液体ニューラルネットワーク・エッジモデル

📌 背景

Liquid AIはMITからスピンオフした企業で、Transformer以外の「液体ニューラルネットワーク」に特化し、低消費電力とエッジ展開を強みとしています。LFM2シリーズは、エッジデバイスでのマルチモーダルタスク実行が可能と報じられています。2023年末時点で累計調達額は約5000万ドルに達し、わずか12人のチームで独自のアーキテクチャ路線を確立しました（メディア報道による）。エッジ推論時のVRAM占有量は約3GB、スマートフォン上では約20 tokens/sの性能を誇り、2026年に向けてAIoTや産業用リアルタイムシナリオでの活用が注目されています。

👤 ターゲット顧客

低消費電力かつリアルタイム推論を必要とするエッジデバイスメーカー、産業オートメーション企業、およびクラウド推論コストの削減を目指すAIアプリケーション開発者。

💰 収益ポイント

1）企業への液体ニューラルネットワークモデルのライセンス供与、エッジ展開用SDKおよびプライベート環境向けトレーニング設計図「LFM2」の提供によるライセンス料と技術サービス料。2）一部の小型モデルをオープンソース化してエコシステムを拡大し、上位版や業界特化型ソリューションで収益化。3）超過利用および専用容量：プランの利用枠を超えた場合の段階的な超過料金、および専用容量の拡張費用。

🧮 コスト構造

モデルの研究開発およびトレーニングにかかる計算リソースコスト、MITとの技術提携および人材チームのコスト、企業向け導入の技術サポートおよびドキュメント保守コスト、オープンソースコミュニティの運営コスト。

🛡️ 参入障壁

液体ニューラルネットワークのアーキテクチャ技術における参入障壁と、MITの背景による研究開発の先行優位性。また、エッジの低消費電力シナリオにおいてTransformerと比較した際の圧倒的な効率性の違い。

🔑 成功のカギ

• 液体ニューラルネットワークのエッジデバイスにおける低消費電力の優位性を、検証可能な顧客事例へと転換する
• 3Bクラスのモデルをオープンソース化することで、開発者の試用ハードルを下げ、エコシステムを構築する
• 産業用リアルタイムおよびAIoTの垂直分野に注力し、汎用大規模モデルとの正面衝突を避ける

⚠️ リスク

• 非Transformerアーキテクチャが、汎用的な能力においてTransformerに継続的に圧倒されるリスク
• 企業向け販売サイクルが長く、中規模チームのキャッシュフローに負荷がかかるリスク

🏢 事例

• Liquid AIがエッジデバイスでの視覚処理展開に向け、マルチモーダルモデル「LFM2.5 VL 3B」をオープンソース化
• Liquid AIが8Bエッジモデルを発表。推論時に約1.5Bのパラメータのみをアクティブ化することで消費電力を低減

📊 SWOT分析