一句话定义：液态神经网络（Liquid Neural Network, LNN）是一类由微分方程驱动的连续时间神经网络，它的“记忆衰减速度”——时间常数（time constant）——会随输入实时变化，因此模型很小，却能适应不断变化的环境。
它到底“液态”在哪
普通神经网络训练完，权重就固定了，像一个模具：输入什么形状，就压出什么结果。RNN（循环神经网络）虽然有了时间维度，但记忆的衰减速度也是固定的。可以拿漏斗打比方：普通 RNN 的漏斗口径是焊死的，水多水少都按同一个速度漏；LNN 的漏斗口径由当前水流决定，水流越急，口径跟着变，于是它既能记住久一点的信息，也能在环境突变时迅速“翻篇”。
实现上，LNN 把神经元状态写成常微分方程（ODE），神经元之间通过类似电导的机制互相影响。网络不是在离散时间步上“一格一格”更新，而是连续演化，训练时也不一定要按固定采样率喂数据，这对真实传感器更友好。它的灵感部分来自线虫（C. elegans）：只有几百个神经元，却能完成复杂的感知与运动。
和邻居们的区别
| 对比 | 普通 RNN / LSTM | 液态神经网络 LNN | Transformer |
|---|---|---|---|
| 时间建模 | 离散时间步 | 连续时间 | 离散 token 序列 |
| 记忆/时间常数 | 训练后基本固定 | 随输入动态变化 | 由注意力权重决定 |
| 参数量 | 中到大 | 极小 | 通常很大 |
| 强项 | 一般序列建模 | 控制、不规则时序 | 语言与长程依赖 |
和 Transformer 的区别更直白：后者靠注意力在长序列里找关联，参数和计算量大；LNN 更像一个反应极快的小脑，不追求记住整本书，只求在当下把控制信号算准。
为什么无人机和端侧偏爱它
控制任务和聊天不同：输入是带噪声的传感器流，要求毫秒级响应，还常常遇到训练时没见过的风况、载荷和地形。参数量小意味着能塞进无人机机载芯片、手机或汽车电子里，省电，且不需要联网。公开研究演示中，研究者已用少量神经元的液态网络在真实无人机上完成导航任务——这正是“液态”的价值：不靠大，靠随环境流动。
对普通人来说，它可能不会出现在聊天框里，但会藏在更省电的耳塞、更稳的扫地机器人、更灵敏的汽车传感器里。想深入可以看原论文和官方开源实现，具体版本与效果以官方页面为准。