Еще совсем недавно казалось, что развитие искусственного интеллекта идет только по одному пути — создавать все более крупные модели, требующие огромных дата-центров и тысяч графических процессоров. Однако в последние годы наметилась новая тенденция. Все больше компаний стремятся перенести возможности ИИ непосредственно на устройства пользователей: смартфоны, ноутбуки, автомобили, промышленные компьютеры и роботов.
Именно этому направлению посвящено новое семейство моделей LFM3, представленное компанией Liquid AI. Вместо гонки за максимальным количеством параметров разработчики сделали ставку на эффективность, низкое энергопотребление и возможность локального запуска. Такой подход открывает совершенно новые сценарии использования искусственного интеллекта, где облачные сервисы оказываются неудобными или вовсе недоступными.
Чтобы понять, зачем нужны подобные модели, представим вполне реальную ситуацию.
ИИ-помощник инженера на смартфоне без интернета
Инженер обслуживает оборудование на удаленной насосной станции. До ближайшего населенного пункта десятки километров, мобильная связь нестабильна, а подключение к интернету отсутствует. Перед ним промышленный шкаф управления, на панели которого отображается незнакомый код ошибки.
Раньше ему пришлось бы искать бумажную документацию, звонить коллегам или ждать появления связи, чтобы обратиться к облачному искусственному интеллекту. Теперь достаточно достать смартфон.
Инженер открывает приложение с локальной моделью LFM3, наводит камеру на оборудование и задает голосовой вопрос:
«Что означает эта ошибка и с чего начать диагностику?»
Через несколько секунд приложение выдает ответ.
Модель распознает фотографию панели управления, определяет производителя оборудования, находит нужный раздел в локальной технической документации и предлагает последовательность проверки. Она может подсказать, какие датчики проверить в первую очередь, какие измерения выполнить мультиметром и какие признаки говорят о возможном выходе из строя конкретного узла.
Если инженер попросит показать электрическую схему, приложение откроет нужную страницу заранее загруженного руководства. Если потребуется объяснение принципа работы конкретного блока, модель сформулирует его простыми словами. Все это происходит непосредственно на смартфоне.
При этом ни одна фотография оборудования не отправляется в облако, а вся техническая документация остается внутри корпоративной системы. Для предприятий, работающих с конфиденциальной информацией или на объектах с ограниченным доступом, это становится важным преимуществом.
Подобный помощник способен значительно сократить время диагностики, уменьшить количество ошибок при обслуживании оборудования и помочь менее опытным специалистам быстрее разобраться в сложной ситуации. По сути, инженер получает доступ к персональному техническому консультанту, который всегда находится у него в кармане и не зависит от качества интернет-соединения.
Еще несколько лет назад подобный сценарий выглядел бы скорее научной фантастикой. Сегодня он становится вполне реалистичным благодаря развитию компактных языковых и мультимодальных моделей, подобных LFM3.
Почему облачный ИИ подходит не всегда
Большинство популярных моделей искусственного интеллекта работают в облаке. Пользователь отправляет запрос на удаленный сервер, где происходит обработка данных, после чего получает готовый ответ. Такой подход обеспечивает высокую производительность, но одновременно создает ряд ограничений.
Во-первых, работа полностью зависит от наличия устойчивого интернет-соединения. На производственных площадках, в шахтах, на строительных объектах, в экспедициях, на судах или в удаленных районах связь может отсутствовать или быть слишком медленной.
Во-вторых, передача данных в облако далеко не всегда допустима. Фотографии оборудования, техническая документация, внутренние инструкции предприятия или результаты диагностики могут содержать коммерческую тайну. Многие компании запрещают отправлять такую информацию во внешние сервисы независимо от уровня их защиты.
Еще одна проблема — стоимость использования облачных API. Если искусственный интеллект применяется десятками или сотнями сотрудников ежедневно, расходы на обработку запросов могут стать весьма заметными. Локальная модель после установки работает без оплаты каждого обращения, что делает ее особенно привлекательной для корпоративных решений.
Наконец, существует фактор скорости. Когда вычисления выполняются непосредственно на устройстве, отпадает необходимость передавать данные через интернет и ждать ответа сервера. Для многих задач — от технической диагностики до управления роботами — даже небольшое сокращение задержки может иметь большое значение.
Именно поэтому рынок постепенно приходит к пониманию, что будущее искусственного интеллекта — это не только огромные облачные модели, но и компактные системы, способные работать автономно. Одним из наиболее интересных представителей этого нового поколения стала LFM3 от компании Liquid AI.
