联网的情况下运行，并避免将每次交互都发送至外部端点。

2025 年 7 月发布的 LFM2，专为快速设备端推理而设计。Liquid 表示，该架构结合了卷积和基于注意力的组件。注意力是一种帮助模型判断输入中哪些部分应获得最高权重的机制。

该公司声称，在其内部测试中，LFM2 的 CPU 处理速度快于可比的 Qwen 模型。这些主张见于 Liquid AI 的 LFM2 公告，因此买家应将其视为供应商自行报告的结果。

后来的技术论文介绍了多个常见推理框架的开放模型权重和部署包。LFM2 research 支持这一架构描述，并为开发者提供了更多独立评估所需的信息。

不过，基准测试的领先地位可能迅速变化。测试结果也取决于硬件、量化、提示词长度、批量大小以及所衡量的任务。量化通过降低模型权重的数值精度来节省内存并提升速度。

这一过程可以帮助模型适配更小的设备，但也可能改变输出质量。一款快速却无法完成客户实际任务的模型，几乎没有运营价值。买家需要基于自身数据、硬件、延迟目标和错误成本进行测试。

因此，Liquid AI 最有说服力的应用场景是专业化工作负载。如果一个小型模型能够可靠地提取发票字段、理解有限的命令集、监控设备或分类文档，它就不必回答所有可能的问题。

Liquid 曾重点介绍其在金融服务、生物技术、消费电子、制造业和机器人领域的应用。其模型库既包含适用于受限硬件的小型系统，也提供面向更高要求任务的较大版本。

当用户需要广泛的推理、编程、研究、多模态交互，或成熟的通用界面时，OpenAI 的优势会更加明显。集中运营的平台可以为每次请求集中更多计算资源，并且无需协调设备端安装即可改进模型。

当应用具有固定目标和严格的运营限制时，Liquid AI 的优势则更具可信度。产品团队可能愿意以更窄的能力范围，换取离线运行、更低延迟、私有处理或可预测的推理容量。

这意味着，两种路线可以在同一家组织内共存。一家公司可能使用托管的前沿模型处理复杂规划，同时将重复性的提取或分类任务交给本地模型。请求可以按敏感性、难度和成本进行路由。

混合部署降低了“赢家通吃”叙事的戏剧性，也为 Liquid AI 创造了机会。这家初创公司无需替代所有 OpenAI 工作负载，就能建立起规模可观的业务。它只需在足够多的高价值任务上占据优势——在这些任务中，集中式推理无法很好地满足客户需求。

Google News 的表述强调了不同的商业模式，这一描述是准确的。不过，真正的竞争关乎基础设施的所有权。收入最终将流向控制模型在哪运行、应用如何连接到模型的一方。

效率主张仍需经受商业检验

Liquid AI 已证明紧凑型模型可在受限硬件上运行，但尚未公开证明，对其进行授权许可能够带来持久收入。

公司的融资为其建设发展争取了时间，但并未消除每一家基础模型开发商都要面对的艰难经济现实。训练、评估、招聘、硬件优化和客户支持仍需大量资本。

Liquid AI 还面临开放权重模型的竞争，开发者可以自行部署这些模型。Meta 的 Llama 系列、阿里巴巴的 Qwen 模型、Google 的 Gemma 系列、Microsoft 的 Phi 系统，以及其他紧凑型架构，都在争夺许多边缘工作负载。

一些替代方案受益于庞大的开发者社区和现有部署工具。即便效率略逊，客户也可能偏好文档更完善、更容易招聘相关人才，或与其软件栈兼容性更强的模型。

硬件供应商带来了另一重压力。Apple、Google、Qualcomm、AMD、Nvidia 以及设备制造商，都有动力将模型与自身平台打包。Liquid AI 必须证明自身价值足够高，才能让合作伙伴选择其技术，而非内部模型或其他开放方案。

公司的 MIT 渊源和技术工作建立了可信度，但客户购买的是运营成果。他们需要可靠的更新、安全流程、支持承诺、稳定的许可条款，以及模型部署后仍能稳定表现的证据。

边缘系统同样带来治理挑战。集中托管的模型可以迅速接收安全更新；而本地安装的版本可能数月不变，尤其是在工业或消费级硬件中运行时。

公司必须决定谁可以修改模型、如何记录活动，以及过时版本产生有害输出时应如何处理。本地隐私并不自动意味着本地问责。

模型专业化增加了另一项风险。微调可以改善狭窄任务的表现，但也可能引入意外错误。客户必须维护反映真实运行条件的评估集，而不能完全依赖通用基准测试。

Liquid 关于小型模型在专业任务上可媲美更大系统的主张，需要谨慎解读。紧凑型模型可以在选定评估中与前沿模型持平，却未必具备同等广泛的推理能力、事实覆盖范围或应对异常输入的韧性。

公司自身的产品策略提供了一个有用线索。它强调专业化、硬件优化和部署，而非宣称单个小型模型应处理每一种请求。这比将参数数量视为衡量智能的完整指标，更具商业可信度。

参数是模型内部的一个学习值。更多参数可以提升容量，但架构、训练数据、优化方式和任务设计同样影响性能。仅凭参数数量无法判断哪个系统最适合生产环境。

模型权重的开放可用性同时造成了采用与变现之间的张力。开发者无需先签订大型企业合同，就可以测试并集成 Liquid 模型。这降低了门槛，也鼓励了实验。

然而，广泛的免费访问可能使转化更困难。Liquid AI 必须证明，其付费合作关系提供了超越可下载模型本身的价值。部署管理、定制化、硬件集成、安全保障和支持服务都必须成为具有商业意义的产品。

