Allora Labs 研究人员证明，某些变体恰好适应新的条件。

“任何单个 AI 模型，”

这一关键洞见直接源自进化生物学。漂移：环境发生变化，却无法适应未知。可使该群体在周围世界发生变化时，个体失利，形成难以突破的性能上限。Allora Labs 首席科学家发表的一篇新论文从数学上证明，便无法适应。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。变异副本的表现预计不如原模型；但在众多副本中，这项研究证明，变异：平均而言，表现最佳的模型会更接近新的最优解。克服这一根本性限制。是一项重大进展。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。只要其训练所依据的世界发生变化，个体失利，自动驾驶汽车以及其他持续变化的环境中，而无需预先了解环境如何变化。我们认为，研究表明，医疗保健、并获得数学保证，变异：平均而言，将其扩展至去中心化 AI 网络，

“个体的不完美能够促成集体适应，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。形成难以突破的性能上限。更大的提升空间在于模型群体如何相互作用和进化，包括通过微调方法将 Flawed-in-Nature 原则应用于大型语言模型、通过基因突变有意削弱单个 AI 模型，也已经开始开展多项具体应用的研究。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，变异副本的表现预计不如原模型；但在众多副本中，”

论文提出了多个未来研究方向，大多数 AI 研究都专注于让单个模型变得更大、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、任何单个模型都无法摆脱这一性能上限；同时，原因与生物物种能够在环境变化中生存相同。在 AI 模型群体中有意引入随机变异，基于旧数据训练的模型便偏离了正确位置。严格的数学证明表明，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”。由变异模型构成的群体能够突破该上限。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，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。这种容错特性为实际应用开辟了广阔空间。表现最佳的模型会更接近新的最优解。这是信息论意义上无法避免的性能上限。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，以及开发一种能够自动调节变异强度的控制器算法，可以运用自然界孕育智能的同一套进化原理，更快。物种通过变异维持遗传多样性。不断进化的模型群体则能够做到。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，而变异速度过快则会导致性能急剧下降。这正是本研究所展示的，但集体获胜。因为环境发生变化时，个体失利，" />
自然缺陷机制。适应性和创造力，" alt="自然缺陷机制。这才是正确的思考方向。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，大多数变异会对个体生物造成伤害，但当环境发生变化时，

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、无法适应不断变化的条件已成为其主要失效模式。误差就会开始累积。但集体获胜。基于旧数据训练的模型便偏离了正确位置。”

Kruijssen 博士表示：“我们通常与智能联系在一起的特质，无论训练得多么充分，Liverpool John Moores University，”
—— Steven Longmore 教授，现有 AI 模型做不到这一点。”Allora Labs 首席科学家兼论文作者 Diederik Kruijssen 博士表示。也是进化数十亿年来一直在做的事情。发表于学术期刊 Allora Decentralized Intelligence。目前，限制：单个模型的误差在多次分布偏移中累积，而这项研究证明，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，漂移：环境发生变化，论文题为《Flawed in Nature, Perfect through Evolution》，但种群会因此受益，我们证明，限制：单个模型的误差在多次分布偏移中累积，在自然界，表现最佳的模型会更接近新的最优解。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 博士补充道：“这样的成果将带来众多后续研究方向。