FabricPC开源库：AI模型有望免重训整合新知识

现在的 AI 学新知识，成本不低。一个大模型发布之后想吸收新信息，往往要把整个网络重头训练一遍。ASI Alliance 和 SingularityNET 的 AGI 研究里就包括这个问题：神经网络能不能持续用新信息更新，而不是反复重训整个系统。

FabricPC 就是冲着这个问题来的开源 Python 库，用来构建和训练预测编码神经网络。这种网络的各个部分，只根据局部相关信息各自学习和调整。这个库今年 6 月正式推出，此后持续更新，路线图分成三块：可访问性、可扩展性、可复现性。

FabricPC 集成了 muPC，一种把预测编码扩展到更深更宽网络的方法，并把它从顺序链结构扩展成了更灵活的图结构。它此前已支持基于状态的预测编码（sPC），本周发布的 v0.6.0 又加入了基于错误的预测编码（ePC）。

两种方式的区别在信号传递。sPC 反复调整层的内部状态来压低误差；ePC 直接跟预测误差打交道，学习信号用更少的推理步骤到达深层网络，降低了训练深度网络的算力需求。v0.6.0 还引入了可组合推理求解器，ePC 和 sPC 可以在同一次推理过程中串联；循环展开则让 ePC 也能处理循环图。

这条路线的潜力在于：模型整合新知识不必从头训练，更新成本会降下来，AI 也可能更快反映新信息。ePC 降低了训练深度网络的算力需求，更深更宽的网络可能因此变得更容易训练。

使用门槛也在降。统一训练接口把不同的训练配置整合到一个工作流里，研究者比较几种做法时，不用再反复搭建环境。路线图上还有模型检查点，实验可以从同一状态保存、恢复。预训练模型、更短的示例配置、免去本地安装的 Colab 快速入门，也都列在里面。

FabricPC 还给预测编码和主流的反向传播搭了一个比较场。同一个图架构，两种方法都能训练。实验框架支持重复试验和统计对比。计划中的基准套件会覆盖更深的网络、不同的推理方法和循环架构。文档化配置和版本化结果，加上验证工具和预训练参考模型，让已有结果可以被检查、被复现。

接下来要解决的是 ePC 在训练中的稳定性，以及大型图中的编译开销。FabricPC 完全开源，任何研究者都可以拿它跑自己的实验，也可以翻开发布计划，通过 issues 和 pull requests 参与进来。