یکی از شرکت‌های تابعه دانشگاه «MIT» با نام «Liquid AI» که توسط دانشمند برجسته حوزه رباتیک، دانیلا روس تأسیس شده است، به دنبال ساخت سیستم‌های هوش مصنوعی جامع است که توسط نوع نسبتاً جدیدی از مدل هوش مصنوعی به نام شبکه عصبی مایع (liquid neural network)، پشتیبانی می‌شود.
کارشناسان مدعی هستند که اندازه کوچک و معماری ساده شبکه‌های عصبی مایع مزایای بسیاری برای این مدل‌های در بر دارد. درک عملکرد نورون‌های محدود در شبکه عصبی مایع، کار قابل مدیریت‌تری نسبت به کشف عملکرد ۵۰ هزار نورون در «GPT-۳» است. اکنون، مدل‌های چند پارامتری که قادر به رانندگی خودکار، تولید متن و موارد دیگر هستند، وجود دارند؛ اما شبکه‌های عصبی ویژگی‌های خاص‌تری هم دارند.
ویژگی جذاب و منحصربه‌فرد دیگر شبکه‌های عصبی مایع، توانایی آن‌ها در تطبیق پارامتر‌های خود برای موفقیت در طول زمان است. شبکه‌ها توالی‌هایی از داده‌ها را برخلاف برش‌ها یا عکس‌های فوری جدا شده در نظر می‌گیرند که اکثر مدل‌ها پردازش و تبادل سیگنال‌ها بین نورون‌هایشان را به‌صورت پویا تنظیم می‌کنند.
این ویژگی‌ها به شبکه‌های عصبی مایع اجازه می‌دهند، با تغییرات محیط و شرایط، حتی اگر برای پیش‌بینی این تغییرات آموزش ندیده باشند، تطابق پیدا کنند. این ویژگی در مواردی، چون تغییر شرایط آب و هوایی در خودرو‌های خودران بسیار مهم است.
روس و سایر اعضای تیم «Liquid AI» ادعا می‌کنند که این معماری برای تجزیه و تحلیل هر پدیده‌ای که در طول زمان در نوسان است، از جمله شبکه‌های برق، اطلاعات پزشکی، تراکنش‌های مالی و الگو‌های آب و هوای متغیر، مناسب است. تا زمانی که مجموعه داده‌ای با داده‌های متوالی، مانند ویدئو، وجود داشته باشند، شبکه‌های عصبی مایع می‌توانند با استفاده از آن‌ها آموزش ببینند
