Liquid AI revela redes neurais líquidas ultraeficientes

A A Liquid AI revelou novos modelos AI baseados em redes neurais "líquidas" que vão buscar inspiração à natureza para obterem nívels de eficiência muito superiores aos dos modelos tradicionais.

A Liquid AI, uma startup derivada do MIT, foi buscar inspirada às funções neurais de vermes microscópicos, dando origem a estas "redes neurais líquidas" que dizem representar avanços revolucionários. Os modelos — destinados a aplicações como detecção de fraudes, condução autónoma e análise genética — foram apresentados num evento recente no MIT, e atraíram as atenções de empresas como a Samsung e a Shopify, que estão a testar a tecnologia.

Estas redes são inspiradas na actividade neural do verme C. elegans. Apesar da ter apenas algumas centenas de neurónios, o verme realiza comportamentos complexos, o que levou a equipa a explorar o seu funcionamento com o objectivo de obter uma eficiência semelhante nos modelos AI. Em 2020, os investigadores já tinham demonstrado que uma rede com apenas 19 neurónios e 253 sinapes tinha capacidade para controlar um carro autónomo em cenários simulados.

Ao contrário das redes neurais tradicionais, onde as propriedades dos neurónios são estáticas, as redes líquidas permitem que os neurónios se ajustem dinamicamente, aprendendo mesmo após o treino inicial, o que as torna ideais para tarefas adaptativas. Recentemente, a Liquid AI apresentou um modelo de linguagem (LLM) que supera concorrentes como o Llama 3.1 da Meta em testes específicos, alcançando este resultado com um modelo mais pequeno (40B vs 70B). A característica "rebobinável" das redes líquidas também oferece maior transparência, permitindo aos investigadores seguir os passos tomados pela AI para chegar a uma decisão.

Embora a tecnologia apresente resultados impressionantes não é ainda um substituto para os demais modelos AI, já que é mais adequada para algumas aplicações específicas. Mas, poderá ajudar a aplicar modelos AI em cenários em que os modelos mais complexos não seriam uma opção, por limitações de hardware ou custo.