Los enjambres de IA mutantes superan a los modelos optimizados en un mundo cambiante

News provided by

Sep 03, 2026, 00:11 ET

-Una nueva investigación demuestra que los enjambres de IA mutantes superan a los modelos optimizados en un mundo cambiante

Investigadores de Allora Labs demuestran que empeorar intencionadamente los modelos individuales de IA mediante mutaciones genéticas mejora su rendimiento colectivo.

NUEVA YORK, 3 de septiembre de 2026 /PRNewswire/ -- Los sistemas de IA actuales se ven limitados por su incapacidad para adaptarse a los cambios en el entorno en el que fueron entrenados. Un nuevo artículo del científico jefe de Allora Labs demuestra matemáticamente que esta limitación fundamental puede superarse utilizando los mismos principios evolutivos que generaron la inteligencia en la naturaleza. La investigación muestra que la introducción de mutaciones aleatorias deliberadas en una población de modelos de IA permite que dicha población supere colectivamente a cualquier modelo optimizado individual a medida que el entorno cambia. El artículo, titulado "Defectuosos en la naturaleza, perfectos a través de la evolución", se publica en la revista Allora Decentralized Intelligence.

Flawed-in-Nature mechanism. Drift: the environment shifts, and the model trained on old data sits in the wrong place. Limit: a single model’s error accumulates over shifts, producing a hard performance ceiling. Mutation: on average, a mutated copy is expected to be worse than the original, but the best of many sits closer to the new optimum. Synthesis: weight concentrates on the best model; the swarm’s collective output reflects that winner. Individuals lose, but the collective wins.

"Cualquier modelo de IA, por muy bien entrenado que esté, acumula errores en el momento en que cambia el entorno con el que fue entrenado", afirma el Dr. Diederik Kruijssen, científico jefe de Allora Labs y autor del artículo. "Se trata de un límite ineludible desde el punto de vista de la teoría de la información. Demostramos que una población de modelos deliberadamente diversificados supera ese límite, por la misma razón que las especies biológicas sobreviven al cambio ambiental. Presentan una variación preexistente, parte de la cual se adapta bien al mundo posterior al cambio".

La idea clave se basa directamente en la biología evolutiva. En la naturaleza, las especies mantienen la variación genética mediante mutaciones. La mayoría de las mutaciones son perjudiciales para el organismo individual, pero la población se beneficia porque algunas variantes resultan estar bien adaptadas a nuevas condiciones cuando el entorno cambia. Esta investigación demuestra que el mismo principio se aplica a las poblaciones de modelos de IA: cada modelo mutado es individualmente peor, pero el mejor modelo del enjambre mutado supera al mejor modelo de un enjambre optimizado aproximadamente el 80 % de las veces cuando cambian las condiciones.

"La idea de que la imperfección individual posibilita la adaptación colectiva está bien establecida en la teoría evolutiva, pero verla formalizada con garantías matemáticas para sistemas artificiales representa un avance significativo. Este trabajo abre una nueva dimensión para reflexionar sobre la robustez de la IA en condiciones cambiantes."
— Prof. Steven Longmore, Universidad John Moores de Liverpool, Conservación de la biodiversidad impulsada por IA.

Los cuatro teoremas matemáticos del artículo demuestran, paso a paso, que ningún modelo individual puede superar este límite de rendimiento, y que una población de modelos mutados lo supera de forma demostrable. Los experimentos numéricos validan los cuatro teoremas, y el rendimiento combinado del enjambre mutado supera al original con una alta significación estadística.

La ventaja alcanza su máximo cuando la tasa de mutación de los modelos coincide aproximadamente con la tasa de cambio del entorno: una "zona de Ricitos de Oro" que refleja la dinámica evolutiva. El régimen óptimo es amplio: existe un rango de aproximadamente cien veces alrededor del pico, y la penalización por mutar demasiado lentamente es leve, mientras que mutar demasiado rápido degrada drásticamente el rendimiento. Este comportamiento tolerante abre la puerta a aplicaciones prácticas.

Nick Emmons, consejero delegado de Allora Labs, comentó sobre el trabajo: "A medida que los sistemas de IA se implementan en los mercados financieros, la atención médica, los vehículos autónomos y otros entornos en constante cambio, la incapacidad de adaptarse a las condiciones cambiantes se ha convertido en su principal fallo. La mayoría de las investigaciones en IA se centran en hacer que los modelos individuales sean más grandes y rápidos. Creemos que el mayor beneficio reside en cómo interactúan y evolucionan los conjuntos de modelos, y este trabajo demuestra que esa es la perspectiva correcta".

"Las cualidades que asociamos con la inteligencia, como la originalidad, la adaptabilidad y la creatividad, requieren la capacidad de desempeñarse bien en condiciones nunca antes experimentadas", afirma el Dr. Kruijssen. "Los modelos de IA actuales no pueden hacerlo. Replican lo que han aprendido, pero no se adaptan a lo desconocido. Una población de modelos en evolución sí puede. Eso es lo que demuestra este trabajo, y es lo que la evolución ha estado haciendo durante miles de millones de años".

El artículo describe varias líneas de investigación futuras, incluyendo la aplicación del principio de naturaleza defectuosa a grandes modelos de lenguaje mediante métodos de ajuste fino, su extensión a redes de IA descentralizadas y el desarrollo de un algoritmo de control que ajusta automáticamente la fuerza de la mutación sin necesidad de conocer cómo cambia el entorno. "Un resultado como este abre un sinfín de posibilidades", añadió el Dr. Kruijssen. "Nuestro equipo ya ha desarrollado el controlador que permite que este principio funcione en la práctica, y también hemos comenzado a trabajar en varias aplicaciones concretas".

Acerca de Allora Labs

Allora Labs es el principal desarrollador de Allora Network, una red de inferencia de IA descentralizada que aprovecha una comunidad global de modelos de aprendizaje automático para generar predicciones altamente precisas y contextualizadas en tiempo real. Fundada por su consejero delegado, Nick Emmons, Allora Labs investiga la inteligencia colectiva, la coordinación de modelos y la síntesis de inferencias. La compañía se ha asociado con organizaciones como AWS, Alibaba Cloud, Saudi Telecom y Pairpoint de Vodafone, y ha recibido financiación de inversores como Polychain, Framework, Blockchain Capital y CoinFund. Para obtener más información, visite alloralabs.xyz y allora.network.

Acerca de Allora Decentralized Intelligence

Allora Decentralized Intelligence (ADI) es una revista académica de investigación que publica innovaciones en inteligencia artificial descentralizada, coordinación de modelos e inteligencia de enjambre. ADI fue fundada y está dirigida por el Dr. Diederik Kruijssen, científico jefe de Allora Labs. Es investigador de IA/ML y astrofísico con 20 años de experiencia en modelado cuantitativo de vanguardia en investigación, tecnología, finanzas y web3, y es autor de más de 300 publicaciones revisadas por pares.

Detalles del documento