Consensus（共识）在人工智能与机器学习领域，指多个模型、节点或智能体在分布式环境中就学习结果或决策达成一致的过程与机制，是联邦学习、去中心化训练和多智能体系统的核心问题之一。近期的 arXiv 论文显示，这一方向正从单纯追求收敛或准确率，转向兼顾个性化、统计稳健性与解释性的综合研究。
Consensus 研究的近期进展
当前焦点与观察点
目前 Consensus 相关讨论呈现两条主线。一是技术层面：如何在数据异构、噪声非高斯、客户端算力不均的现实条件下，让分布式学习既收敛又保留个性化能力，几何共识与统计个性化的结合是近期代表性尝试。二是概念层面：随着大模型训练日益集中化，去中心化共识训练的实际收益与成本仍存争议，有论文开始反思该研究范式本身。
此外，Consensus 一词在更广的语境中也有含义，例如菲律宾央行（BSP）进一步加息的市场共识，以及东盟围绕缅甸问题的"五点共识"外交框架。这些用法与机器学习中的共识机制并无直接关联，但在检索该关键词时容易混淆，读者应结合上下文区分技术含义与政策、金融语境中的含义。总体来看，共识机制在 AI 领域仍是活跃且存在自我审视的研究方向，未来值得关注其在多智能体协作与可信 AI 中的延伸。