分布式人工智能概述
分布式人工智能（Distributed Artificial Intelligence，DAI）研究逻辑上或物理上分布的多个智能实体如何协同工作，以完成单个实体难以胜任的复杂任务。它兴起于 20 世纪 80 年代，背景是现实问题天然具有分布性：数据分散、决策分权、知识分属不同专家，正如一个人类组织。
为什么需要分布式智能
- 问题本身是分布的：空中交通管制、供应链调度、电网控制跨越地域与机构，无法集中收集全部信息；
- 并行带来效率：多实体可异步、并行地处理子问题；
- 容错与健壮性：单点失效不致全系统崩溃，天然冗余；
- 异构知识融合：不同系统拥有不同表示法、不同本体，通过通信协作而非强行统一；
- 成本与可扩展性：增加新节点比改造一个巨型集中式系统更经济。
DAI 的两大分支
分布式问题求解
Distributed Problem Solving：系统整体设计，各节点是协作的、善意的"模块"，问题被分解为子任务分派下去，再综合结果。研究重点是任务分解、分布与结果合成，如分布式传感网络、并行启发式搜索。
多智能体系统
Multi-Agent System：各 Agent 独立设计、各有自身目标，甚至利益相左；它们通过通信、协商、谈判达成协调。研究重点是自治实体间的交互理性，是 DAI 的主流与归宿。
DPS 中节点的目标一致、由全局设计者保证协作；MAS 中 Agent 是自利或半自利的，协作必须通过协议、激励与博弈"自发"产生。前者像一个配合默契的合唱团，后者像集市上达成交易的买卖双方。
Agent 的概念与特征
Agent（智能体/主体）通常被定义为：驻留在某一环境中，能够自主感知环境并采取行动，以实现其设计目标的计算机系统。它是对"智能行为承载者"的一种抽象——人可以是 Agent，机器人、软件进程、大模型驱动的助手也可以是 Agent。
四大基本特征（Wooldridge & Jennings）
| 特征 | 含义 | 生活类比 |
|---|---|---|
| 自治性 Autonomy | 无需人或其他实体的直接干预，对自身行为与内部状态有控制权——最本质特征 | 员工能独立安排完成任务的步骤 |
| 社会性 Social Ability | 能通过某种通信语言与其他 Agent（及人）交互、交换信息与协作 | 同事间开会、发邮件协作 |
| 反应性 Reactivity | 能感知环境变化并及时作出响应 | 司机看到红灯立即刹车 |
| 主动性 Pro-activeness | 不仅被动响应，还能面向目标主动采取行动 | 销售员主动开拓新客户 |
更强的 Agent 还可能具备：学习能力、移动性（在网络节点间迁移）、诚实、善意、理性等人造社会属性。
Agent 与相近概念的辨析
- 与对象（Object）：对象也封装状态与方法，但其方法由外部调用决定执行与否，无自治权；Agent 自己决定是否响应请求，并具有独立的执行线程；
- 与专家系统：专家系统是"被动顾问"，问才答；Agent 常驻环境中，能主动行动并与其他实体共处；
- 与一般程序：一般程序假定环境完全可由输入刻画；Agent 面对开放、动态、不完全可知的环境。
Agent 的分类
反应式 Agent
不做符号推理，靠"感知—动作"规则直接响应，简单快速。
慎思式 Agent
维护环境的内部模型与信念，经规划再行动。
混合式 Agent
反应层与慎思层分层协作，兼顾实时性与理性。
Agent 的基本结构
Agent 的内部结构回答"感知到的信息如何变成行动"。围绕是否维护符号化的世界模型、是否进行显式推理，形成了三类经典结构。
反应式 Agent（Reactive）
源于布鲁克斯（R. Brooks）1986 年提出的包容式体系结构（Subsumption Architecture）。它反对"先表示世界再推理"的传统，主张智能可以没有符号、没有推理，而由一组并发的、从感知直接到动作的行为层涌现：
优点是响应极快、鲁棒、实现简单（扫地机器人、群体机器人多属此类）；缺点是不能前瞻规划，无法处理需要记忆与长远目标的任务。
慎思式 Agent（Deliberative）与 BDI 模型
慎思式 Agent 内部维护环境的符号表示，经由"世界模型—推理规划—执行"的环路行动。最有影响的是 BDI 模型，用三种心智状态刻画决策：
| 心智状态 | 含义 | 类比 |
|---|---|---|
| 信念 Belief | Agent 对环境和自身的当前认识（可能不完全、可能错误） | "我相信前方拥堵" |
| 愿望 Desire | 希望达到的目标集合（可彼此冲突） | "我想准时到达，又想省油" |
| 意图 Intention | 从愿望中选定并承诺执行的行动计划 | "决定绕行北二环" |
BDI 的循环是：更新信念 → 产生选项 → 筛选并承诺意图 → 执行计划 → 根据新感知修正。它能处理复杂目标，但依赖符号推理，实时性差，且在快速变化环境中"刚规划完就过时"。
混合式 Agent（Hybrid）
实用系统通常把二者分层结合，典型为水平分层或垂直分层架构：
反应层
处理紧急、低延迟的反射行为（急停、避障），不经推理直接行动。
慎思层
维护长期模型，进行规划、学习与复杂决策，周期较慢。
层间协调
慎思层为反应层设置行为参数与目标；反应层向慎思层上报事件，兼顾"想得深"与"反应快"。自动驾驶系统即是典型：紧急避让靠反应层，路径规划靠慎思层。
多智能体系统与协调协作
多个 Agent 共处时，各自目标与资源相互牵制，若无组织，极易陷入冲突甚至"死锁"。多智能体系统（MAS）的核心议题便是协调、协作与协商。
