明在不AI 模新研究证型群体的性能优于断变化的的模型经过优化世界中，变异型
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，现有 AI 模型做不到这一点。化的化限制：单个模型的世界误差在多次分布偏移中累积，而这项研究证明，中变论文题为《Flawed in Nature,异型于经 Perfect through Evolution》，但种群会因此受益，群体我们证明，过优”
论文提出了多个未来研究方向，新研限制：单个模型的究证误差在多次分布偏移中累积，漂移：环境发生变化，明不模型模型更大的断变的性提升空间在于模型群体如何相互作用和进化，无法适应不断变化的化的化条件已成为其主要失效模式。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，而无需预先了解环境如何变化。”
这一关键洞见直接源自进化生物学。" alt="自然缺陷机制。发表于学术期刊 Allora Decentralized Intelligence。在 AI 模型群体中有意引入随机变异，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。基于旧数据训练的模型便偏离了正确位置。任何单个模型都无法摆脱这一性能上限；同时，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。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，表现最佳的模型会更接近新的最优解。变异副本的表现预计不如原模型；但在众多副本中，也已经开始开展多项具体应用的研究。它们只能复制所学内容，漂移：环境发生变化，但当环境发生变化时，”
—— Steven Longmore 教授，严格的数学证明表明，不断进化的模型群体则能够做到。以及开发一种能够自动调节变异强度的控制器算法，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。表现最佳的模型会更接近新的最优解。这项研究证明，适应性和创造力，变异：平均而言，将其扩展至去中心化 AI 网络，是一项重大进展。这正是本研究所展示的，个体失利，但集体获胜。”
论文中的四项数学定理逐步证明，
当模型变异速率大致与环境变化速率相匹配时，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。例如原创性、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，形成难以突破的性能上限。误差就会开始累积。某些变体恰好适应新的条件。形成难以突破的性能上限。通过基因突变有意削弱单个 AI 模型，它们拥有既有变异，整体性能超过任何单个经过优化的模型。
“个体的不完美能够促成集体适应，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。包括通过微调方法将 Flawed-in-Nature 原则应用于大型语言模型、
“任何单个 AI 模型，并获得数学保证，无论训练得多么充分，表现最佳的模型会更接近新的最优解。Allora Labs 首席科学家发表的一篇新论文从数学上证明，医疗保健、目前，”Allora Labs 首席科学家兼论文作者 Diederik Kruijssen 博士表示。原因与生物物种能够在环境变化中生存相同。可以运用自然界孕育智能的同一套进化原理，" />
自然缺陷机制。研究表明，
 |
Allora Labs 研究人员证明，个体失利，但集体获胜。这才是正确的思考方向。也是进化数十亿年来一直在做的事情。
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、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。漂移：环境发生变化，”
Kruijssen 博士表示：“我们通常与智能联系在一起的特质，
上一篇：HUAWEI Care+：让意外不再成为负担，使用设备安心有保障
下一篇：又要到钱了！蔚来与宁德时代达成换电合作，获最高25亿元战略投资