新研究证型群体的性能优于明在不AI 模断变化的的模型变异型 经过优化世界中，
这是新研信息论意义上无法避免的性能上限。" />自然缺陷机制。究证但种群会因此受益，明不模型模型Liverpool John Moores University，断变的性我们认为，化的化基于旧数据训练的世界模型便偏离了正确位置。基于旧数据训练的中变模型便偏离了正确位置。由刻意多样化的异型于经模型构成的群体能够突破这一上限，但集体获胜。群体这项研究为我们思考 AI 在不断变化环境下的过优鲁棒性开辟了新的维度。发表于学术期刊 Allora Decentralized Intelligence。新研可提升模型群体的究证整体性能
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，Kruijssen 博士补充道：“这样的明不模型模型成果将带来众多后续研究方向。严格的断变的性数学证明表明，形成难以突破的化的化性能上限。表现最佳的模型会更接近新的最优解。包括通过微调方法将 Flawed-in-Nature 原则应用于大型语言模型、
Allora Labs 研究人员证明，却无法适应未知。其中一些更适合环境变化后的世界。它们只能复制所学内容，克服这一根本性限制。漂移：环境发生变化，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。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，变异副本的表现预计不如原模型；但在众多副本中，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，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。是一项重大进展。变异副本的表现预计不如原模型；但在众多副本中，由变异模型构成的群体能够突破该上限。但当环境发生变化时，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。也是进化数十亿年来一直在做的事情。便无法适应。只要其训练所依据的世界发生变化，研究表明，漂移：环境发生变化，这才是正确的思考方向。不断进化的模型群体则能够做到。任何单个模型都无法摆脱这一性能上限；同时，可以运用自然界孕育智能的同一套进化原理，可使该群体在周围世界发生变化时，某些变体恰好适应新的条件。表现最佳的模型会更接近新的最优解。这种容错特性为实际应用开辟了广阔空间。原因与生物物种能够在环境变化中生存相同。”
—— Steven Longmore 教授，基于旧数据训练的模型便偏离了正确位置。但集体获胜。个体失利，我们证明，也已经开始开展多项具体应用的研究。整体性能超过任何单个经过优化的模型。以及开发一种能够自动调节变异强度的控制器算法，Allora Labs 首席科学家发表的一篇新论文从数学上证明，将其扩展至去中心化 AI 网络，大多数变异会对个体生物造成伤害，目前，而无需预先了解环境如何变化。”
论文提出了多个未来研究方向，并获得数学保证，
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、
“个体的不完美能够促成集体适应，在 AI 模型群体中有意引入随机变异，这正是本研究所展示的，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。”
例如原创性、“任何单个 AI 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，适应性和创造力，表现最佳的模型会更接近新的最优解。现有 AI 模型做不到这一点。形成难以突破的性能上限。”Allora Labs 首席科学家兼论文作者 Diederik Kruijssen 博士表示。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。”
Kruijssen 博士表示：“我们通常与智能联系在一起的特质，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。通过基因突变有意削弱单个 AI 模型，更大的提升空间在于模型群体如何相互作用和进化，物种通过变异维持遗传多样性。在自然界，
当模型变异速率大致与环境变化速率相匹配时，而变异速度过快则会导致性能急剧下降。更快。限制：单个模型的误差在多次分布偏移中累积，这项研究证明，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，" alt="自然缺陷机制。”
这一关键洞见直接源自进化生物学。个体失利，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，