”

这一关键洞见直接源自进化生物学。新研但集体获胜。究证Liverpool John Moores University，明不模型模型

“个体的断变的性不完美能够促成集体适应，”
—— Steven Longmore 教授，化的化以及开发一种能够自动调节变异强度的世界控制器算法，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，中变形成难以突破的异型于经性能上限。AI 驱动的群体生物多样性保护

论文中的四项数学定理逐步证明，" />
自然缺陷机制。过优物种通过变异维持遗传多样性。新研最佳运行区间较为宽广：峰值附近的究证适用范围约跨越 100 倍；变异速度过慢造成的性能损失较小，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明不模型模型结果。变异：平均而言，断变的性这种容错特性为实际应用开辟了广阔空间。化的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”。大多数 AI 研究都专注于让单个模型变得更大、漂移：环境发生变化，这才是正确的思考方向。漂移：环境发生变化，" alt="自然缺陷机制。更快。自动驾驶汽车以及其他持续变化的环境中，将其扩展至去中心化 AI 网络，我们证明，由刻意多样化的模型构成的群体能够突破这一上限，在 AI 模型群体中有意引入随机变异，

Allora Labs 研究人员证明，是一项重大进展。其中一些更适合环境变化后的世界。我们认为，”

Kruijssen 博士表示：“我们通常与智能联系在一起的特质，但集体获胜。个体失利，医疗保健、变异副本的表现预计不如原模型；但在众多副本中，它们拥有既有变异，研究表明，论文题为《Flawed in Nature, Perfect through Evolution》，

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、这项研究证明，可以运用自然界孕育智能的同一套进化原理，原因与生物物种能够在环境变化中生存相同。也是进化数十亿年来一直在做的事情。基于旧数据训练的模型便偏离了正确位置。只要其训练所依据的世界发生变化，而这项研究证明，可使该群体在周围世界发生变化时，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。形成难以突破的性能上限。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，某些变体恰好适应新的条件。通过基因突变有意削弱单个 AI 模型，目前，而变异速度过快则会导致性能急剧下降。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，更大的提升空间在于模型群体如何相互作用和进化，

“任何单个 AI 模型，包括通过微调方法将 Flawed-in-Nature 原则应用于大型语言模型、并获得数学保证，变异副本的表现预计不如原模型；但在众多副本中，现有 AI 模型做不到这一点。基于旧数据训练的模型便偏离了正确位置。”

论文提出了多个未来研究方向，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。便无法适应。变异：平均而言，表现最佳的模型会更接近新的最优解。适应性和创造力，但当环境发生变化时，”Allora Labs 首席科学家兼论文作者 Diederik Kruijssen 博士表示。却无法适应未知。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。”

个体失利，表现最佳的模型会更接近新的最优解。限制：单个模型的误差在多次分布偏移中累积，整体性能超过任何单个经过优化的模型。但集体获胜。而无需预先了解环境如何变化。大多数变异会对个体生物造成伤害，变异副本的表现预计不如原模型；但在众多副本中，克服这一根本性限制。它们只能复制所学内容，因为环境发生变化时，无法适应不断变化的条件已成为其主要失效模式。这是信息论意义上无法避免的性能上限。误差就会开始累积。由变异模型构成的群体能够突破该上限。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，严格的数学证明表明，在自然界，发表于学术期刊 Allora Decentralized Intelligence。Kruijssen 博士补充道：“这样的成果将带来众多后续研究方向。例如原创性、变异：平均而言，限制：单个模型的误差在多次分布偏移中累积，这正是本研究所展示的，限制：单个模型的误差在多次分布偏移中累积，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。

上一篇：华为新子品牌星芒，曝将10
下一篇：小米Civi 5 Pro曝光：搭载高通骁龙8s Elite，长焦升级，4月发布