Что такое LFM3
LFM3 — это новое семейство компактных моделей искусственного интеллекта, разработанное компанией Liquid AI. В отличие от большинства громких анонсов последних лет, здесь разработчики не стремились создать очередную модель с сотнями миллиардов параметров. Их задача была другой — добиться максимальной эффективности при минимальных вычислительных ресурсах.
Идея проста: современный искусственный интеллект должен работать не только в облачных дата-центрах, но и непосредственно на устройствах пользователей. Смартфоны, ноутбуки, промышленные компьютеры, автомобили, роботы и беспилотные системы становятся достаточно мощными, чтобы выполнять сложные вычисления локально. Именно для таких устройств и создавалась LFM3.
При разработке семейства моделей инженеры Liquid AI сделали акцент сразу на нескольких направлениях:
- высокая скорость работы;
- низкое потребление памяти;
- эффективное использование процессоров и нейронных ускорителей;
- возможность локального запуска без подключения к интернету;
- поддержка различных аппаратных платформ.
Фактически LFM3 — это попытка изменить сам подход к использованию искусственного интеллекта. Вместо постоянного обращения к удаленным серверам модель становится частью самого устройства и работает там, где возникает задача.
Кто стоит за разработкой Liquid AI
Компания Liquid AI появилась сравнительно недавно, однако ее основатели хорошо известны в научном сообществе. Стартап был создан исследователями Массачусетского технологического института (MIT), многие из которых занимались разработкой новых архитектур нейронных сетей задолго до появления современных больших языковых моделей.
Вместо прямой конкуренции с OpenAI, Google или Anthropic по количеству параметров команда Liquid AI сосредоточилась на другом вопросе: как сделать искусственный интеллект максимально эффективным.
По мнению разработчиков, дальнейшее развитие отрасли невозможно только за счет увеличения размеров моделей. Чем больше становится модель, тем дороже обходится ее обучение, эксплуатация и обслуживание. Для многих компаний подобные расходы оказываются неоправданными.
Поэтому Liquid AI делает ставку на интеллектуальную оптимизацию архитектуры. Цель заключается не в том, чтобы создать самую большую модель, а в том, чтобы добиться максимально высокого качества при значительно меньших вычислительных затратах.
Подобная философия становится все более популярной в индустрии. Практически все ведущие разработчики сегодня активно инвестируют в компактные модели, которые можно использовать локально.
Семейство моделей LFM3
LFM3 — это не одна модель, а целая линейка решений, рассчитанных на разные сценарии использования.
| Модель |
Назначение |
| LFM3-1.7B |
Компактная языковая модель для генерации текста, анализа документов и работы с инструкциями. |
| LFM3-VL-2B |
Мультимодальная модель, способная одновременно понимать изображения и текст. |
| LFM3-Audio-2B |
Модель для распознавания речи, голосового взаимодействия и обработки аудиоданных. |
| LFM3-Omni-2B |
Универсальная мультимодальная система, объединяющая работу с текстом, изображениями и голосом. |
Такое разделение позволяет использовать именно тот вариант модели, который необходим для конкретной задачи. Например, техническому консультанту достаточно текстовой версии, тогда как мобильному помощнику инженера потребуется мультимодальная модель, умеющая анализировать фотографии оборудования и воспринимать голосовые команды.
Почему индустрия снова делает ставку на небольшие модели
Еще несколько лет назад главным показателем прогресса считалось количество параметров. Казалось, что каждая новая модель должна быть в несколько раз больше предыдущей. Однако со временем стало понятно, что такой подход имеет естественные ограничения.
Чем больше модель, тем выше требования к вычислительным ресурсам. Для ее работы необходимы дорогие серверы, большое количество видеокарт, высокоскоростные сети передачи данных и значительные затраты электроэнергии. Это оправдано для сложных аналитических задач, но далеко не всегда необходимо в повседневной работе.
Во многих сценариях пользователю требуется не универсальный искусственный интеллект, способный обсуждать философию или писать научные статьи, а специализированный помощник, который быстро отвечает на конкретные вопросы, анализирует изображения или помогает выполнять профессиональные задачи.
Именно здесь компактные модели оказываются значительно эффективнее. Они запускаются быстрее, требуют меньше памяти, могут работать автономно и обеспечивают достаточное качество для большинства прикладных задач.
Можно провести простую аналогию. Огромная облачная модель похожа на современный международный аэропорт — она способна обслуживать миллионы пассажиров, но требует сложной инфраструктуры. LFM3 скорее напоминает небольшой региональный аэродром: возможностей меньше, зато он находится рядом, работает независимо и готов принять самолет именно тогда, когда это необходимо.
