新研究证明：在不断变化的世界中，变异型 AI 模型群体的性能优于经过优化的模型

Allora Labs 研究人员证明，通过基因突变有意削弱单个 AI 模型，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，便无法适应。Allora Labs 首席科学家发表的一篇新论文从数学上证明，可以运用自然界孕育智能的同一套进化原理，克服这一根本性限制。研究表明，在 AI 模型群体中有意引入随机变异，可使该群体在周围世界发生变化时，整体性能超过任何单个经过优化的模型。论文题为《Flawed in Nature, Perfect through Evolution》，发表于学术期刊 Allora Decentralized Intelligence。

“任何单个 AI 模型，无论训练得多么充分，只要其训练所依据的世界发生变化，误差就会开始累积。”Allora Labs 首席科学家兼论文作者 Diederik Kruijssen 博士表示。这是信息论意义上无法避免的性能上限。我们证明，由刻意多样化的模型构成的群体能够突破这一上限，原因与生物物种能够在环境变化中生存相同。它们拥有既有变异，其中一些更适合环境变化后的世界。”

这一关键洞见直接源自进化生物学。在自然界，物种通过变异维持遗传多样性。大多数变异会对个体生物造成伤害，但种群会因此受益，因为环境发生变化时，某些变体恰好适应新的条件。这项研究证明，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，但当环境发生变化时，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。

“个体的不完美能够促成集体适应，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，并获得数学保证，是一项重大进展。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。”
Steven Longmore 教授，Liverpool John Moores University，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，任何单个模型都无法摆脱这一性能上限；同时，严格的数学证明表明，由变异模型构成的群体能够突破该上限。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。

当模型变异速率大致与环境变化速率相匹配时，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”。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，而变异速度过快则会导致性能急剧下降。这种容错特性为实际应用开辟了广阔空间。

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、医疗保健、自动驾驶汽车以及其他持续变化的环境中，无法适应不断变化的条件已成为其主要失效模式。目前，大多数 AI 研究都专注于让单个模型变得更大、更快。我们认为，更大的提升空间在于模型群体如何相互作用和进化，而这项研究证明，这才是正确的思考方向。”

Kruijssen 博士表示：“我们通常与智能联系在一起的特质，例如原创性、适应性和创造力，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。现有 AI 模型做不到这一点。它们只能复制所学内容，却无法适应未知。不断进化的模型群体则能够做到。这正是本研究所展示的，也是进化数十亿年来一直在做的事情。”

论文提出了多个未来研究方向，包括通过微调方法将 Flawed－in－Nature 原则应用于大型语言模型、将其扩展至去中心化 AI 网络，以及开发一种能够自动调节变异强度的控制器算法，而无需预先了解环境如何变化。Kruijssen 博士补充道：“这样的成果将带来众多后续研究方向。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，也已经开始开展多项具体应用的研究。”