🤖 machine learning

Post-Deterministic Distributed Systems: A New Foundation for Trustworthy Autonomous Infrastructure

本文引入了后确定性分布式系统（PDDS）作为协调异构自主智能体与随机推理引擎的新型基础模型，将范式从通用确定性执行转向一个基于五大架构支柱的框架，通过语义等价性与认识状态复制来确保信任。

原作者： Jun He, Deying Yu

发布于 2026-06-02

📖 1 分钟阅读☕ 轻松阅读

原作者： Jun He, Deying Yu

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一个正在被重写计算机通信规则的世界。几十年来，我们一直将数字基础设施建立在一个简单、僵化的理念之上：如果你给两台计算机发送完全相同的指令，它们必须以完全相同的方式执行完全相同的工作。

这就像是在进行军事演习。如果指挥官说“向左转”，每一名士兵都必须向左转。如果一名士兵向右转了，即便他们最终面向了相同的方向，也会被视为演习失败。这就是我们现有的“确定性”（deterministic）系统的工作方式。它们可靠、可预测，非常适合处理银行账本或数据库记录等事务。

但现在，我们正将 AI 智能体（AI agents） 和 自主推理引擎（autonomous reasoning engines） 引入其中。这些不再是僵硬的士兵，而更像是 富有创造力的侦探。

问题所在：侦探困境

想象你面对着一栋建筑发生的火灾。

侦探 A 看到火灾，检查了烟雾传感器，并决定打开窗户以排清空气。
侦探 B 看到同样的火灾，检查了热感传感器，并决定从另一个角度喷洒水流。

两位侦探都解决了问题（火熄灭了），并且都遵守了规则。但他们采取了不同的路径，观察了不同的线索，并使用了不同的方法。

在我们旧有的“军事演习”系统中，这会是一场灾难。系统会尖叫道：“错误！侦探 A 和侦探 B 没有做完全相同的事情！”并随即关闭系统。但在现实世界中，我们需要这些富有创造力的侦探来解决那些刚性脚本无法处理的复杂问题。

解决方案：后确定性分布式系统 (PDDS)

该论文提出了一种名为 后确定性分布式系统 (Post-Deterministic Distributed Systems, PDDS) 的新框架。它不再要求每个人都做完全相同的事，而是询问：“每个人都做对了吗？”

它将目标从一致的行为转向了语义连贯性（semantic coherence）（即对意义和结果达成共识）。

以下是该论文建议我们如何构建这个新世界，通过五个主要支柱：

1. 协议驱动开发（安全网）

这一支柱不仅仅是在代码运行前进行检查，而是在系统的门口设置了一个“保镖”。这个保镖并不关心 AI 侦探是如何构思出计划的，但它会严格检查：“这个计划是否违反了任何安全规则？” 如果侦探想要删除一个文件，保镖会检查这是否被允许。如果不允许，即使侦探认为这是一个好主意，计划也会被拦截。

2. 可验证的智能体基础设施（身份标识）

在过去，一个智能体只需要一个密码即可行动。在这个新世界里，智能体必须展示一份“证据链”。这就像侦探展示他们的笔记本一样：“我看到了这些烟雾（证据），我思考了这项政策（规则），因此我决定打开窗户（行动）。” 系统会检查整个故事，以确保智能体是基于正确的意图在行动，而不仅仅是因为拥有密码。

3. 自主状态控制平面（项目经理）

有时，侦探会因为过于专注于一个小线索而忘记了大局（比如试图救下一个房间，却烧毁了整栋建筑）。这一支柱充当了项目经理的角色，负责时刻关注长期目标。它将“思考”阶段与“执行”阶段分离，确保即使侦探分心了，整体任务仍能按计划进行。

4. 语义共识保障（陪审团）

在传统系统中，你需要 51% 的计算机对完全相同的数字达成一致。在 PDDS 中，你需要一个“陪审团”来判定结果是否正确。
如果三个不同的 AI 智能体针对服务器崩溃提出了三种不同的修复方案，系统不会要求它们说完全相同的话。相反，它会问：“这三种方案是否都是安全且有效的？” 如果陪审团中的大多数认为：“是的，这三种方案都是有效的，”系统就会选择其中之一并继续执行。这利用了智能体的多样性来增强系统的强度，而非削弱它。

