“液体网络”（或“液体神经网络”）概念虽可追溯至2018年，但直到2020年底《液体时间常数网络》（Liquid Time-constant Networks）论文发表及作者拉明·哈萨尼（Ramin Hasani）通过TEDx等讲座推广后，才进入大众视野。哈萨尼作为Vanguard集团首席AI科学家及MIT CSAIL研究员指出：“这些神经网络即使在训练后也能保持适应性，仍能根据接收到的输入进行自我调整。”
“液体”一词核心指代灵活性与适应性。与传统追求扩大规模不同，哈萨尼强调“缩小规模，拥有更少但更丰富的节点”。例如，MIT团队仅用19个节点的感知模块配合液体神经网络即可驱动汽车，而传统高噪声网络可能需多达10万个节点。该校解释称，微分方程描述了系统中每个节点，闭式解能精确近似系统实际动力学，从而以更少神经元实现更快、更低成本的计算。
该技术在机器人领域潜力巨大。论文指出，在连续时间的观测和行动空间中对机器人进行控制时，LTCs的因果结构有助于提升推理能力。其低算力需求意味着可在树莓派等边缘设备执行复杂推理，无需依赖云端。此外，液体网络还有助于解决深度学习的“黑箱”问题，提高透明度以识别因果关系，避免“垃圾进，垃圾出”导致的偏见与安全隐患。
TechCrunch专访：液体神经网络如何重塑机器人安全与效率
TechCrunch：创建液体神经网络的动机是否源于移动机器人硬件限制，使其无法运行极其复杂的神经网络？
Daniela Rus（MIT CSAIL主任）：这是原因之一，但更重要的是当今AI系统的局限性阻碍了其在安全关键系统和机器人领域的有效应用。大多数机器人应用都是安全关键的。
从业者通常希望用更少资源做更多事，液体网络是否具备此优势？
是的，但这不仅是资源效率问题。液体网络紧凑且可在树莓派等边缘设备运行，无需依赖云端。更重要的是可解释性：对于庞大且不透明的深度学习模型，很难判断决策是否满足安全约束。特斯拉2016年致命事故即因感知系统将白色卡车误认为云朵所致，这类机器特有的错误在安全关键系统中不可容忍。液体网络体积小、更具可解释性，甚至可提取人类可理解的决策树。结合BarrierNet结构，还能融入控制屏障函数，保证系统稳定性并确保输出处于安全范围内。
这是否意味着有意增加更多约束？
是的，这属于机器人控制理论中的约束类型。通过BarrierNet过滤机器学习输出，可确保机器人不施加超出能力的力或扭矩，防止自损。相比其他方法，液体网络数据需求更少、训练更快、推理时间大幅减少，且在因果性上具有可证明性。其决策更专注于任务内在方面而非环境上下文。例如驾驶时，液体网络关注道路地平线和路边情况，而非像深度网络那样被灌木树木分散注意力，这种高专注度是显著优势。
这些系统是否需要不同类型或数量的训练数据？
实验中我们使用相同数据以公平比较性能。虽然存在减少数据量的方法，但其广泛适用性尚待验证。需注意，液体神经网络必须使用时间序列数据（如视频），不适用于ImageNet等静态数据集。此外，精心策划具备多样性、减少重复的数据集是正确的方向。
当神经元数量较少时，糟糕数据带来的风险是加剧还是减轻？
影响与其他模型无异。虽然参数更少，但计算能力更强，存在任务等效性。不过，网络更小、更透明确实更容易定位问题，也便于可视化性能及自动提取决策树来解释模型行为。
大规模神经网络常被批评随意关联事物而非确定因果关系，液体网络如何解决？
事实上，没人真正理解巨型模型如何做决策。我们希望深入研究，但目前大型模型如同封闭壁垒。液体网络通过动力系统建模框架，提供了理解因果性的新路径。
生成式AI在未来机器人技术中是否会发挥重要作用？
当然。生成式AI将AI带入大众视野，语言已成为一种操作系统和编程语言，“副驾驶”模式显著提升了编程效率。在机器人学中，它能解决现有方法难以处理的复杂问题，提供比模型预测控制更快、更流畅且具人类特征的运动方案。未来机器人动作将减少机械感，更加拟人化。同时，生成式AI也可用于设计，但机器必须在物理和现实世界背景下具有合理性，超越单纯的模式生成。