Sakana AI 公开了一项名为 Augmented Lagrangian Predictive Coding（增强拉格朗日预测编码）的研究工作，并将其明确放在“反向传播替代方案”的位置上。论文已上传至 arXiv，配套代码在 GitHub 同步开源，便于研究者复现与验证。
从标题与方法命名看，该工作把预测编码（predictive coding）与增广拉格朗日方法结合起来。预测编码是一类源自计算神经科学的能量最小化学习框架，其核心思路是通过局部误差信号驱动网络状态与参数的更新，而非依赖反向传播式的全局梯度回传，因此长期被视为最有希望挑战反向传播的候选路径之一。
这一方向之所以值得 AI 从业者关注，原因在于：反向传播是当前深度学习的训练基石，但其生物合理性长期受到质疑，同时在内存占用、层间同步与并行效率上也给大规模训练带来实际约束。任何在数值稳定性与收敛性上站得住脚的替代训练范式，都可能影响未来模型训练的工程形态。不过，该研究的具体性能表现、可扩展性以及相对反向传播的实测差异，仍需以论文原文与开源代码为准。
对希望跟进的研究者与工程师而言，可从两个入口获取细节：论文见 arxiv.org/abs/2605.31022，代码与实现见 github.com/SakanaAI/pc-alm。建议重点关注其能量函数的构造方式、约束项在训练中的处理，以及在小规模任务上与梯度反传的对照结果。