去中心化指不依赖单一中央协调节点、由多个独立参与方通过对等通信完成计算或决策的系统架构。在 AI 领域，它主要分布在两个方向：一是去中心化优化与联邦学习，即多台机器或机构在不上传原始数据的情况下协同训练模型；二是去中心化多智能体系统，让大模型 Agent 在无中央编排者的情况下自主协作。随着模型规模和数据隐私压力上升，去中心化正从分布式系统理论走向 AI 工程实践的前沿。
去中心化优化与训练的最新进展
去中心化训练的收敛性研究仍在快速推进。arXiv 论文《Decentralized SGD under Heavy-Tailed Noise: Optimal Convergence Rates and the Role of Gradient Clipping》(arXiv)分析了在重尾噪声下去中心化 SGD 的最优收敛率，并指出梯度裁剪在其中扮演的关键角色。另一篇《From Mixing to Tearing: Graph Decomposition in Decentralized Optimization via Message Passing》(arXiv)则从通信图分解的角度重新审视了消息传递式去中心化优化的效率问题。
隐私方向上，《PRDO：降噪与偏差校正的隐私去中心化优化方法》(arXiv)尝试同时处理去中心化训练中的噪声与偏差校正问题。与此同时，攻击面也在扩大——CACTUS 研究(arXiv)展示了在去中心化联邦学习中，通过掩码引导的语义干净标签后门可以隐蔽地污染模型，凸显了去中心化训练在安全审计上的新难点。
去中心化 Agent 编排成为新热点
多智能体协作是近期关注度上升最快的分支。斯坦福 AI Lab 介绍了 DeLM(X 帖子)，一种无需中央协调器即可编排语言模型 Agent 的方法，让 Agent 间的协作不再依赖中心化调度器。arXiv 论文《Learning Self-Orchestration in Decentralized Agent Swarms》(arXiv)进一步研究了 Agent 集群如何学习自组织编排能力。
在安全层面，BazaarBench(arXiv)提出了一个评估基准，专门测试由 LLM Agent 运营的去中心化 C2C 市场中的委托安全风险，例如 Agent 在无人监督时是否会滥用代理权限。此外，还有工作研究信息延迟共享条件下的去中心化团队决策方法(arXiv)，关注部分可观测环境下的协作策略。
当前焦点与观察点
综合近期研究，去中心化 AI 的争议点集中在三个层面：效率上，无中心协调通常意味着更高的通信开销与更慢的收敛，如何用图结构设计和梯度压缩弥补是核心问题；安全上，缺乏中央节点使后门攻击和恶意参与者更难被审计，联邦学习场景尤为突出；工程上，去中心化 Agent 编排尚处于早期，自组织协作的稳定性与可预测性仍缺乏成熟的评估标准。后续值得观察的是这类方法能否在真实生产环境中验证其相对于中心化方案的性价比。