非Transformerの衝撃：Liquid AIが最新モデル『LFM2.5』を公開。省メモリ・高速推論でオンデバイスAIの常識を覆す
2026年10月、AI業界に激震が走っています。MIT（マサチューセッツ工科大学）発のスタートアップであり、次世代AIアーキテクチャの旗手として知られるLiquid AIが、最新の基礎モデル「Liquid Foundation Models 2.5（LFM2.5-24B-A2B）」を公開しました。
現在、生成AIの主流は依然としてTransformerアーキテクチャですが、その「重さ」と「計算コストの肥大化」がオンデバイス（ローカル環境）への普及を阻む大きな壁となってきました。今回発表されたLFM2.5は、その壁を根本から破壊する可能性を秘めています。本記事では、2026年10月の最新リリース情報を基に、非Transformerモデルがもたらす技術的転換点について詳説します。
1. ニュースの概要：LFM2.5-24B-A2Bの登場
Liquid AIは、現地時間2026年10月に、同社のフラッグシップモデルの最新進化版となる「LFM2.5-24B-A2B」を発表しました。このモデルは、240億パラメータ（24B）という、オンデバイスで動作させるには本来であれば極めて「重量級」なサイズでありながら、従来のTransformerベースのモデル（例えばLlama 3シリーズやMistralなど）を遥かに凌駕する推論効率と省メモリ性能を実現しています。
時系列を整理すると、Liquid AIは2024年後半に最初の「Liquid Foundation Models（LFM 1.3B/3B/40B-MoE）」をリリースし、世界にその独自アーキテクチャの有効性を示しました。それから約2年。今回発表されたLFM2.5は、特に「エージェント機能（A2B: Agent to Browser/Action）」と「ローカル実行の最適化」に特化しており、プライバシーを重視する企業や個人ユーザーにとっての決定打となるスペックを備えています。
2. 技術的な詳細：なぜ「非Transformer」なのか
「Liquid」アーキテクチャの本質
LFMの最大の特徴は、Transformerが採用している「アテンション・メカニズム（Attention Mechanism）」に依存しない点にあります。Transformerは入力データ（トークン）が増えるに従い、計算量が二次関数的（Quadratic）に増加するという宿命を抱えています。これが、長文読解や長時間の動画解析においてメモリ消費を爆発させる要因でした。
対して、LFM2.5が採用する「Liquid Neural Networks（LNN）」は、線形計算（Linear Scaling）を基本としています。これにより、以下の3つの技術的優位性を確保しています。
- KVキャッシュの極小化： Transformerでは過去の文脈を保持するために膨大な「KVキャッシュ」をメモリ上に展開する必要がありますが、LFM2.5はこのキャッシュサイズを劇的に削減。24Bモデルでありながら、一般的な12BクラスのTransformerモデルよりも少ないVRAMで動作します。
- 無限に近いコンテキスト： 計算量が入力長に対して線形であるため、理論上、極めて長いコンテキストを低コストで処理可能です。
- 適応型計算（A2B）： 「A2B」という名称が示す通り、このモデルはエージェントとしての動作に最適化されています。ブラウザ操作やAPIコール、コード実行などの「アクション」を伴う推論において、従来のモデルよりも高い精度と低遅延を実現しています。
オンデバイスAIの新基準
LFM2.5-24B-A2Bは、特に「プライベート・エージェント」としての活用を想定して設計されています。クラウドにデータを送ることなく、手元のPCやエッジデバイスで高度な推論を行うことが可能です。これは、昨今の「ローカルAI」への需要の高まりと完全に合致しています。
実際に、「ローカルAI」の普及を決定づける900万人の支持：実行ツール『Ollama』が6,500万ドルを調達し、巨大クラウドへの対抗軸を鮮明にというニュースが示す通り、ユーザーは自身のデータを手元で管理しつつ、高性能なAIを利用する方向へとシフトしています。LFM2.5はこの流れを加速させる強力な武器となるでしょう。
3. 考察：ポジティブな展望と残された懸念点
ポジティブ：ハードウェアの制約からの解放
LFM2.5の登場は、AIの民主化を一段階進めるものです。これまでは、20Bを超えるモデルを実用的な速度で動かすには、NVIDIAのハイエンドGPU（RTX 4090クラス以上、あるいはH100などのデータセンター向けGPU）が必須でした。しかし、LFM2.5は、その省メモリ特性により、MacBookのMシリーズチップや、ミドルレンジのゲーミングPCでも「サクサクと」動作します。これは、AI開発者が「推論コスト」を気にせずに、より複雑なエージェント機能を実装できることを意味します。
懸念点：エコシステムの壁
一方で、課題も少なくありません。最大の懸念は「ソフトウェア・スタックの互換性」です。現在のAI業界は、CUDA（NVIDIA）やPyTorch、TensorRTなど、Transformerを動かすために最適化されたツール群によって支えられています。非TransformerモデルであるLFMが、これらの既存エコシステム上で100%のパフォーマンスを発揮し、かつ開発者が容易に導入できる環境を整えられるかが鍵となります。
また、学習の安定性についても議論の余地があります。Transformerは「スケールすればするほど賢くなる」というスケーリング則が証明されていますが、Liquidモデルが100B、1Tといった超巨大規模になった際にも、Transformerと同等以上の知能を維持できるのか、あるいは学習効率を保てるのかについては、まだ未知数な部分が残っています。
4. まとめ：2026年、AIは「液体」になる
Liquid AIによるLFM2.5-24B-A2Bの公開は、単なる「新しいモデルのリリース」以上の意味を持ちます。それは、2017年の「Attention Is All You Need」論文以来続いてきた、Transformer一強時代の終焉の始まりを予感させるものです。
「より大きく、より多くの電力を」というこれまでのAI開発のトレンドに対し、Liquid AIは「より効率的に、より身近なデバイスで」という明確な対抗軸を打ち出しました。特にプライバシー保護が求められるエンタープライズ領域や、リアルタイム性が重視されるロボティクス、そして個人のPC上で動くAI秘書において、LFM2.5は標準的な選択肢になる可能性を秘めています。
今後、Liquid AIがこのモデルをベースにどのような開発コミュニティを築いていくのか、そして既存のTransformerモデルがこの効率性にどう対抗していくのか。2026年後半のAIトレンドから目が離せません。