关键观点
液态网络源于连续时间神经动力学
团队最初试图把大脑中的连续时间数学引入机器学习，但人类脉冲神经元过于复杂，因此转向只有 302 个神经元的秀丽隐杆线虫。其神经元呈渐变式而非脉冲式活动，更接近人工神经元，也更容易构造可微系统。…展开观点收起观点
团队最初试图把大脑中的连续时间数学引入机器学习，但人类脉冲神经元过于复杂，因此转向只有 302 个神经元的秀丽隐杆线虫。其神经元呈渐变式而非脉冲式活动，更接近人工神经元，也更容易构造可微系统。团队据此用一阶微分方程建模神经元交互，并发展出液态时间常数神经网络。早期实验表明，几十到几百个神经元规模的网络即可承担机器人控制任务。
为什么重要: 这解释了 Liquid 技术中连续时间、反馈结构和小模型效率的来源，也说明“虫脑启发”并非纯营销比喻。
支撑证据
we mathematically modeled how two neurons exchange information based on the inspirations that we know and the things that we know about the brain of the worm. And then we got those mathematics and we built something called liquid neural networks. liquid time constant neural networks.
递归结构高效，但并行扩展困难
递归网络在处理更长序列时，理论计算成本可接近线性，优于标准注意力的二次成本。问题在于非线性递归算子必须顺序执行，很难充分利用当前 GPU 擅长的大规模并行矩阵乘法。Transformer 的优…展开观点收起观点
递归网络在处理更长序列时，理论计算成本可接近线性，优于标准注意力的二次成本。问题在于非线性递归算子必须顺序执行，很难充分利用当前 GPU 擅长的大规模并行矩阵乘法。Transformer 的优势并不只是表达能力，还来自对现有硬件形态的高度适配。Liquid 将这一矛盾视为架构设计的主要约束。
为什么重要: 模型效率不能只看理论复杂度；如果算子无法映射到现实硬件，较低的渐近成本也未必能转化为实际速度。
支撑证据