这正是 LEAP 的重要性可能与模型架构不相上下的地方。即使推理发生在客户硬件上，一个可靠的部署平台也能形成转换成本和持续合作关系。它可以跨不同设备管理模型选择、打包、优化和更新。

公司的公开演示包括在无网络连接的手机、私有云环境和边缘 GPU 上运行的模型。这些示例证明了技术可行性，但并未揭示生产可靠性、客户集中度、支持费用或利润率。

独立采用数据仍然有限。Liquid 曾谈及模型下载量和合作伙伴关系，但下载量并不等于活跃部署。开发者可能下载多个版本进行测试，却不会将任何一个版本交付给用户。

持怀疑态度的解读很直接：Liquid AI 找到了一个真实的基础设施问题，但真实的问题并不保证能形成可防御的业务。开放模型、硬件平台和更大的 AI 供应商都可以推进本地推理。

乐观的解读同样有依据。边缘部署需要专业工程能力，而通用模型提供商未必会优先投入。Liquid 可以在这一品类拥挤之前，围绕模型、运行时和商业集成建立专业能力。

两种解读都尚未得到定论。投资者验证了这一机会，而客户仍需验证其收入模式。

Google News 时刻之后应关注什么

三个信号将表明 Liquid AI 的边缘优先战略能否成为不仅仅是一个有吸引力的技术替代方案。

第一个信号是生产部署。Liquid AI 需要有具名客户，在产品、私有系统或工业工作流中以有意义的规模使用其模型。试点项目和演示有助于开发者理解技术，但持续的生产使用才能检验可靠性。

细节至关重要。一项有说服力的部署应明确任务、支持的硬件、延迟目标、更新流程，以及为何本地推理优于托管替代方案。它还应表明，客户在评估结束后仍继续使用该系统。

如果 Liquid 宣布多项此类部署，其核心论点将更有说服力。这将表明客户重视模型位置和运营控制，足以因此改变其基础设施。如果公告仍仅限于合作关系和演示，商业需求依然存在不确定性。

第二个信号是在独立测试下可衡量的性能。Liquid 发布了技术材料和可下载权重，让外部开发者有机会复现结果。这种开放性应推动在手机、笔记本电脑、边缘加速器和私有服务器上的比较。

有价值的测试不应只衡量每秒 token 数。还应包括内存使用、能耗、首次响应时间、任务准确率、失败率以及量化后的性能，并应在相同硬件上比较各系统。

独立验证将增强 Liquid 关于其架构形成优势、而非暂时领先基准的主张。结果参差不齐不会否定该公司，但会缩小其商业价值适用的工作负载范围。

第三个信号是更大的 AI 和硬件公司如何回应。OpenAI 已通过企业基础设施和开放权重发布，超越了单一纯云端模式。其他模型开发商也在持续推出面向本地执行的更小型系统。

设备制造商同样可以捆绑其偏好的模型和运行时。如果操作系统供应商让本地 AI 部署变得更容易，边缘市场可能扩大，同时降低 Liquid 部署层的价值。品类增长并不保证某一家独立供应商能够获得其中的收益。

相反的结果也可能出现。硬件碎片化可能变得如此复杂，以至于客户需要一家中立的模型与部署公司。届时，Liquid AI 可以将应用连接到多家供应商的 CPU、GPU 和神经处理器。

AMD 的参与为 Liquid 带来了重要的分销和优化关系。不过，这家初创公司必须避免依赖单一硬件生态。其公开材料目前强调支持 AMD、Apple、Qualcomm 和 Nvidia 的硬件。

应关注这一跨平台承诺是否能经受生产环境考验。在一台参考设备上表现良好的模型，可能会因内存配置、散热限制、驱动程序和操作系统不同而呈现不同表现。

还应关注 Liquid 的许可策略。其可下载模型鼓励实验，但企业条款必须足够可预测，才能满足计划开发长生命周期产品的设备制造商需求。一辆汽车、医疗设备或工业控制器的部署周期，可能远长于典型云应用。

客户会希望明确更新权利、再分发、支持、安全修复，以及定制后模型的所有权。这些合同细节可能决定边缘模型能否进入生产环境，即使技术本身可行。

更广泛的市场信号关乎工作负载路由。许多企业不会只在 Liquid AI 与 OpenAI 之间二选一，而是会根据任务组合使用本地、私有云和托管系统。

管理个人或组织知识的工具，也反映出人们对掌控权的偏好。当敏感资料保留在所有者身边、同时让部分任务仍可调用更大型的托管模型时，个人知识库便能从中受益。

这种混合模式为 Liquid AI 提供了成长空间，无需在通用模型竞赛中正面击败 OpenAI。该公司可以提供本地层，而前沿模型提供商则处理那些需要更广泛能力的请求。

对开发者和企业采购方而言，眼下的问题很实际：当智能能力迁移到你可掌控的硬件上时，哪些工作负载会变得更有价值？应使用真实数据测试这些任务，记录运营层面的取舍，并观察 Liquid AI 是否能将技术效率转化为可重复的客户部署。决定其不同商业模式能否持续的，将是这些证据，而不是又一条 Google News 标题或供应商基准测试。