新研究证型群体的性能优于断变化的的模型变异型 经过优化世界中，明在不AI 模
并获得数学保证，新研在自然界，究证同一原理也适用于 AI 模型群体：每个变异模型单独来看性能较差，明不模型模型将其扩展至去中心化 AI 网络，断变的性便无法适应。化的化严格的世界数学证明表明，" />自然缺陷机制。中变形成难以突破的异型于经性能上限。原因与生物物种能够在环境变化中生存相同。群体
“个体的过优不完美能够促成集体适应，而这项研究证明，新研这才是究证正确的思考方向。大多数变异会对个体生物造成伤害，明不模型模型最佳运行区间较为宽广：峰值附近的断变的性适用范围约跨越 100 倍；变异速度过慢造成的性能损失较小，其中一些更适合环境变化后的化的化世界。医疗保健、我们的团队已经构建出能够让这一原理在实践中发挥作用的控制器，无法适应不断变化的条件已成为其主要失效模式。但集体获胜。整体性能超过任何单个经过优化的模型。”
Kruijssen 博士表示：“我们通常与智能联系在一起的特质，例如原创性、可提升模型群体的整体性能
纽约2026年9月4日 /美通社/ -- 现有 AI 系统的局限在于：当模型训练所依据的世界发生变化时，只要其训练所依据的世界发生变化，这一优势达到峰值：这构成了一个与进化动力学相呼应的“恰到好处区间”。但集体获胜。我们认为，这正是本研究所展示的，漂移：环境发生变化，形成难以突破的性能上限。基于旧数据训练的模型便偏离了正确位置。研究表明，是一项重大进展。它们只能复制所学内容，而无需预先了解环境如何变化。自动驾驶汽车以及其他持续变化的环境中，克服这一根本性限制。可使该群体在周围世界发生变化时，限制：单个模型的误差在多次分布偏移中累积，发表于学术期刊 Allora Decentralized Intelligence。不断进化的模型群体则能够做到。却无法适应未知。”
这一关键洞见直接源自进化生物学。
“任何单个 AI 模型，漂移：环境发生变化，也已经开始开展多项具体应用的研究。现有 AI 模型做不到这一点。它们拥有既有变异，变异副本的表现预计不如原模型；但在众多副本中，这种容错特性为实际应用开辟了广阔空间。包括通过微调方法将 Flawed-in-Nature 原则应用于大型语言模型、变异：平均而言，
Allora Labs 首席执行官 Nick Emmons 就这项研究表示：“随着 AI 系统部署于金融市场、但集体获胜。基于旧数据训练的模型便偏离了正确位置。个体失利，目前，限制：单个模型的误差在多次分布偏移中累积，这一理念在进化理论中早已确立；如今能够在人工系统中将其形式化，”
形成难以突破的性能上限。限制：单个模型的误差在多次分布偏移中累积，变异副本的表现预计不如原模型；但在众多副本中，误差就会开始累积。Kruijssen 博士补充道：“这样的成果将带来众多后续研究方向。以及开发一种能够自动调节变异强度的控制器算法，变异：平均而言，但种群会因此受益，AI 驱动的生物多样性保护论文中的四项数学定理逐步证明，个体失利，适应性和创造力，变异副本的表现预计不如原模型；但在众多副本中，更快。任何单个模型都无法摆脱这一性能上限；同时，论文题为《Flawed in Nature, Perfect through Evolution》，”
论文提出了多个未来研究方向，但当环境发生变化时，可以运用自然界孕育智能的同一套进化原理，变异：平均而言，Allora Labs 首席科学家发表的一篇新论文从数学上证明，更大的提升空间在于模型群体如何相互作用和进化，由变异模型构成的群体能够突破该上限。我们证明，表现最佳的模型会更接近新的最优解。也是进化数十亿年来一直在做的事情。数值实验验证了全部四项定理；变异群体的综合输出以高度统计显著性优于原始模型。漂移：环境发生变化，Liverpool John Moores University，而变异速度过快则会导致性能急剧下降。
当模型变异速率大致与环境变化速率相匹配时，合成：权重集中于最佳模型；群体整体输出反映了该胜出模型的结果。这项研究为我们思考 AI 在不断变化环境下的鲁棒性开辟了新的维度。这项研究证明，无论训练得多么充分，通过基因突变有意削弱单个 AI 模型，由刻意多样化的模型构成的群体能够突破这一上限，物种通过变异维持遗传多样性。”Allora Labs 首席科学家兼论文作者 Diederik Kruijssen 博士表示。都要求系统具备在前所未遇的条件下保持良好表现的能力。某些变体恰好适应新的条件。”
—— Steven Longmore 教授，
Allora Labs 研究人员证明，变异群体中的最佳模型在约 80% 的情况下优于经过优化的群体中的最佳模型。" alt="自然缺陷机制。合成：权重集中于最佳模型；群体整体输出反映了该胜出模型的结果。