受控涌现式分布式人工智能：DARPA 把「本体 + OODA」路线推到了下一代

来源：市场资讯

（来源：开源QB分析与方法 无人机）

2026 年 4 月 DARPA 正式启动的DICE（Decentralized Artificial Intelligence through Controlled Emergence，受控涌现式分布式人工智能）项目，是当前无人集群自主决策领域最前沿的方向之一。它看似是个全新概念，本质上却是我们上期在聊的「本体规则做底 + OODA 闭环运行」路线的分布式升级 —— 没有推翻经典理论，只是把决策逻辑从「中心化图谱底座」下沉到了每一个智能体本地，解决了传统方案「中心节点被打掉就全崩」的致命短板。

先搞懂：什么是「受控涌现」？

蜂群的「涌现」不是新词 —— 自然界里的鸟群、蚁群，每只个体只遵循简单的本地规则（跟紧邻居、别撞上、保持方向），聚在一起就能呈现出复杂的群体行为，这就是自由涌现。传统的无人机蜂群编队、避障，基本都是这个逻辑。

但军事场景里，自由涌现是大忌：你不知道集群会冒出什么奇怪行为，可能扎堆、可能漏任务、可能打错目标，完全不可控；而纯中心化指挥又太脆弱 —— 打掉指挥机、干扰掉通信链路，整群无人机就成了无头苍蝇。

「受控涌现」就是解决这个矛盾：没有单一中心指挥节点，但集群行为永远在预设边界内。就像互联网：没有总控中心，任意一台服务器宕机都不影响全网运行，但所有数据传输都遵守 TCP/IP 协议，不会乱套。DICE 项目的目标，就是给无人机蜂群做一套军事版的「TCP/IP」，让蜂群既能无中心自主协同、抗毁性拉满，又永远符合作战规则、不会跑偏。

受控涌现式分布式人工智能，是分布式人工智能（DAI） 与复杂系统涌现理论结合的前沿方向，核心目标是：让大量独立的智能体（比如无人机、无人车）在无中心指挥节点的前提下，通过遵循统一的本地规则自组织协作，自发产生复杂的群体智能行为；同时通过前置规则约束与内生纠偏机制，保证群体行为始终落在预设的合规边界内，不会出现失控、越界的异常涌现。

它的本质可以概括为一句话：给自组织套上规则笼子，在边界内让智能自由涌现。

一、两个底层基础概念

要理解受控涌现，先搞懂两个最核心的基石：

1. 分布式人工智能（DAI）

和传统 “一个大脑管所有” 的集中式 AI 不同，分布式 AI 没有单一的中心决策节点：

• 系统由大量独立的智能体（Agent）组成，每个智能体自带感知、计算、决策、执行能力；

• 没有全局总控，单个智能体损毁、失联，不会导致整个系统瘫痪；

• 智能体之间通过点对点通信交换信息，自主协商完成任务，靠群体协作实现整体目标。

无人机蜂群就是最典型的分布式 AI 载体：每架无人机都是一个独立智能体，自己带传感器、自己能决策，不靠后方主机统一操控。

2. 涌现现象

涌现是复杂系统的固有特性：个体遵循简单的本地规则，聚合后会自发产生个体不具备的、复杂的群体行为，也就是常说的 “整体大于部分之和”。

• 自然界的鸟群、蚁群、蜂群都是典型：每只鸟只遵守 “跟紧邻居、不碰撞、保持方向” 三条简单规则，几千只鸟就能聚成整体、灵活转向、躲避天敌，没有任何一只鸟是 “领头鸟”；

• 传统无人蜂群的编队、避障，就是最基础的涌现行为。

但纯自由涌现的致命问题是不可控、不可预测：你不知道群体最终会涌现出什么行为，可能扎堆、可能漏任务、可能越界，在军事、工业等高风险场景里完全不可接受。受控涌现，就是专门解决这个矛盾 —— 既要无中心自组织的灵活性和抗毁性，又要行为可控、符合规则。

二、受控涌现的四大核心基本原理

受控涌现不是靠 “中心节点遥控” 实现控制，而是把约束做进系统底层，靠四套机制共同实现 “边界内自由”。

1. 前置规则底座：全局统一的语义与约束（对应本体 / 教义合规）

这是 “受控” 的根基，也是整个系统的前提 ——所有智能体出厂时就预装一套完全一致的 “规则共识”，不是控制每一步动作，而是划定绝对不能碰的红线和通用语义标准。对应到本体理论，这套规则底座就是轻量化的分布式本体：

• 语义共识：统一定义所有实体、任务、动作的概念，比如 “什么是敌方目标、什么是民用目标、侦察任务 / 打击任务分别是什么”，保证所有智能体对同一件事的理解完全一致，不会出现语义偏差；
• 合规边界：明确禁止性行为与硬约束，比如 “禁止打击民用目标”“打击前必须确认敌对属性”“防空压制必须先于精确打击”，任何智能体的决策都不能突破这条底线；
• 协作基础规则：定义任务分配、优先级排序的通用逻辑，比如 “离目标最近的智能体优先执行侦察”“剩余电量高的优先补位”。

