Sakana AI 提出了一项名为“Diffusing Blame”（扩散归咎）的神经网络学习新技术，其核心创新在于严格遵循神经科学中的戴尔原则（Dale's principle），即每个神经元只释放一种类型的神经递质，或兴奋或抑制，绝不混合。在该框架下，网络权重被约束为非负矩阵，从而在结构上强制分离兴奋性信号流与抑制性信号流。该方法基于误差扩散（Error Diffusion）机制，完全消除了传统深度学习反向传播中不可或缺的权重传输（weight transport）这一生物学上不合理的假设。在图像分类和强化学习任务中，“扩散归咎”展现出的学习信号与真实梯度高度一致，证明其在计算效率和生物合理性之间找到了新的平衡点。这一成果不仅为构建更接近大脑工作原理的人工智能系统提供了新路径，也可能推动低能耗、在线持续学习等前沿领域的突破，是迈向生物可塑性学习规则的重要一步。