AI/大模型全球
← 贴纸墙
MODEL · DETAIL
Liquid AI 边缘设备部署业务模型
收入来自三个层次：一是对年收入低于 1000 万美元的开发者免费提供模型与 LEAP SDK，用于扩大生态和验证场景
MODEL
关键字段
FIELD STAMPSINDUSTRY 行业AI/大模型
REGION 地区全球
SCALE 规模中型
CHANNEL 渠道混合
📌 背景
Liquid AI 是 MIT CSAIL 孵化的模型公司，由 Ramin Hasani 等创始人于 2023 年创立。公司基于受线虫大脑启发的液体神经网络架构，推出 Liquid Foundation Models 系列轻量级模型，通过 LEAP SDK 实现一行代码部署到手机、汽车、工业设备等边缘场景。2026 年公司估值约 23.5 亿美元，AMD 领投 2.5 亿美元 A 轮融资，凭借低能耗、低延迟和实时适应能力，在工业实时应用和车载 AI 领域快速崛起。
👤 目标客户
年收入超过 1000 万美元的规模化企业、汽车制造商、工业设备厂商、硬件集成伙伴，以及中小开发者和需要本地部署的隐私敏感型客户
💰 盈利点
收入来自三个层次：一是对年收入低于 1000 万美元的开发者免费提供模型与 LEAP SDK，用于扩大生态和验证场景；二是对年收入超过 1000 万美元的企业收取商用许可证费用，涵盖定制架构、OEM 本地部署支持和 SLA 服务；三是通过硬件集成伙伴如 AMD、Mercedes-Benz 的定制优化与维护合约获取收入，不依赖固定 API token 计费。
🧮 成本结构
成本集中在模型研发和软件优化，尤其是液体神经网络的压缩与边缘端推理适配。由于模型参数量小且支持 100% 本地运行，推理阶段的云端基础设施开支极低。客户支持和定制开发服务构成另一部分人力成本。
🛡️ 护城河
液体神经网络架构是核心护城河，相比传统 Transformer 模型参数量小至数百万到数十亿，内存占用低于 1GB，同时支持实时适应和连续学习，在低功耗设备上可做到约 1000 倍效率提升。MIT CSAIL 的学术背景和 Mercedes-Benz 等多行业头部合作案例进一步强化了技术壁垒与生态锁定。
🔑 成功关键
- 保持液体神经网络架构的持续迭代与压缩效率，确保在资源受限设备上始终领先于传统 Transformer 变体
- 通过 LEAP SDK 和免费商用许可扩大开发者生态，加速中小企业场景验证并形成自下而上的付费转化漏斗
- 深化与硬件厂商和车企的 OEM 集成，以奔驰级标杆案例切入更多工业实时应用供应链
- 将企业级收入重心从 token 计费转向许可证与定制优化合约，建立可预测的订阅式经常性收入
⚠️ 风险
- 企业付费转化率不及预期，大量免费用户难以升级为年收入超 1000 万美元的自付费客户
- 巨头开源小型模型持续挤压边缘 AI 市场份额，导致差异化议价空间缩小
- 依赖少数硬件与汽车合作伙伴，单一行业波动可能显著影响收入稳定性
🏢 案例
- Mercedes-Benz 与 Liquid AI 合作，将液体基础模型嵌入车载系统，用于实时环境感知和驾驶员辅助功能，验证了低延迟边缘部署在量产车上的可行性。
- AMD 作为投资方与硬件集成伙伴，与 Liquid AI 联合优化端侧 AI 加速器上的模型推理效率，推动液体神经网络在工业 PC 和嵌入式设备中的落地。
- Shopify 与 Liquid AI 签订多年期合同，利用轻量级模型能力优化电商平台的本地化推理任务，交易金额达数百万美元，展示企业级付费客户模式。
📊 SWOT 分析
优势 Strengths
- 液体神经网络架构在低内存与低功耗环境下具有显著性能优势，支持低于 20ms 的实时推理和 100% 本地运行，无需数据上传云端即可满足隐私合规要求。
- 开源社区生态活跃，Hugging Face 平台下载量超过 4500 万次，中小开发者可以免费下载、微调和商业部署，形成广泛的自下而上采用基础。
- 参数规模远小于传统大模型，部分模型低于 1GB，部署成本与推理能耗大幅降低，在工业 IoT 和车载等资源受限场景具备差异化竞争力。
劣势 Weaknesses
- 相比 OpenAI、Google 等巨头，Liquid AI 在全球开发者中的品牌知名度仍然较低，企业级销售渠道和客户成功团队规模有限，难以快速覆盖大型集团客户。
- 商业化初期高度依赖免费策略获客，企业付费转化率和客单价仍需验证，2026 年实际年经常性收入规模远低于早期市场预测。
- 液体神经网络工具链和生态成熟度不及 PyTorch、TensorFlow 等传统框架，开发者在适配现有工作流时可能面临额外学习成本。
机会 Opportunities
- 边缘计算、工业自动化和车联网市场在 2026 年持续高速增长，企业对低延迟、低功耗、数据不出本地的 AI 推理需求明显上升，为液体神经网络提供天然落地场景。
- 可持续 AI 和绿色计算成为监管与舆论焦点，轻量级模型在能耗和碳足迹方面的优势有助于争取政府与大型企业的节能采购项目。
- 与硬件厂商的深度集成机会扩大，AMD 等芯片企业在推动端侧 AI 加速器生态，Liquid AI 可借势进入更多 OEM 和嵌入式系统供应链。
威胁 Threats
- OpenAI、Google、Meta 等巨头正在密集发布小型高效模型，并利用强大的分发渠道和云生态抢占边缘 AI 市场，直接挤压 Liquid AI 的差异化空间。
- 硬件平台标准化和端侧推理框架的快速演进，可能削弱 Liquid AI 专用架构的不可替代性，使客户转向更通用的模型压缩方案。
- 开源竞争加剧，如 Mistral、Llama 等轻量级开源模型同样以低门槛吸引开发者，Liquid AI 免费层策略的获客效率可能被稀释。