Поэтому сегодня развитие искусственного интеллекта идет сразу по двум направлениям. С одной стороны продолжают совершенствоваться гигантские облачные модели, а с другой — стремительно развивается класс компактных систем, предназначенных для локального использования. Именно к этому второму направлению и относится семейство LFM3.
Как работает локальный ИИ без подключения к облаку
На первый взгляд может показаться, что компактная модель искусственного интеллекта должна уступать облачным сервисам практически во всем. Однако в реальных инженерных задачах это далеко не всегда так. Во многих случаях важнее скорость получения ответа, автономность и доступ к внутренним данным компании, чем абсолютный уровень знаний модели.
Работа локального ИИ строится по достаточно простой схеме.
Камера смартфона или голосовой запрос
↓
LFM3 анализирует информацию
↓
Поиск нужных документов в локальной базе знаний
↓
Объединение найденной информации
↓
Ответ пользователю
При этом само устройство может не иметь доступа к интернету. Все необходимые вычисления происходят локально, а техническая документация хранится непосредственно в памяти смартфона или корпоративного планшета.
Откуда модель знает ответы
Важно понимать, что LFM3 не обязана хранить внутри себя всю техническую информацию предприятия. Современные корпоративные помощники обычно работают по технологии RAG (Retrieval-Augmented Generation), когда модель получает знания из внешней базы данных.
Например, компания заранее загружает в мобильное приложение:
- руководства по эксплуатации оборудования;
- электрические схемы;
- каталоги запасных частей;
- инструкции по ремонту;
- регламенты обслуживания;
- журнал предыдущих неисправностей;
- внутренние стандарты предприятия.
Когда инженер задает вопрос, модель сначала ищет нужные документы, затем анализирует найденную информацию и только после этого формирует ответ. Благодаря этому знания можно обновлять без переобучения самой модели — достаточно заменить документы в локальной базе.
Такой подход особенно ценен для предприятий, где инструкции регулярно изменяются или содержат конфиденциальную информацию.
Что требуется современному смартфону
Еще несколько лет назад запуск языковых моделей на мобильных устройствах казался практически невозможным. Сегодня ситуация изменилась. Производительность современных процессоров выросла настолько, что многие задачи искусственного интеллекта можно выполнять непосредственно на телефоне.
Основную работу берут на себя сразу несколько вычислительных блоков:
- CPU — управляет выполнением приложения;
- GPU — ускоряет математические вычисления;
- NPU — специализированный нейронный процессор для моделей искусственного интеллекта.
Именно NPU становится одним из самых важных компонентов современных мобильных устройств. Он позволяет выполнять инференс моделей значительно быстрее и с меньшим энергопотреблением по сравнению с обычным центральным процессором.
Для компактных моделей уровня LFM3 обычно достаточно смартфонов среднего и высокого класса последних поколений. Производители мобильных процессоров уже активно развивают аппаратную поддержку локального ИИ, поэтому подобные приложения будут становиться все быстрее с каждым новым поколением устройств.
Почему локальный ИИ выигрывает в скорости
Когда пользователь обращается к облачному сервису, запрос проходит длинный путь. Сначала данные передаются через интернет, затем обрабатываются на удаленном сервере и только после этого ответ возвращается обратно.
Даже при хорошем соединении этот процесс занимает дополнительное время.
При локальном запуске вся цепочка значительно короче.
Пользователь
↓
Смартфон
↓
LFM3
↓
Ответ
Отсутствие сетевых задержек особенно важно для задач, где решение необходимо получить практически мгновенно. Это может быть диагностика оборудования, помощь оператору беспилотника, голосовой перевод, навигация робота или работа интеллектуальных очков дополненной реальности.
Безопасность становится важным преимуществом
Еще одна причина растущего интереса к локальным моделям — защита данных.
Во многих отраслях использование облачных сервисов ограничено внутренними регламентами или требованиями законодательства. Предприятия не готовы передавать фотографии производственных объектов, схемы оборудования, результаты измерений или внутреннюю документацию сторонним сервисам.
При использовании локальной модели информация вообще не покидает устройство. Это снижает риск утечки данных и упрощает внедрение искусственного интеллекта в компаниях с повышенными требованиями к информационной безопасности.
Именно поэтому компактные модели постепенно начинают использовать не только в персональных помощниках, но и в промышленности, энергетике, медицине, транспорте и робототехнике — везде, где автономность и конфиденциальность зачастую оказываются важнее абсолютной мощности модели.
