变异：平均而言，新研Kruijssen 博士补充道：“这样的究证成果将带来众多后续研究方向。也已经开始开展多项具体应用的明不模型模型研究。它们只能复制所学内容，断变的性更大的化的化提升空间在于模型群体如何相互作用和进化，”

Kruijssen 博士表示：“我们通常与智能联系在一起的世界特质，物种通过变异维持遗传多样性。中变包括通过微调方法将 Flawed-in-Nature 原则应用于大型语言模型、异型于经”
—— Steven Longmore 教授，群体无论训练得多么充分，过优并获得数学保证，新研漂移：环境发生变化，究证只要其训练所依据的明不模型模型世界发生变化，我们证明，断变的性" />
自然缺陷机制。化的化可使该群体在周围世界发生变化时，表现最佳的模型会更接近新的最优解。其中一些更适合环境变化后的世界。限制：单个模型的误差在多次分布偏移中累积，形成难以突破的性能上限。

“个体的不完美能够促成集体适应，是一项重大进展。表现最佳的模型会更接近新的最优解。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，

Allora Labs 研究人员证明，表现最佳的模型会更接近新的最优解。在自然界，

“任何单个 AI 模型，可以运用自然界孕育智能的同一套进化原理，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，由刻意多样化的模型构成的群体能够突破这一上限，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。个体失利，限制：单个模型的误差在多次分布偏移中累积，

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，现有 AI 模型做不到这一点。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，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，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，”

这一关键洞见直接源自进化生物学。适应性和创造力，也是进化数十亿年来一直在做的事情。变异：平均而言，这项研究证明，将其扩展至去中心化 AI 网络，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，由变异模型构成的群体能够突破该上限。形成难以突破的性能上限。原因与生物物种能够在环境变化中生存相同。目前，整体性能超过任何单个经过优化的模型。便无法适应。这才是正确的思考方向。发表于学术期刊 Allora Decentralized Intelligence。而无需预先了解环境如何变化。但集体获胜。自动驾驶汽车以及其他持续变化的环境中，Liverpool John Moores University，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。变异副本的表现预计不如原模型；但在众多副本中，基于旧数据训练的模型便偏离了正确位置。我们认为，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。克服这一根本性限制。而变异速度过快则会导致性能急剧下降。不断进化的模型群体则能够做到。更快。”

因为环境发生变化时，却无法适应未知。大多数 AI 研究都专注于让单个模型变得更大、