导读：与线性神经网络相比，液态神经网络具有类似人脑的非线性和创造性，是人工智能领域的一个重要而独特的元素。它们在应对天气预测、股市分析和语音识别等复杂挑战方面表现出色，而这些领域以前一直由人类主导的。

液态神经网络是人工智能（AI）领域中最重要且独特的新兴组件之一。

当机器或机器人需要对外部刺激或数据做出反应时，可能会耗费大量资源，如果要在极小的空间内实现智能化，就会出现瓶颈。

VentureBeat 介绍说，一个经典的神经网络可能需要 10 万个人工神经元才能使汽车在执行任务（如在道路上行驶）时保持稳定。

然而，令人难以置信的是，麻省理工学院 CSAIL 开发液体神经网络的团队仅用 19 个神经元就能完成同样的任务。

液体神经网络的灵感来源

液体神经网络是一种深度学习架构，旨在解决执行复杂学习和任务的机器人所面临的挑战，从而解决依赖云或内部存储有限的问题。

麻省理工学院 CSAIL 主任 Daniela Rus 告诉 VentureBeat： "液态神经网络的灵感来源于对现有机器学习方法的思考，并考虑它们如何与机器人和边缘设备提供的安全关键型系统相匹配。

“实际上，在机器人上，你无法运行真正的大型语言模型，因为机器人提供不了足够的计算能力和必要的存储空间。”

研究小组则通过对微小生物体中发现的生物神经元的研究，找到了解决他们问题的线索。

什么是液体神经网络？

把液态神经网络想象成人脑中相互连接的细胞，它们共同处理信息并提供输出。

人脑是一种高度复杂的细胞排列，可以执行极其复杂的计算。

液态神经网络一直专注于跟安全有关的应用，如自动驾驶汽车和机器人，这些应用需要源源不断地向其输入数据。

Daniela Rus说："一般来说，当我们有时间序列数据时，液态网络就能很好地工作......你需要一个序列，液态网络才能很好地工作。

"然而，如果你试图将液体网络解决方案应用于 ImageNet 这样的静态数据库，效果就不会太好。

优势与局限

麻省理工学院计算机科学与人工智能实验室（CSAIL）的研究团队根据他们的经验发现了以下优势。

结构紧凑

与传统神经网络相比，液体神经网络的神经元数量要少得多。

如上所述，经典的深度学习神经网络需要 10 万个神经元才能让一辆自动驾驶汽车保持在车道上，而液体神经网络只需要 19 个神经元。

因果关系

与传统深度学习神经网络相比，液体神经网络能更好地处理因果关系。它们能发现因果之间的明确关系，而传统深度学习神经网络却很难做到这一点。

例如，经典深度学习神经网络能比传统神经网络更有效地持续识别不同环境中事件之间的因果关系。

可解释性

理解人工智能系统对数据的解释是人工智能领域最大的挑战之一。

经典的深度学习模型在解释数据时往往表现出肤浅、不清晰或错误的依据，但液态神经网络可以解释其解释数据的依据。

然而

液体神经网络并非万能。

虽然它们能很好地处理连续数据流，如音频流、温度数据或视频流，但它们在处理静态或固定数据时却很吃力，而这些数据更适合其他人工智能模型。

总结

在人工智能领域，液体神经网络是最重要的新兴模型之一。

它与经典的深度学习神经网络共存，但似乎更适合自动驾驶汽车、温度或气候读取或股票市场评估等极其复杂的任务，而经典的深度学习神经网络在处理静态或一次性数据方面做得更好。

麻省理工学院计算机科学与人工智能实验室（CSAIL）的研究人员一直在努力将液态神经网络的功能扩展到更多的应用案例中，但这需要时间。

液体神经网络和经典的深度学习神经网络在更广泛的人工智能领域中都有各自明确的作用，这无疑是两个模型优于一个模型的情况。

文章转载自techopedia，作者Kaushik Pal