2026年5月，美国国防高级研究计划局（DARPA）启动“受控涌现式去中心化人工智能”（DICE）项目，旨在研发去中心化协同与局部推理控制理论及算法，构建具备可扩展性、自适应性与抗毁性的异构人工智能（AI）智能体集群。该集群可在高对抗作战环境中自主执行长期任务，并始终处于管控之下。

AI智能体在商业、科研与军事领域的应用价值持续提升。随着相关系统逐步成熟，研发重心逐渐从单智能体系统转向多智能体系统，用以执行需要多职能单元协同的复杂任务。2026年5月，DARPA启动“受控涌现式去中心化人工智能”（DICE）项目，将构建规模达10万个智能体的可扩展、自适应、高抗毁的自主系统集群。

1

项目背景

当前，专业化多智能体系统能够通过分工，将规划、分析、感知、测试、执行等职能分配至不同智能体，在执行复杂任务上的性能超越单一超大模型。但绝大多数多智能体系统均为临时搭建模式，受集中式规划器、路由模块或人工编写的脚本工作流管控。中心化调度机制导致现有多智能体系统会形成致命单点故障，同时限制集群能够承载的智能体数量、角色种类以及智能体之间的信息交互规模。此外，对抗环境中通信质量差、信息通常残缺不全，现有多智能体架构呈现出可扩展性不足、自适应能力有限、易遭受敌方攻击破坏等短板。

图1 美战争部多智能体系统的主要短板包括可扩展性有限、可适应性较差、韧性不足

与此同时，近期技术进展为突破上述局限指明了可行路径。自组织系统与分布式共识领域的研究成果，为去中心化管控的对等协同奠定了理论基础。康威生命游戏（Conway’s Game of Life）证实，简单的交互规则能够催生复杂涌现现象；拜占庭容错共识与机制设计（Byzantine-resilient consensus and mechanism design）相关研究，提供了维持多方协作、隔离遭攻陷智能体的技术手段。与此同时，机制可解释性、激活调控、智能体记忆与上下文管理等方向取得的突破，证明了无需对基础模型进行完整重训练，便可在推理阶段监测并引导模型的内部推演过程。

DARPA认为，多项技术成果共同表明，当下正是摆脱脆弱调度机制、构建具备理论支撑的去中心化可管控集群智能架构的窗口期，“受控涌现式去中心化人工智能”（DICE）项目正是现存技术短板与全新技术机遇共同催生的结果。

2

项目目标

DICE旨在研发去中心化协同与局部推理控制理论及算法，构建一支可扩展、自适应、高抗毁的自主系统集群，能够感知战场态势变化并随之调整行动，在对抗环境中长期执行复杂任务。DICE将打造一套运行于认知交互层面、灵活动态的智能体互联网，依托认知层局部适配器实现自组织，适配器能够便捷集成各类异构AI智能体。该智能体集群无需人类对每项行动逐一下达指令，但始终接受人类管控并遵循使用者意图。DICE将在仿真环境中，基于美战争部相关典型作战场景验证去中心化架构，力求在可扩展性、自适应性、抗毁性、稳健性等方面取得可量化提升，最终在未来对抗性作战中实现“观察-判断-决策-行动”（OODA）循环优势。

为实现这一目标，DICE主要致力于发展两项技术：

（1）高度可扩展的去中心化协同架构

该架构能够拆解复杂目标，并长期融合各类专业智能体获取的分布式态势信息。架构支持智能体之间的多轮交互，在信息不完全透明的条件下迭代搜集情报；能够根据环境的演变持续优化策略；同时具备抵御多重风险的能力，包括通信链路中断、信息冲突、智能体行为失控、单体智能体损毁、失效或遭敌方控制等。

在DICE体系中，依托对等协同与高韧性分布式共识机制，智能体无需等待人工或机器规划单元下发指令，即可自主编组、分配职能，并融合存在矛盾、残缺或被敌方污染的信息。AI能力将通过异构智能体之间的交互作用涌现而出，整体能力超越单个智能体的智能水平。

（2）推理阶段的局部控制方法

该方法用于在多轮交互过程中维持各智能体角色的一致性，约束集群层面的涌现行为，同时保留认知灵活性，使智能体能够在动态环境中探寻全新行动方案。在DICE体系中，异构智能体交互催生智能能力，但这类涌现效应受到架构管控机制约束，确保体系恪守作战规范，同时抑制智能体异常行为，使其聚焦任务目标并维持长期协同能力。

