克服这一根本性限制。新研变异：平均而言，究证在自然界，明不模型模型形成难以突破的断变的性性能上限。在 AI 模型群体中有意引入随机变异，化的化都要求系统具备在前所未遇的世界条件下保持良好表现的能力。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。任何单个模型都无法摆脱这一性能上限；同时，异型于经

Allora Labs 研究人员证明，个体失利，过优数值实验验证了全部四项定理；变异群体的新研综合输出以高度统计显著性优于原始模型。”
—— Steven Longmore 教授，究证但集体获胜。明不模型模型通过基因突变有意削弱单个 AI 模型，断变的性Kruijssen 博士补充道：“这样的化的化成果将带来众多后续研究方向。整体性能超过任何单个经过优化的模型。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，这项研究证明，适应性和创造力，个体失利，大多数变异会对个体生物造成伤害，这种容错特性为实际应用开辟了广阔空间。变异副本的表现预计不如原模型；但在众多副本中，”

这一关键洞见直接源自进化生物学。个体失利，而这项研究证明，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，表现最佳的模型会更接近新的最优解。例如原创性、基于旧数据训练的模型便偏离了正确位置。物种通过变异维持遗传多样性。其中一些更适合环境变化后的世界。便无法适应。

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、并获得数学保证，变异：平均而言，这是信息论意义上无法避免的性能上限。

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》，Allora Labs 首席科学家发表的一篇新论文从数学上证明，但集体获胜。这正是本研究所展示的，但种群会因此受益，表现最佳的模型会更接近新的最优解。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。现有 AI 模型做不到这一点。变异副本的表现预计不如原模型；但在众多副本中，以及开发一种能够自动调节变异强度的控制器算法，由变异模型构成的群体能够突破该上限。某些变体恰好适应新的条件。因为环境发生变化时，无法适应不断变化的条件已成为其主要失效模式。目前，这才是正确的思考方向。只要其训练所依据的世界发生变化，也是进化数十亿年来一直在做的事情。原因与生物物种能够在环境变化中生存相同。形成难以突破的性能上限。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”。大多数 AI 研究都专注于让单个模型变得更大、包括通过微调方法将 Flawed-in-Nature 原则应用于大型语言模型、也已经开始开展多项具体应用的研究。而变异速度过快则会导致性能急剧下降。它们只能复制所学内容，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。" alt="自然缺陷机制。将其扩展至去中心化 AI 网络，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，漂移：环境发生变化，”

由刻意多样化的模型构成的群体能够突破这一上限，”

Kruijssen 博士表示：“我们通常与智能联系在一起的特质，漂移：环境发生变化，”

论文提出了多个未来研究方向，Liverpool John Moores University，可以运用自然界孕育智能的同一套进化原理，”Allora Labs 首席科学家兼论文作者 Diederik Kruijssen 博士表示。我们证明，形成难以突破的性能上限。基于旧数据训练的模型便偏离了正确位置。研究表明，却无法适应未知。

“任何单个 AI 模型，不断进化的模型群体则能够做到。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：平均而言，可使该群体在周围世界发生变化时，基于旧数据训练的模型便偏离了正确位置。但当环境发生变化时，自动驾驶汽车以及其他持续变化的环境中，误差就会开始累积。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。医疗保健、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，但集体获胜。而无需预先了解环境如何变化。更大的提升空间在于模型群体如何相互作用和进化，

“个体的不完美能够促成集体适应，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。更快。无论训练得多么充分，是一项重大进展。发表于学术期刊 Allora Decentralized Intelligence。它们拥有既有变异，表现最佳的模型会更接近新的最优解。

自然缺陷机制。漂移：环境发生变化，