5. 认识论状态复制（共享记忆）

这是最复杂的部分。在旧世界中，计算机共享数据（例如一份共享电子表格）。在这个新世界中，计算机需要共享知识与信念。
想象两名正在办案的侦探。他们不需要拥有完全相同的笔记，但他们需要知道对方知道什么，以免产生冲突。这一支柱创建了一个系统，让智能体分享他们的“思考过程”、“证据”和“假设”。它确保即使他们的思考方式不同，也不会在使用过时或相互矛盾的信息。

新型错误类型

论文还警告我们，这个新世界拥有旧系统从未担心过的全新失效类型：

语义漂移 (Semantic Drift)： 智能体对规则的理解随着时间的推移逐渐产生偏差，就像两个朋友的观点慢慢渐行渐远。
相关推理失败 (Correlated Reasoning Failure)： 如果所有智能体都使用同一个“大脑”（AI 模型），它们可能会在同一时间犯下完全相同的逻辑错误。
上下文失忆 (Context Amnesia)： 智能体可能修复了一个问题，但忘记了为什么要这样做，导致稍后再次犯下同样的错误。

核心结论

论文指出，我们不能在充满创意 AI 侦探的世界里，继续沿用旧有的“军事演习”规则。我们需要一个新的基础，在这里，信任建立在经过验证的推理和共同的目标之上，而非仅仅建立在一致的代码之上。

确定性时代给了我们可靠的计算机。而后确定性时代旨在赋予我们值得信赖的自主基础设施，使其能够处理未来那些混乱、复杂且具有创造性的问题。

技术摘要：后确定性分布式系统

1. 问题陈述

经典分布式系统理论依赖于一个固定的假设：参与者是确定性状态机，执行具有稳定、外部定义的语义的协议指定行为。在状态机复制（SMR）模型下，正确性由**转换等价性（transition equivalence）**来定义——给定相同的输入序列，所有正确的副本必须经历完全相同的状态序列并产生完全相同的输出。

这一假设正日益受到自主推理引擎、随机模型驱动代理（例如大语言模型）以及策略驱动参与者（如云控制平面、事件响应系统和金融平台等关键基础设施）集成的挑战。与传统软件不同，这些代理型参与者：

并不执行静态的硬编码指令序列。
动态评估局部上下文，咨询外部知识，并生成推理步骤。
产生发散的推理路径和截然不同的操作轨迹，但仍可能实现语义等价且正确的结果。

经典的共识机制（如 Paxos、Raft）无法验证或协调这种行为，因为它们将非一致的执行轨迹视为分歧或故障，即便这些轨迹产生的动作是安全且可接受的。这造成了一个鸿沟：架构师要么被迫将代理限制在僵化的确定性脚本中（从而限制其效用），要么完全绕过分布式安全机制。

2. 方法论：参与者通用模型

本文引入了**后确定性分布式系统（Post-Deterministic Distributed Systems, PDDS）**作为一种研究与工程模型，用于协调确定性代码、随机模型和自主代理共存的异构环境。

形式化定义

PDDS 定义了一个参与者通用模型，其中参与者不限于确定性转换函数 $f(s, i) = s'$ 。相反，参与者的行为由一个**可接受行为函数（admissible behavior function）**定义：
$Adm: S \times I \times C \times P \times E \rightarrow 2^{U \times R}$
其中：

$S$ : 系统状态
$I$ : 声明的意图/输入
$C$ : 观测到的上下文与遥测数据
$P$ : 活动策略与不变性
$E$ : 认识状态（Epistemic state）（保留的观测、证据、摘要、假设及信念谱系）
$U$ : 动作空间（系统变更）
$R$ : 推理轨迹/解释

