Sakana 发 PC-ALM：层局部更新训练 1000 层网络，不用反向传播
Sakana AI 研究者发布 PC-ALM（Augmented Lagrangian Predictive Coding）：给预测编码（PC）的每层约束挂上拉格朗日乘子，让监督信号不再从输出层逐层衰减——残差 MLP 训到 1000 层仍能保持层局部动态，MNIST 上与反向传播差约 2 个百分点。
它改的是「深度网络训练必须全局锁定」这一默认前提：反向传播要求前向、反向、更新三步全局串行，而大脑没有这类全网相位锁定机制；PC-ALM 用增广拉格朗日把带约束优化局部化，λ=0 时精确退化为 PC。论文 arXiv 2605.31022，MIT 协议 JAX 参考实现可在 CPU 上复现宽度-深度网格；目前只在小图像基准验证过，是训练方法不是模型。
原文链接：Sakana AI 官方页面
核验记录
官方项目页 pub.sakana.ai/pc-alm 直读（Published September 2026，页无具体日）；arXiv 2605.31022 直读 citation_date 2026/05/29 为论文首版提交日，官方页的 9 月为项目/发布时间口径，两处已在 verify 分开记录；GitHub SakanaAI/pc-alm 最后 push 9/8 与 marktechpost 9/14 报道交叉