协调 Coordination
使各 Agent 行为在时间、资源上不冲突、朝相容方向推进，是最宽泛的概念。机制包括组织结构、信息流规则、社会法则与惯例。
协作 Cooperation
多个 Agent 为共同目标而协同，各自承担子任务并共享成果，前提是目标相容、善意合作。
协商 Negotiation
当 Agent 利益不一致时，通过出价—还价等交互，在价格、任务分配上达成彼此接受的协议；合同网协议、拍卖机制、博弈论是其理论工具。
冲突消解
检测资源争用、目标矛盾后，通过优先级、仲裁、调解或妥协化解，避免系统整体目标受损。
合同网协议（Contract Net Protocol，1980）
戴维斯与史密斯提出的合同网是 MAS 中最经典的任务分配机制，模拟人类工程招标：
① 招标（Task Announcement）
管理者（Manager）把待分配任务广播给潜在承包者。
② 投标（Bidding）
有能力且有空闲的 Agent 根据自身成本与收益评估，递交标书。
③ 授标（Awarding）
管理者按最优标准（报价最低、信誉最高等）选择承包者并授予"合同"。
④ 履约与报告
中标者执行任务（还可再次招标，形成层次化合同网），完成后向管理者汇报结果。
蚁群、粒子群（第 6 章）是同质、简单、无显式通信的多智能体：个体只遵循局部规则、靠信息素等间接机制（stigmergy）协作，智能在群体层面涌现。MAS 研究的则往往是异质、有复杂心智、用语言显式通信的 Agent。二者共同回答一个深刻问题：简单个体的局部交互，如何产生宏观智能？
Agent 通信与言语行为
协作以通信为前提。Agent 通信不同于简单的数据交换：一条消息不仅携带内容，还表达发送者的交际意图。
言语行为理论（Speech Act Theory）
语言哲学家奥斯汀（J. Austin）与塞尔（J. Searle）指出：说话即是做事。话语同时是：
- 言内行为（说出合乎语法的句子）；
- 言外行为（陈述、询问、请求、承诺、警告……意图所在）；
- 言后行为（对听者产生的效果）。
例如"这里很冷"字面是陈述，言外之力却可能是请求对方关窗。Agent 通信语言据此把"交际原语（performative）"与消息内容分开编码。
KQML 与 FIPA ACL
| 语言 | 提出方 | 要点 |
|---|---|---|
| KQML | DARPA 知识共享努力（1990s） | 可嵌套的消息结构，外层是 tell、ask-if、reply、achieve 等执行原语，表达"我对内容做什么"，内层内容可用任意表示语言。 |
| FIPA ACL | 智能物理 Agent 基金会 FIPA | 国际标准，定义 inform、request、agree、refuse、propose、cfp（招标）等 20 余种通信动作，是 JADE 等平台的标准语言。 |
一条 FIPA 消息包含：发送者、接收者、通信动作类型、内容、内容语言、本体（Ontology）、协议与对话控制信息。本体保证双方对同一词汇（如"订单""违约"）有一致理解，是语义互操作的关键。
招标方 cfp（call for proposals）→ 投标方 propose / refuse → 招标方 accept-proposal / reject-proposal → 中标方 inform(done, result)。可以看到，10.4 节的合同网正是建立在这套通信动作之上的会话协议。
平台、应用与新发展
典型开发平台
JADE
Java Agent DEvelopment Framework，最流行的 FIPA 兼容 MAS 中间件：提供 Agent 生命周期管理、黄页服务（DF）、消息传输与 FIPA ACL 支持，广泛用于教学与科研。
Swarm
圣塔菲研究所开发的多智能体仿真平台，擅长模拟复杂适应系统；此外还有 Repast、NetLogo 等面向社会仿真的工具。
应用领域
- 智能制造与供应链：工厂中的设备 Agent 协商排产，供应链上下游 Agent 动态匹配订单与库存；
- 智能交通与无人机集群：信号灯、车辆、无人机各自自治又协同避障、编队；
- 电力市场与微电网：发电、储能、用户 Agent 竞价交易、平衡负荷；
- 电子商务：买方 Agent 比价、卖方 Agent 动态定价，自动谈判达成交易；
- 游戏与影视：NPC 群体行为、战斗编队、人群仿真；
- 灾害救援与传感器网络：大量自治节点在通信受限环境下分区搜索、信息汇聚。
新发展：大模型智能体（LLM Agent）
2023 年以来，大语言模型为 Agent 赋予了强大的通用"大脑"，MAS 思想迎来新的生命：
感知—规划—行动闭环
LLM Agent 接收环境观察，用"思考（Reasoning）—调用工具（Acting）—观察结果（Observation）"循环推进任务，即 ReAct 模式。
工具使用与记忆
通过函数调用使用搜索、代码、数据库、机器人接口，并以短期/长期记忆积累经验。
多智能体协作框架
多个扮演不同角色（产品经理、程序员、测试员）的 LLM Agent 通过消息辩论、分工、互评，完成软件开发、科学研究等复杂任务。
从图灵之问到搜索推理，从知识工程到机器学习，从神经计算到自然语言，再到自治 Agent 的群体协作——人工智能的十条线索在此交汇：符号主义追求可解释的规则，连接主义追求可学习的网络，分布式智能追求可涌现的群体。三者在大模型时代彼此融合。理论学习不会随课程结束，真正的智能图景，仍在每一位学习者的思考与创造中展开。