如果一个参与者提出的“动作-推理”对 $(a, r)$ 满足 $(a, r) \in Adm(s, i, C, P, E)$ ，则该参与者被视为是正确的。

两种范式

经典特例： $|Adm| = 1$。存在且仅存在一个可接受的动作与轨迹。这恢复了确定性系统，其认识状态为空或固定。
后确定性情况： $|Adm| > 1$。存在多个在语法上不同但语义上可接受的“动作-推理”对。协调协议负责认证所选的对是有效成员，而非要求轨迹完全一致。

3. 核心贡献

A. 理论基础

识别隐性边界： 本文指出“确定性参与者假设”是经典分布式系统理论中的一个隐藏边界。
语义连贯性： 它将一致性的目标从“确定性转换等效性”重新定义为基于意图、策略和执行上下文的语义连贯性（semantic coherence）。正确性通过语义认证（semantic certification）（即验证可接受性的结构化证明）而非数值恒等性来验证。
故障分类学： 本文定义了一套专门针对后确定性系统的全新故障类别，包括：
- 语义漂移（Semantic Drift）： 共享理解的逐渐衰减。
- 相关性推理失败（Correlated Reasoning Failure）： 多个代理因共享的模型偏差而产生相同的逻辑错误。
- 意图丢失（Intent Loss）： 在长周期内逐渐偏离用户目标。
- 证据伪造（Evidence Fabrication）： 为了证明行动的正当性而捏造遥测数据。
- 不安全委托（Unsafe Delegation）： 在未保留意图约束的情况下转移权限。
- 违反策略的自主性（Policy-Violating Autonomy）： 满足局部约束但违反系统不变性。
- 认识性分歧（Epistemic Divergence）： 尽管意图相同，但知识状态不兼容。
- 上下文失忆（Context Amnesia）： 在内存重置期间丢失历史上下文。

B. 架构支柱

本文概述了实现 PDDS 的五个支柱：

协议驱动开发（PDD）： 将安全性从编译时验证转向运行时策略强制执行，使用编辑自动机（edit automata）拦截并根据活动不变性验证提议的状态变更。
可验证代理基础设施（VAI）： 用意图到执行的证据链（包含授权、上下文和推理路径）取代静态凭证，从而通过意图来界定权限。
自主状态控制平面（ASCP）： 通过将推理与执行解耦、将代理隔离在沙箱中并持久化意图来管理长周期工作流，防止漂移。
语义法定人数保障（SQA）： 通过向异构参与者分发请求、聚合提议，并验证是否有一组独立的验证者确认了语义等效性，从而对非确定性操作进行认证。
认识状态复制（ESR）： 一个不仅复制数据，还复制知识、证据和信念谱系的持久层。它引入了新的一致性概念：
- 语义线性化（Semantic Linearizability）： 动作必须能由意图、证据和策略的有效排序来解释。
- 最终连贯性（Eventual Coherence）： 向语义兼容的知识状态收敛。
- 可验证语义回滚（Verifiable Semantic Rollback）： 在不丢失关键上下文的情况下，撤销动作并修剪信念谱系。

4. 结果与主张

本文并未展示实验基准测试或部署系统。相反，其“结果”是概念性和架构性的：

它证明了经典分布式计算是更广泛的参与者通用模型中的一个零歧义特例。
它确立了确定性执行不再能作为自主基础设施的通用参与者假设。
它提供了一个形式化框架（通过 $Adm$ 函数）来区分语法分歧与语义正确性。
它定义了构建可信自主系统所需的必要组件（PDD, VAI, ASCP, SQA, ESR），使其能够处理随机推理同时保持安全性。

5. 意义

本文认为，将自主代理集成到关键基础设施中，需要分布式系统设计与验证方式发生根本性转变。通过从状态/输出等价性转向语义连贯性与可接受行为，PDDS 能够实现对异构参与者的安全协调。

其意义在于提供了一个技术框架，用于：

协调确定性服务、随机模型和人类参与者，而不必将代理强行纳入僵化的脚本。
确保自主基础设施保持可审计、受策略约束且语义可认证。
应对经典故障模型（如崩溃停止、拜占庭故障）无法捕捉的故障模式（如相关性推理失败和认识性分歧）。

作者总结道，虽然确定性时代提供了可靠的分布式计算，但后确定性时代需要这一新基础来实现值得信赖的自主基础设施。