← 贴纸墙 MODEL · DETAIL

液体神经网络端侧模型

1）通过向企业授权液体神经网络模型、提供边缘部署SDK与私有化训练蓝图LFM2收取授权费与技术服务费

MODEL

关键字段

FIELD STAMPS

INDUSTRY 行业AI/大模型

REGION 地区美

SCALE 规模中型

CHANNEL 渠道混合

📌 背景

Liquid AI由MIT孵化，专注非Transformer的液体神经网络，主打低能耗与边缘部署，LFM2系列被报道可在端侧跑多模态任务。截至2023年底公司累计融资近5000万美元，团队仅12人却撑起一条独立架构路线（媒体报道口径）；其端侧推理显存占用约3GB、手机端约20 tokens/s，在2026年AIoT与工业实时场景升温时受到关注。

👤 目标客户

需要低功耗、实时推理的边缘设备厂商、工业自动化企业以及希望降低云端推理成本的AI应用开发者。

💰 盈利点

1）通过向企业授权液体神经网络模型、提供边缘部署SDK与私有化训练蓝图LFM2收取授权费与技术服务费；2）同时开源部分小模型以扩大生态，再对高级版本或行业定制方案收费；3）超量与专属容量：跑量超过套餐后按阶梯付超额费，包专属容量另计扩容费。

🧮 成本结构

模型研发与训练算力成本、MIT技术合作与人才团队成本、企业级部署技术支持与文档维护成本、开源社区运营成本。

🛡️ 护城河

液体神经网络架构技术壁垒与MIT背景带来的研发先发优势，以及在边缘低功耗场景下相较Transformer的显著效率差异。

🔑 成功关键

把液体神经网络在边缘设备上的低功耗优势转化为可验证的客户案例
通过开源3B级模型降低开发者试用门槛并建立生态
聚焦工业实时与AIoT垂直场景，避免与通用大模型正面竞争

⚠️ 风险

非Transformer架构在通用能力上可能被Transformer持续压制
企业级销售周期长，中型团队现金流承压

🏢 案例

Liquid AI开源LFM2.5 VL 3B端侧多模态模型，面向视觉边缘设备部署
Liquid AI发布8B边缘模型，推理时仅激活约1.5B参数以降低能耗

📊 SWOT 分析

优势 Strengths

非Transformer架构差异化明显，能吸引对推理效率敏感的企业客户
MIT孵化背景提供技术可信度与学术背书

劣势 Weaknesses

生态规模远小于主流Transformer模型，开发者工具链仍需补全
中型团队的资金与市场覆盖能力有限，难以快速铺开销售网络

机会 Opportunities

AIoT与工业实时场景对低功耗端侧模型需求上升
企业希望将推理从云端下沉到设备侧以降低成本与延迟

威胁 Threats

OpenAI、Google等巨头也可能推出端侧小模型形成挤压
Transformer生态成熟，客户迁移到非主流架构存在转换成本

来源