Где LFM3 может изменить привычные рабочие процессы
Когда говорят о компактных языковых моделях, многие представляют себе лишь упрощенную версию ChatGPT. На практике их возможности гораздо шире. Благодаря локальному запуску LFM3 может стать частью специализированных приложений, работающих непосредственно там, где возникает задача.
Во многих случаях пользователю не нужен универсальный искусственный интеллект. Ему необходим помощник, который хорошо знает конкретную предметную область и способен быстро принимать решения на основе локальных данных.
Промышленность и обслуживание оборудования
Самый очевидный сценарий — техническое обслуживание оборудования.
Инженер фотографирует шкаф управления, двигатель, насос, станок или промышленный контроллер. LFM3 распознает модель устройства, определяет код ошибки, открывает соответствующий раздел технической документации и предлагает последовательность диагностики.
Такой помощник способен значительно сократить время поиска информации и снизить вероятность ошибок при ремонте. Особенно полезным он окажется для молодых специалистов, которые еще не обладают большим практическим опытом.
Энергетика
Электросетевые компании ежедневно обслуживают тысячи километров линий электропередачи, подстанций и распределительных пунктов. Многие объекты находятся вдали от населенных пунктов, где стабильная связь отсутствует.
Локальная модель может помочь инженеру определить тип оборудования, проверить правильность выполнения регламентных операций, подсказать порядок проверки защитных устройств и быстро найти нужную схему без подключения к интернету.
Даже если связь полностью отсутствует, цифровой помощник продолжает работать.
Логистика и склады
На крупных складах сотрудники ежедневно работают с тысячами различных товаров. Ошибки при комплектации заказов приводят к дополнительным расходам и задержкам поставок.
Компактная модель может стать интеллектуальным помощником кладовщика. Достаточно навести камеру смартфона на упаковку, чтобы приложение определило товар, проверило соответствие заказу, нашло инструкцию по хранению или предупредило о возможной ошибке.
Поскольку вычисления выполняются локально, работа не зависит от качества беспроводной сети внутри склада.
Медицина
В медицинских учреждениях вопросы конфиденциальности особенно важны. Передача изображений пациентов или медицинской документации во внешние облачные сервисы часто ограничивается внутренними правилами или законодательством.
Локальные модели позволяют анализировать изображения, помогать врачу работать с медицинскими протоколами и искать необходимую информацию, не передавая данные за пределы устройства.
При этом окончательное решение всегда остается за специалистом, а искусственный интеллект выступает в роли интеллектуального помощника.
Сельское хозяйство
Современные фермерские хозяйства активно используют цифровые технологии. Однако далеко не каждое поле имеет стабильное покрытие мобильной сети.
С помощью смартфона и локальной модели агроном может определить заболевание растений по фотографии, получить рекомендации по дальнейшему обследованию участка, проверить характеристики удобрений или быстро найти нужную технологическую карту.
Все это возможно даже в полностью автономном режиме.
Спасательные службы
Во время ликвидации чрезвычайных ситуаций связь может отсутствовать или работать с перебоями. Именно в таких условиях особенно важно иметь интеллектуального помощника, который способен функционировать автономно.
Компактная модель может помочь спасателям быстро ориентироваться в инструкциях, определять тип оборудования, анализировать фотографии повреждений и предоставлять информацию без обращения к удаленным серверам.
Беспилотники и робототехника
Одним из наиболее перспективных направлений применения компактных моделей является робототехника. Современные роботы и беспилотные системы постепенно получают возможность самостоятельно анализировать окружающую обстановку, принимать решения и взаимодействовать с оператором.
Если подобная модель работает непосредственно на борту устройства, отпадает необходимость постоянно передавать видеопоток в облако. Это уменьшает задержки, снижает требования к каналу связи и повышает устойчивость системы при работе в автономном режиме.
Например, БПЛА может использовать LFM3 для анализа изображения с камеры, поиска объектов, проверки состояния инфраструктуры или формирования краткого текстового отчета прямо во время полета.
В промышленной робототехнике модель может стать частью системы технического зрения, помогая роботу распознавать детали, сверять операции с технологической картой или объяснять оператору причину возникшей ошибки.
Это только начало
Все перечисленные сценарии объединяет одна особенность — искусственный интеллект перестает быть удаленным сервисом и становится частью самого устройства.
Так же как сегодня смартфоны умеют локально распознавать лицо владельца, улучшать фотографии и переводить речь в текст, уже в ближайшие годы они смогут выполнять гораздо более сложные задачи. Компактные модели вроде LFM3 становятся фундаментом именно такого подхода, когда интеллектуальные функции доступны пользователю всегда — независимо от качества связи, удаленности объекта или доступа к облачным вычислительным мощностям.