所有规则都是预定义、可解释、可追溯的，相当于给所有智能体的决策套上了 “规则笼子”—— 笼子里你可以自由发挥，笼子边绝对不能碰。

2. 个体自治闭环：每个智能体自带完整决策链路（对应本地 OODA）

分布式的核心是不依赖中心指令，因此每个智能体本地都必须有一套完整的感知 - 决策 - 执行闭环，对应单机版的 OODA 循环：

1. 观察：本机传感器采集周边环境、目标、邻域智能体状态，映射到本地本体实例；
2. 定向：基于本地规则研判态势、判断意图，明确当前任务优先级；
3. 决策：在合规边界内，自主生成本机可执行的动作方案；
4. 行动：执行动作，同时把自身状态、任务进展同步给附近的邻域智能体。

每个智能体都能独立决策、独立干活，哪怕完全断联、只剩自己，也能继续执行任务，不会因为失去中心就瘫痪。

3. 邻域稀疏协同：靠局部交互形成全局有序

受控涌现不需要全局广播所有信息，智能体只和通信范围内的邻居交换状态、协商任务，靠局部协作的扩散效应，自发形成全局有序的群体行为。这是它和集中式系统最核心的区别：

• 信息交互是稀疏的：只传关键状态（位置、任务、剩余资源），不传全量数据，通信压力极小；

• 协作是动态的：没有固定编组，谁离得近、谁能力匹配，谁就自动加入协作，任务完成后自动解散；

• 全局秩序自发形成：比如发现敌方防空目标后，最近的侦察机自动抵近侦察，旁边的干扰机自动补位压制，后方的打击机自动衔接攻击 —— 全程没有中心调度，靠邻域信息传递，几十架无人机就能自动串起完整任务链。

4. 内生负反馈纠偏：把失控扼杀在本地

“受控” 不是靠事后人工干预，而是靠系统内生的负反馈机制，自动抑制异常行为，保证涌现结果不偏离预期：

1. 本地规则否决：智能体的每一个决策，都会先过一遍本地规则校验，越界决策直接被本地否决，根本发不出去；
2. 邻域交叉校验：如果某台智能体出现异常决策（比如误判民用目标为敌方），邻居智能体会基于统一规则识别出来，自动驳回并修正异常状态，不让错误扩散；
3. 弱全局校准：系统可以设置极低频的全局弱监督（比如每隔几分钟同步一次全局规则版本、任务总目标），只校准大方向，不干预具体动作，进一步降低失控风险。

这套机制保证了：哪怕个别智能体故障、被干扰，也只会影响极小范围，不会带偏整个集群，群体行为永远在预设边界内。

三、完整运行逻辑：从个体规则到群体受控涌现

用无人机蜂群拦截装甲车队的场景，串一遍完整原理流程，会更直观：

1. 预装规则：所有无人机出厂预装统一本体规则 —— 目标分类标准、任务依赖关系、禁止打击民用目标、就近分配任务等；
2. 本地感知触发：最前方的侦察无人机发现敌方车队，本地完成目标识别与威胁判断，生成侦察跟踪任务；
3. 邻域协同扩散：侦察机把目标坐标、威胁等级同步给附近的邻居无人机，邻居里的干扰机自动匹配规则 “打击前需压制防空”，主动衔接压制任务；再往外的察打无人机收到信息，自动衔接打击任务；
4. 自组织任务链：靠一层层邻域传递，几十架无人机自发组成 “侦察 - 干扰 - 打击 - 评估” 的完整任务链，全程没有中心节点调度；
5. 全程合规校验：每一步决策都经过本地规则校验，邻域智能体交叉确认目标属性，绝对不会出现误打、越界行为；
6. 动态自修复：如果某架干扰机被击落，旁边的备用干扰机会自动感知到空缺，基于规则自动补位，任务链不会中断。

最终呈现的效果就是：蜂群没有总指挥，却能有序完成复杂任务；个体灵活调整，整体却永远符合作战规则，这就是典型的受控涌现。

四、和传统方案的核心差异

对比维度

集中式 AI

纯自由涌现

受控涌现式分布式 AI

控制方式

中心节点统管所有决策

完全无控制，个体自由交互

前置规则约束边界，内部自由自组织

抗毁性

极差，中心被打掉全系统瘫痪

极强，个体损毁不影响整体

极强，无中心节点，局部损毁不影响全局

可控性

极强，每一步都可控

极差，行为不可预测

较强，边界绝对可控，过程灵活自组织

扩展性

差，规模越大中心压力越大

极强，规模越大涌现效应越明显

极强，规模扩大只需增加个体，无需改造系统

可解释性

强，决策路径可追溯

弱，涌现行为无法解释

强，所有决策均基于可追溯的规则

回头看 DARPA 这十几年的蜂群项目，技术脉络一脉相承，全是在这条路上往深了走：

• 早期 CODE 项目：中心化本体底座 + 单机 OODA，解决断联后单机自主问题；

• 中期 OFFSET 项目：扩展战术事理本体，实现中心端任务链自动生成与迭代；

• 最新 DICE 项目：本体下沉到边缘，分布式受控涌现，彻底解决中心节点单点故障问题。

它没有抛弃本体的强约束、可解释优势，也没有放弃 OODA 的闭环迭代机制，只是把架构从「集中式」变成了「分布式」，把抗毁性、灵活性拉到了极致，刚好踩中了未来高对抗战场「强干扰、强杀伤、无中心」的核心需求。