3

项目架构

DICE项目周期为36个月，分为3个实施阶段，第一阶段为期9个月，重点研究去中心化技术，并开展初步演示；第二阶段为期15个月，聚焦对抗环境下的稳健性；第三阶段为期12个月，重点攻克可扩展性难题。项目设置三大技术领域（TA）：自组织、局部推理控制、测试与评估。

图2 DICE项目架构中，部署于各智能体的本地适配器负责对等协同与局部推理控制，以此实现可扩展、自适应、高抗毁的自组织AI智能体集群的受控涌现

（1）技术领域1（TA1）：自组织

技术领域1旨在研发相关理论、算法与工程实现方案，使异构AI智能体依托对等协同、分布式任务规划、高韧性态势融合以及常规故障与敌方攻击条件下的共识机制，自主组建具备任务执行能力的编队。图3描述了分布式任务拆分的对等协同协议的一个示例，该协议可基于拍卖机制构建：各智能体针对自身能力范围内、与任务相关的子任务发起竞标，同时将剩余任务向整个集群广播，供其他智能体参与竞标。智能体集群依据本地竞标信息与局部观测结果即可达成共识并确定最优任务拆分方案，整个过程无需中心化调度。若某一智能体失效，仅需针对该智能体承担的任务发起局部竞标，无需对整个集群重新规划全部任务。

图3 分布式任务拆分的对等协同协议示例

技术领域1需探索去中心化协同与共识机制，包括但不限于：基于分布式拍卖与市场机制的任务分配，基于共识的信息融合算法，多智能体强化学习，博弈论机制设计，拜占庭容错共识与高韧性信息聚合，系统遭遇故障、单元被攻陷、作战目标变更条件下的分布式重规划。

（2）技术领域2（TA2）：局部推理控制

技术领域2旨在研发推理阶段局部控制方法，确保AI单体智能体历经长时间跨度、多轮推理运算，即便遭受敌方攻击、接收相互矛盾的态势信息，并与其他智能体开展多轮交互时，依旧坚守既定职能并契合任务目标。

技术领域2将探索AI管控技术路线，包括但不限于激活调控（如图4所示的一种基于激活调控的候选技术路线）、表征工程、机制设计、记忆编辑、上下文裁剪。研究团队需要构建运行时监测器，用于识别角色偏移、目标偏移或者任务失配现象，并研发推理阶段控制器，对智能体推演过程实施约束或引导。相关技术方案需要同时适配两类智能体：一类是开放权重模型智能体，可访问其隐空间（latent space）与激活空间；另一类是商用黑盒模型智能体，仅能够访问智能体框架组件，例如记忆模块、工具调用约束、带状态角色分配模块。

图4 一种基于激活调控的候选技术路线

（3）技术领域3（TA3）：测试与评估

技术领域3负责面向美战争部相关应用场景开展测试与评估，搭建测试评估所用仿真环境，持续开发贯穿项目周期的演示验证场景；对技术领域1与技术领域2集成方案开展综合评估。

技术领域3需要研发的核心技术组件包括：仿真环境、仿真环境内贴合美战争部需求的应用场景、面向指定场景设计的可扩展性/自适应性/抗毁性量化指标、自动化评估流水线等。评估流水线在项目第一阶段完成去中心化多智能体系统与基线方案对标，在第二、第三阶段组织集群对抗淘汰赛。

4

项目指标

DICE项目的核心指标旨在衡量去中心化智能集群相对当前顶尖多智能体系统，在可扩展性、自适应性、抗毁性上取得的性能提升（如表1所示）。任务复杂度可通过三项要素表征：智能体数量、所需独立职能种类、交互次数（消息交换总量）。关于系统遭受扰动后的自适应恢复耗时，项目采用智能体之间完成交互的消息数量进行量化。上述指标属于通用参考指标，项目将依托技术领域3研究成果，结合具体应用场景对指标进行细化与拓展。

表1 DICE项目指标

声明：本文来自防务快讯，版权归作者所有。文章内容仅代表作者独立观点，不代表安全内参立场，转载目的在于传递更多信息。如有侵权，请联系 anquanneican@163.com。