LFM3 и другие компактные модели: в чем разница
Рынок компактных моделей искусственного интеллекта развивается очень быстро. Практически каждая крупная компания сегодня предлагает собственное решение для локального запуска. Однако между ними существуют заметные различия как в философии разработки, так и в предполагаемых сценариях использования.
| Модель |
Основная задача |
Сильные стороны |
| Gemma |
Открытая экосистема Google |
Высокое качество, хорошая интеграция с инструментами Google |
| Qwen |
Универсальные задачи |
Отличная работа с кодом, длинным контекстом и многоязычностью |
| Phi |
Максимальная эффективность небольших моделей |
Компактность и высокая скорость работы |
| SmolLM |
Минимальный размер моделей |
Работа на устройствах с очень ограниченными ресурсами |
| LFM3 |
Локальный ИИ для реальных устройств |
Мультимодальность, автономность и высокая вычислительная эффективность |
Важно понимать, что сегодня уже нельзя определить лучшую модель только по количеству параметров или результатам синтетических тестов. Намного важнее вопрос: для какой задачи создавалась модель.
Если разработчику требуется универсальный облачный помощник с максимальными знаниями, выбор может быть одним. Если же необходимо создать приложение, работающее прямо на смартфоне, промышленном контроллере или борту робота, требования становятся совершенно другими.
Есть ли у LFM3 недостатки?
Безусловно. Компактные модели пока не способны полностью заменить самые мощные облачные языковые модели.
Например, они уступают большим системам при решении сложных задач:
- глубокий анализ научных публикаций;
- написание больших программных проектов;
- многоэтапные логические рассуждения;
- работа с очень длинными документами;
- обработка огромных объемов информации одновременно.
Это закономерно. Небольшая модель не может хранить такой же объем знаний, как системы, обученные на сотнях миллиардов параметров и работающие на тысячах графических процессоров.
Однако для большинства прикладных задач подобный уровень возможностей и не требуется. Если инженеру нужно определить неисправность оборудования, врачу — быстро найти медицинский протокол, а оператору беспилотника — получить описание объекта, компактной модели зачастую оказывается более чем достаточно.
Почему LFM3 — это важный сигнал для всей отрасли
На протяжении нескольких лет развитие искусственного интеллекта напоминало гонку размеров. Каждая новая модель становилась больше предыдущей, требовала все больше вычислительных ресурсов и все более дорогой инфраструктуры.
Теперь отрасль начинает искать баланс.
Разработчики понимают, что далеко не каждая задача требует гигантской модели. Во многих случаях пользователям важнее получить быстрый ответ, работать без интернета, сохранять конфиденциальность данных и не зависеть от облачных сервисов.
Именно поэтому сегодня практически все ведущие компании инвестируют в компактные модели, мобильные версии своих систем и технологии локального инференса. Появление LFM3 — это еще одно подтверждение того, что рынок движется именно в этом направлении.
Мнение редакции PardAiLab
Мы считаем, что главная ценность LFM3 заключается не в количестве параметров и не в очередных строчках бенчмарков. Гораздо важнее сама идея, которую продвигает Liquid AI.
Искусственный интеллект постепенно перестает быть исключительно облачным сервисом. Он становится частью привычных устройств — смартфонов, ноутбуков, автомобилей, промышленных контроллеров, роботов и беспилотников. Именно здесь, на периферии вычислительной инфраструктуры, в ближайшие годы будет происходить одна из самых интересных технологических гонок.
Для разработчиков это означает возможность создавать приложения нового поколения, не зависящие от постоянного подключения к интернету. Для бизнеса — снижение затрат на облачные сервисы и повышение безопасности данных. Для пользователей — появление интеллектуальных помощников, которые всегда находятся рядом и готовы работать даже там, где нет сети.
Скорее всего, в ближайшие годы рынок разделится на два направления. Сверхкрупные модели останутся инструментом для сложной аналитики, исследований и генерации контента, а компактные системы вроде LFM3 займут место внутри повседневных устройств и специализированных корпоративных решений.
Именно поэтому релиз LFM3 стоит рассматривать не как очередной анонс новой модели, а как показатель того, куда движется вся индустрия искусственного интеллекта. Будущее ИИ — это не только огромные дата-центры, но и миллионы устройств, способных самостоятельно понимать окружающий мир и помогать человеку в решении реальных задач.
