Inteligencia Artificial Distribuida
La subdisciplina de la IA donde varios agentes o nodos distribuidos cooperan o compiten para resolver problemas que superan a uno solo: de la resolución distribuida de problemas y los sistemas multiagente al resurgir de 2026 con LLM y aprendizaje federado.
La inteligencia artificial distribuida (Distributed Artificial Intelligence, DAI) es la subdisciplina de la IA que estudia cómo varios agentes o nodos, repartidos y sin un control central único, cooperan —o compiten— para resolver problemas que desbordan a un agente aislado. En lugar de concentrar todo el razonamiento en un solo sistema, la IAD reparte conocimiento, decisiones y capacidad de cálculo entre entidades que se comunican, se coordinan y, a veces, negocian entre sí.
Dos raíces: resolución distribuida de problemas y sistemas multiagente
La literatura distingue la resolución distribuida de problemas, donde varias ramas cooperan hacia una meta común, de los sistemas multiagente, centrados en gestionar el comportamiento de varias entidades independientes.
Frente a la computación distribuida
Conviene no confundir la IAD con la simple computación distribuida. Repartir un cálculo entre muchas máquinas —o entrenar un modelo en varias GPU— distribuye el trabajo, pero los nodos no deciden nada: ejecutan lo que se les asigna. En la inteligencia artificial distribuida, en cambio, cada agente conserva cierta autonomía para decidir, priorizar o negociar. La diferencia no es el hardware, sino quién toma las decisiones y con cuánta independencia. Documentación: revisión académica de sistemas multiagente.
El resurgir de 2026: multiagentes con LLM y aprendizaje federado
Tras años en segundo plano, la IAD ha vuelto al centro. Los sistemas multiagente basados en grandes modelos de lenguaje asignan roles a varios modelos —planificar, criticar, ejecutar— que colaboran sobre un mismo problema, reviviendo las viejas preguntas sobre coordinación. En paralelo, el aprendizaje federado, formulado por Brendan McMahan y colegas en Google en 2017, entrena un modelo compartido sin centralizar los datos: cada dispositivo aprende localmente y solo comparte actualizaciones. Nada de esto está resuelto. Revisiones recientes muestran que sumar agentes no garantiza mejores resultados que un único agente bien diseñado, y que la coordinación fiable y la emergencia de comportamientos colectivos —útiles o indeseados— siguen siendo problemas abiertos. Documentación: artículo original de AutoGen; artículo original de aprendizaje federado.
Este artículo se ha elaborado con inteligencia artificial bajo supervisión editorial humana.
