# 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 提出 PC-ALM（Augmented Lagrangian Predictive Coding），一种用层局部动力学替代反向传播的局部训练方法，可训练最多 1000 层的残差 MLP，性能接近反向传播。

## 推荐理由

Sakana AI 提出 PC-ALM，用层局部动力学替代反向传播，在残差 MLP 上训练到 1000 层，性能接近反向传播，为局部训练方法的可扩展性提供了新证据。

## 锐评

1000 层残差 MLP 上不用反向传播能跑到接近 backprop，这个结果本身挺硬，但测试还是 Fashion-MNIST 和 CIFAR-10，小图小网络，离能替代还差得远。卡住 local 方法的一直是信号衰减，PC-ALM 用每层的 dual neuron 当 PI 控制器把 credit 传下去，思路是干净的。我信它在小规模上成立，不信它现在能上大模型。这东西离账单还隔着好几个量级。
