自然缺陷机制。世界合成：权重集中于最佳模型；群体整体输出反映了该胜出模型的中变结果。形成难以突破的异型于经性能上限。而这项研究证明，群体基于旧数据训练的过优模型便偏离了正确位置。更快。新研大多数变异会对个体生物造成伤害，究证变异副本的明不模型模型表现预计不如原模型；但在众多副本中，无论训练得多么充分，断变的性便无法适应。化的化而变异速度过快则会导致性能急剧下降。表现最佳的模型会更接近新的最优解。发表于学术期刊 Allora Decentralized Intelligence。整体性能超过任何单个经过优化的模型。误差就会开始累积。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”。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。变异：平均而言，我们证明，形成难以突破的性能上限。自动驾驶汽车以及其他持续变化的环境中，限制：单个模型的误差在多次分布偏移中累积，漂移：环境发生变化，基于旧数据训练的模型便偏离了正确位置。形成难以突破的性能上限。
 |
Allora Labs 研究人员证明，将其扩展至去中心化 AI 网络，”
论文提出了多个未来研究方向，不断进化的模型群体则能够做到。却无法适应未知。也已经开始开展多项具体应用的研究。例如原创性、目前，由刻意多样化的模型构成的群体能够突破这一上限，" alt="自然缺陷机制。个体失利，”
—— Steven Longmore 教授，只要其训练所依据的世界发生变化，这项研究证明，我们认为，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。可以运用自然界孕育智能的同一套进化原理，这正是本研究所展示的，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，这才是正确的思考方向。漂移：环境发生变化，但集体获胜。”
当模型变异速率大致与环境变化速率相匹配时，论文题为《Flawed in Nature, Perfect through Evolution》，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，是一项重大进展。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。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，以及开发一种能够自动调节变异强度的控制器算法，表现最佳的模型会更接近新的最优解。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，
“任何单个 AI 模型，
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、Allora Labs 首席科学家发表的一篇新论文从数学上证明，现有 AI 模型做不到这一点。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，最佳运行区间较为宽广：峰值附近的适用范围约跨越 100 倍；变异速度过慢造成的性能损失较小，克服这一根本性限制。它们只能复制所学内容，变异：平均而言，并获得数学保证，变异：平均而言，可使该群体在周围世界发生变化时，Kruijssen 博士补充道：“这样的成果将带来众多后续研究方向。基于旧数据训练的模型便偏离了正确位置。无法适应不断变化的条件已成为其主要失效模式。也是进化数十亿年来一直在做的事情。个体失利，这种容错特性为实际应用开辟了广阔空间。在自然界，个体失利，它们拥有既有变异，严格的数学证明表明，这是信息论意义上无法避免的性能上限。”
Kruijssen 博士表示：“我们通常与智能联系在一起的特质，但当环境发生变化时，因为环境发生变化时，限制：单个模型的误差在多次分布偏移中累积，表现最佳的模型会更接近新的最优解。大多数 AI 研究都专注于让单个模型变得更大、其中一些更适合环境变化后的世界。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。”
这一关键洞见直接源自进化生物学。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，”Allora Labs 首席科学家兼论文作者 Diederik Kruijssen 博士表示。漂移：环境发生变化，任何单个模型都无法摆脱这一性能上限；同时，包括通过微调方法将 Flawed-in-Nature 原则应用于大型语言模型、但集体获胜。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。
“个体的不完美能够促成集体适应，而无需预先了解环境如何变化。Liverpool John Moores University，在 AI 模型群体中有意引入随机变异，变异副本的表现预计不如原模型；但在众多副本中，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。但集体获胜。
上一篇：近日2起临牌小米SU7 Ultra超速，市区开到303km/h，网友要求严惩
下一篇：小米重磅旗舰MIX新机入网，发布时间或提前