Byzantine（拜占庭）源自“拜占庭将军问题”，是分布式系统中描述故障或恶意节点发送矛盾信息、破坏整体一致性的经典概念。在当前 AI 与分布式学习领域，Byzantine 通常指向“拜占庭容错”：即在部分参与者不可信的情况下，仍能保证训练、共识或聚合结果正确的一类方法。随着联邦学习、去中心化训练和智能体基础设施的兴起，这一概念正在从传统共识协议扩展到机器学习鲁棒性的核心议题。
Byzantine 容错研究近期进展
面向智能体基础设施的认知拜占庭容错（EBFT）提出“诚实法定人数”问题，探讨在多个 AI 智能体协作时如何界定可信节点集合，把传统 BFT 思想引入智能体系统（诚实法定人数问题：面向智能体基础设施的认知拜占庭容错（EBFT））。
在去中心化联邦学习方向，多篇工作从不同角度缓解恶意节点影响：一项研究优化了拜占庭节点的部署位置，以刻画和防御最坏情况下的攻击（Optimizing Byzantine Node Placement in Decentralized Federated Learning）；另一项结合 gossip 协议与虚拟投票实现安全的去中心化训练（Secure Decentralized Federated Learning via Gossip and Virtual Voting）。
针对大规模场景，Giskard 提出兼具拜占庭鲁棒性与机密性的聚合方案，在保护隐私的同时抵御恶意参与者（Giskard : Byzantine Robust and Confidential Aggregation for Large-Scale Decentralized Learning）。
Byzantine 鲁棒性的应用与关注点
应用层面，拜占庭容错正在走向具体行业。一项面向联网电动汽车的研究将抗拜占庭的聚类式去中心化联邦学习用于电池智能管理，显示该方法在车联网等安全敏感场景具有实际需求（Automated Byzantine-Resilient Clustered Decentralized Federated Learning for Battery Intelligence in Connected EVs）。
更宏观地，一篇覆盖云-边-物联网系统的综述系统梳理了异构环境下的安全、隐私与鲁棒性问题，将拜占庭行为纳入可信分布式机器学习的整体框架（Trustworthy Distributed Machine Learning in Cloud-Edge-IoT Systems）。
当前关于 Byzantine 的讨论主要聚焦三点：一是容错从区块链共识向 AI 训练和智能体系统迁移，可信节点如何认定成为新问题；二是鲁棒聚合、投票机制与隐私保护需要在同一框架内兼顾；三是实际部署中攻击者策略与防御假设之间的匹配仍缺乏统一评测标准。对关注分布式 AI 安全的读者而言，智能体场景下的拜占庭容错（如 EBFT）与去中心化联邦学习中的鲁棒聚合，是接下来值得持续观察的方向。