在人工智能领域，Hasani及其团队所取得的突破性进展令人瞩目。本文将探讨液态神经网络这一新兴概念，以及它对视觉领域可能带来的影响。首先，通过一段视频来解释什么是液态神经网络，以及它们为何如此重要。视频结束后，将以文字形式讨论液态神经网络的概念，以帮助更好地理解这一概念。
在液态神经网络出现之前，人工智能研究和应用主要涉及构建和训练深度神经网络。这些深度学习系统都有一个共同的弱点，即它们学习的是输入数据到输出预测的固定映射，这种映射是基于它们所展示的训练数据，使它们对周围环境的变化非常脆弱。此外，大多数深度学习模型都是上下文独立的。例如，当将目标检测模型或分类模型应用于视频时，视频会被逐帧处理，而不会依赖于周围的上下文。
为了解决这个问题，使用人工智能的开发人员和工程师通常会收集非常大的、有代表性的数据集，并进行主动学习，通过重新训练周期不断改进他们的系统，以发现新的边缘情况。然而，所有这些重新标记、重新训练和重新部署的工作可能非常繁琐——如果有一个网络能够在线学习适应新场景，那不是很好吗？这就是液态神经网络的用武之地。
液态神经网络是一种递归神经网络，它在新的数据输入时持续学习。这种类型的神经网络在基于序列的预测方面表现出色，例如文本流或科学测量的时间序列数据。液态神经网络最初由麻省理工学院的一组研究人员定义。液态方法与传统神经网络形成对比，后者如果需要学习新场景，则需要重新训练和重新部署。
递归神经网络在处理序列输入数据时，其性能超过了普通的前馈神经网络，因为它们可以更有效地跟踪序列不同部分的相关信息。液态神经网络在递归神经网络的基础上，通过在时间序列中动态调整隐藏状态的时间常数。在每个预测步骤中，液态神经网络不仅计算预测结果，还形成下一个隐藏状态，随着时间的推移而演变。
液态神经网络在多个领域的时间序列建模中表现出改善，包括人类手势、人类活动、交通、电力、臭氧、序列MNIST和占用情况。这些初步结果令人鼓舞。液态神经网络的长期目标是形成一个能够灵活适应场景和时间的系统，最终实现一个不需要通过主动学习不断改进的系统。
从长远来看，像液态神经网络这样的架构可能会显著提高在视频处理中训练弹性模型的能力，这些模型能够适应其不断变化的环境。然而，液态神经网络对视觉的影响还有很长的路要走。液态神经网络存储库中的初始实验都是基于时间序列的，而不是基于图像和视频的。
从他们的存储库中推广到图像和视频的应用，将不可避免地涉及未来的研究和麻省理工学院实验室的建设。