# Sakana AI 搞出一种不用反向传播的训练方法，能跑通 1000 层网络

> 原标题：Backprop Alternative: Augmented Lagrangian Predictive Coding

- 来源：Hacker News 首页
- 发布时间：2026-09-14T18:03:12.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/56555
- 原文：https://pub.sakana.ai/pc-alm/

## 摘要

Sakana AI 发了篇论文，提出 PC-ALM，一种完全不用反向传播的训练方法。它给每一层网络加了一组“对偶神经元”（可以理解成比例-积分控制器），靠层与层之间的局部动力学来传递监督信号，解决了传统预测编码在深层网络里信号衰减的问题。他们在 Fashion-MNIST 和 CIFAR-10 上测了残差 MLP，最深堆到 1000 层，效果接近反向传...

## 推荐理由

Sakana AI 这篇论文确实提出了一个不用反向传播的训练方法，而且能在 1000 层网络上跑通，技术上有新东西。但我会先打个折：测试集还是 Fashion-MNIST 和 CIFAR-10，没上更大规模的任务，所以现在说它能替代反向传播还太早。分数给到 72，主要是认可方法本身的创新性，但实用性还没被验证。

## 锐评

这篇论文的核心卖点是“不用反向传播也能训深层网络”。他们给每一层网络加了一组“对偶神经元”，本质上就是个比例-积分控制器，靠层与层之间的局部互动来传递监督信号，解决了传统预测编码在深层网络里信号衰减到没法用的问题。在 Fashion-MNIST 和 CIFAR-10 上，他们用残差 MLP 堆到 1000 层，效果接近反向传播。

但得打个折：测试只跑了小数据集和 MLP，没在 Transformer 或大模型上验证。正文也没披露训练这 1000 层网络到底花了多少时间、能耗比反向传播省了多少。他们提了两个应用场景——神经科学（大脑没法做精确反向传播）和神经形态硬件（局部动力学在专用芯片上跑更省电），但论文本身还是原理验证阶段。

还缺什么：在更大规模任务上的对比、实际硬件上的延迟和能耗数据、以及这种方法在非残差结构上的表现。如果这些补不上，它暂时还只是个有意思的学术方向，离“替代反向传播”差着不少工程验证。