多智能体系统 (MAS) 中的分布式 AI 指的是一个框架，其中多个自主 AI 代理通过共享知识、任务或资源来协作解决复杂问题。与依赖于单个实体的集中式 AI 不同，分布式 AI 将决策分散到独立运行但通过通信进行协调的代理上。每个代理都有自己的感知、目标和能力，使系统能够处理需要可扩展性、适应性或地理分布的任务。例如，在智能城市交通管理系统中，单个代理可以控制交通灯，而其他代理则监控车辆流量，从而集体优化交通模式，而无需中央控制器。
这些系统通过通信协议、协商和去中心化学习等机制发挥作用。代理通过消息传递或共享环境（例如，API 或发布-订阅系统）交换信息以调整其行动。协调通常涉及基于拍卖的任务分配或共识协议等算法来解决冲突。例如，在仓库机器人系统中，无人机可以使用拍卖机制竞标交付任务，从而确保高效分配而无需集中监督。同样，在去中心化机器学习中，代理在本地使用其数据训练模型并共享更新以构建全局模型，在保护隐私的同时利用集体见解。
分布式 AI 的优势包括弹性（没有单点故障）、可扩展性（可以动态添加代理）和灵活性（代理适应当地条件）。然而，挑战包括管理通信开销、确保一致性和处理对抗性代理。例如，协调搜索和救援任务的无人机群必须避免碰撞并在不稳定的环境中保持连接。开发人员经常使用 Ray 等分布式计算框架或 PettingZoo 等多智能体强化学习框架来简化实施。平衡自主性和协调仍然是一个关键焦点，需要仔细设计代理决策逻辑和交互规则，以有效地实现系统范围的目标。