启发：

很多人觉得前沿技术一定是推翻旧体系，但 DICE 项目恰恰说明：真正能落地的前沿，从来都是经典理论的持续深化。本体几十年了，OODA 半个世纪了，但把它们从中心服务器搬到每一架小型无人机上，从集中式推理做到分布式受控涌现，就诞生了全新的集群智能形态。说到底，决定技术上限的从来不是新名词，而是对经典底层逻辑的理解深度 —— 能把老理论用到极致，本身就是最硬核的前沿。

补充：DICE 项目公开核心信息

• 发起方：DARPA（美国国防高级研究计划局）信息创新办公室，2026 年 4 月正式发布招标

• 一、英文原始名称

  • 项目全称：Decentralized Artificial Intelligence through Controlled Emergence

  • 官方固定缩写：DICE

  • 归口部门：DARPA 信息创新办公室（I2O）

  • 项目负责人：Susmit Jha

  DARPA 官方项目主页（最权威的项目说明）

  https://www.darpa.mil/research/programs/decentralized-artificial-intelligence-through-controlled-emergence

• 原文摘要：

• DICE 项目致力于突破单一智能体的能力上限，通过智能体之间的交互协作，培育体系级人工智能能力。这种可控的集群涌现特性，能够确保 DICE 智能体坚守任务目标、恪守作战准则、抑制异常行为，同时在智能体失联、被攻破的情况下依旧保持整体作战韧性。本项目不涉及现实世界自主系统的研发与部署工作，将依托仿真环境，验证适配国防作战场景的 DICE 架构体系，力求在系统可扩展性、环境适应性，以及应对常规故障、敌方攻击的抗毁韧性方面实现可量化的性能提升。

DICE aims to advance AI beyond individual agent capabilities by fostering system-level capability that emerges from the interactions between agents. This controlled emergence ensures DICE AI agents remain on mission, maintain doctrine, suppress misbehaviors, and remain resilient to agent loss or compromise. The program’s scope does not include the development and deployment of autonomous systems in the real world. The program will use simulation environments to demonstrate DICE architectures in Department of War-relevant use-cases, targeting measurable gains in scalability, adaptability, and resilience against both benign failures and adversarial attacks.

附录1：

核心理论奠基文献（受控涌现的底层依据）

1. 多智能体规范涌现系统综述

• 标题：A systematic review of norm emergence in multi-agent systems
• 作者：Serramia M, 等
• 发表渠道：arXiv:2412.10609, 2024
• 核心价值：目前最完整的 “多智能体规则涌现” 领域综述，系统梳理了群体中行为规范如何自发形成、如何约束个体决策的全量研究脉络。受控涌现的本质就是「预定义硬规则 + 软规范自发演化」的结合，这篇文献能帮你从理论层面论证 “本体规则底座 + 分布式协同” 的合理性。

2. 知识融合模式综述（分布式语义对齐）

• 标题：Knowledge fusion patterns: A survey
• 作者：Smirnov A, Levashova T
• 发表渠道：Information Fusion, 2019（SCI Q1，信息融合顶刊）

核心价值：系统讲解了分布式环境下，多智能体如何实现语义一致的知识融合与信息互通。对应你研究里的「分布式本体共识」—— 无中心节点的前提下，所有无人机靠统一本体实现语义对齐，这篇文献是该方向的经典理论依据。

3. 多智能体涌现协调量化框架

• 标题：Emergent Coordination in Multi-Agent Language Models
• 作者：Riedl M O, 等
• 发表渠道：arXiv:2510.05174, 2025
• 核心价值：提出了基于信息论的量化框架，用来区分 “简单个体聚合” 和 “真正的群体涌现行为”，可以直接复用为你论文中蜂群协同效果的评估方法，解决 “怎么证明涌现是有效的、可控的” 这个问题。

近年前沿研究论文（与 DICE 技术路线高度契合）

1. 分布式 AGI 安全与本地推理约束

• 标题：Distributional AGI Safety
• 作者：DeepMind 团队，Tomašev N 等
• 发表渠道：arXiv:2512.05863, 2025
• 核心价值：DeepMind 提出的 “拼凑型 AGI” 框架，核心思路是多个分布式智能体协作实现高级智能，同时通过本地推理约束保证全局安全可控，和 DICE「本地推理控制 + 全局受控涌现」的思路完全同源，是当前该方向最前沿的理论研究之一。

2. 大规模多智能体角色自发分化