摘要：Sakana AI 提出 PC-ALM，用层局部动力学与 PI 反馈控制器替代全局反向传播，可训练 1000 层神经网络而不依赖全局前向/后向传播，缓解信号衰减，开辟训练新路径。
训练大模型那条"金科玉律"——反向传播（backpropagation）——今天被 Sakana AI 递了一把挑战书。他们提出的 PC-ALM，用层局部（layer-local）的动力学来替代全局 BP：给每一层配一个 PI 反馈控制器和双神经元结构，让监督信用（supervisory credit）在网络内部逐层传播，而不再依赖全局的前向和反向传播。按团队说法，这能克服标准预测编码在深层窄架构里的"信号衰减"问题，训练多达 1000 层的神经网络。
为什么这件事重要？反向传播虽强，却有公认的硬伤：它需要存全图梯度、依赖对称权重假设、在生物 plausible 上站不住脚，且超深网络里梯度易消失/爆炸。PC-ALM 这类局部学习路线的价值，不在"马上取代 BP"，而在它指向两种可能性：一是更省内存、更适合边缘设备和 neuromorphic 硬件的训练；二是更贴近生物学习的机制，可能带来更好的持续学习和泛化。当模型越做越大、训练成本越来越高，任何能降低训练复杂度的新范式都值得盯。
我的判断：对关注前沿架构的读者，这条该当作"长期期权"来看，而不是"下周就能用的技术"。局部学习的研究已持续多年，Sakana 的贡献是把千层训练这个具体难关往前推了一步，但离在万亿参数大模型上替代 BP 还远。真正的信号是：行业开始认真寻找后 BP 时代的可行路径，这和数据中心能耗、HBM 短缺、算力成本是一道暗线。今天另一则硬件消息（CXMT 量产第五代 DRAM、三星翻倍 HBM4）也指向同一命题——当单点算力受制裁和物理极限挤压，"换个训练/推理范式"可能比"堆更多卡"更划算。方向值得长期跟踪。