LFM2 混合エキスパート型リキッドモデルによる超高速CPU推論

📌 背景

Liquid AI はマサチューセッツ工科大学 CSAIL の研究者らによって2023年に設立され、従来の Transformer アーキテクチャをリキッド・ニューラルネットワーク（LNN）で置き換えることを目指している。2025年7月には LFM2 ハイブリッドアーキテクチャモデルを発表し、クラウドに依存しないエッジデバイスへの展開を主軸に据えた。2026年3月にリリースされた LFM2-24B-A2B は MoE アーキテクチャを採用し、32K のコンテキストウィンドウと CPU 上での超高速な Decode／Prefill 効率により、大規模モデルのコストパフォーマンスを再定義する。

👤 ターゲット顧客

ローカル環境での低遅延推論を必要とする企業顧客。産業用リアルタイム制御、エッジデバイスメーカー、プライバシーに敏感な業界（医療・金融）、さらにはクラウド依存を受け入れられない中小企業を含む。

💰 収益ポイント

1）API 呼び出し量に応じた課金、またはプライベートデプロイのライセンス費用、モデル微調整サービスの費用、およびエンタープライズ向け技術サポートの年間費用を徴収する。2）超過拡張：呼び出し量がプラン枠を超えた部分には段階的な超過料金を課し、専有キャパシティのニーズにはさらに拡張費用を加算する。3）専用導入：顧客のローカル環境へのデプロイと社内システムとの連携調整を請け負い、1件の導入プロジェクトごとに実施費と連携調整費を徴収する。

🧮 コスト構造

モデル研究開発および学習用計算リソースのコスト、中核技術チームの人件費、開発者エコシステムとオープンソースコミュニティの運営費、顧客導入および技術サポートの人件費。

🛡️ 参入障壁

MIT 由来のリキッド・ニューラルネットワーク技術の独自性、非 Transformer アーキテクチャによる動的重み更新という技術的障壁、MoE アーキテクチャによる CPU 上の超高速推論という差別化能力。

🔑 成功のカギ

• CPU 推論性能の障壁を継続的に強化し、従来アーキテクチャとの差を広げる
• 開発者向けツールチェーンとアプリケーションテンプレートを迅速に拡充し、導入ハードルを下げる
• チップメーカー（AMD など）と深く連携し、ハードウェア適合を一体化する

⚠️ リスク

• リキッド・ニューラルネットワークが複雑なタスクで発揮できる能力の上限は、まだ十分に検証されていない
• オープンソースコミュニティの代替ソリューションが、その技術的独自性を希薄化させる可能性がある

🏢 事例

• LFM2-24B-A2B は Hugging Face 上でダウンロードと商用利用が可能
• LFM2.5-2.6B はラズベリーパイやスマートフォン端末上で動作可能

📊 SWOT分析