一句话看懂：Sakana AI 旗下研究博客发布 PC-ALM（增强拉格朗日预测编码），用一种”逐层局部动力学”替代反向传播，在 1000 层残差 MLP 上接近反向传播的训练表现。
事件核心：发生了什么
发布方为 pub.sakana.ai，方法名为 PC-ALM（Augmented Lagrangian Predictive Coding）。它属于预测编码（Predictive Coding, PC）路线的扩展：标准 PC 在层与层之间采用类似”热扩散”的耦合，而 PC-ALM 为每一层额外引入对偶神经元（即拉格朗日乘子），使每层的局部循环变成一个 PI 反馈控制器。
关键区别在于，反向传播必须严格按”前向—反向—更新权重”三阶段串行执行，权重更新被锁死，早期层神经元必须一直保持激活等待误差信号；PC-ALM 则让每层只与相邻层通信，按时间向前演化，收敛后由整个系统的动力学把监督信号分发到全网。在线性网络的极限情况下，对偶神经元会收敛到与反向传播完全一致的信用信号，但只用局部计算。实验上，该工作在 Fashion-MNIST、CIFAR-10 等简单任务和残差 MLP 上对比 PC 与反向传播，重点测试深而窄的网络，这类结构正是传统 PC 表现较差的区间；推理步数设为 T=2L，1000 层实验即由此设定。
为什么重要
反向传播是当前大模型训练的绝对主流，但它难以解释大脑如何完成多层信用分配：大脑缺少跨全网强制同步时序的机制。PC-ALM 的价值不在于立刻替代反向传播，而在于证明”仅靠局部动力学也能逼近梯度计算”。若这条路走通，直接影响的是训练侧的技术路线，而不只是推理优化。另一个现实意义是硬件：动力学系统仿真在神经形态芯片上比在 GPU 上更便宜，这可能为低功耗训练提供新的方向。
对用户/开发者/创作者的影响
短期内，普通用户和大多数应用开发者不会直接感知变化——PC-ALM 目前仍是研究阶段的方法，验证场景限于小规模数据集和残差 MLP，尚不涉及大模型、开源权重发布或 API 层面的产品。对做训练框架、分布式系统和神经形态硬件的开发者而言，它提供了一个值得跟踪的替代思路：训练不再依赖全局同步的反向通路，可能改变并行策略和通信开销的设计假设。对算力采购方，目前公开信息显示还不足以据此调整预算。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是能否从 Fashion-MNIST、CIFAR-10 扩展到 Transformer 等主流架构和真实规模数据；二是训练速度、显存占用和能耗相比反向传播是否有可量化优势；三是是否有团队在神经形态硬件或开源框架中复现并落地。
