The Belief-Desire-Intention Ontology for modelling mental reality and agency
Dieses Paper führt eine formale, modulare Belief-Desire-Intention (BDI)-Ontologie ein, die darauf ausgelegt ist, deklarative und prozedurale Intelligenz zu überbrücken, und demonstriert deren Effektivität bei der Verbesserung der Kohärenz von Large Language Models sowie der Ermöglichung bidirektionalen Schließens zwischen RDF-Triples und den mentalen Zuständen von Agenten innerhalb neuro-symbolischer Systeme.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie versuchen, einen Roboter zu bauen, der nicht einfach nur einer starren Liste von Befehlen folgt, sondern tatsächlich wie ein Mensch denkt. Dies ist die Welt der Künstlichen Intelligenz, speziell eines Zweiges namens „Kognitionswissenschaft“, in dem Forscher versuchen, Maschinen einen Geist zu geben. Um dies zu erreichen, verwenden sie oft ein berühmtes mentales Rezept namens BDI: Beliefs (Überzeugungen – was der Roboter über die Welt für wahr hält), Desires (Wünsche – was er erreichen möchte) und Intentions (Absichten – was er tatsächlich zu tun beschlossen hat). Denken Sie an einen Videospiel-Charakter: Er glaubt, dass ein Drache in der Höhle ist, er wünscht sich den Schatz zu finden, und so fasst er die Absicht, sein Schwert zu greifen und zu kämpfen. Seit Jahrzehnten nutzen Wissenschaftler dieses Rezept, um intelligente Agenten zu bauen, aber es gibt ein Problem: Diese „Geister“ sprechen oft unterschiedliche Sprachen. Ein Roboter könnte eine „Überzeugung“ auf eine Weise beschreiben, die ein anderer Roboter nicht verstehen kann, was es schwierig macht, dass sie zusammenarbeiten oder dass Menschen ihren Entscheidungen vertrauen. Wir benötigen ein universelles Wörterbuch – eine gemeinsame Landkarte darüber, wie diese mentalen Zustände miteinander verknüpft sind – damit KI transparent, logisch und in der Lage ist zu erklären, warum sie etwas getan hat.
Dieses Paper stellt dieses universelle Wörterbuch vor. Die Autoren haben eine formale „BDI-Ontologie“ erstellt, was im Wesentlichen ein hochstrukturiertes, maschinenlesbares Blaupause dafür ist, wie der Geist eines rationalen Agenten funktioniert. Anstatt das BDI-Modell nur mit Worten zu beschreiben, haben sie eine rigorose Landkarte mittels einer Methode namens „eXtreme Design“ erstellt, die damit beginnt, spezifische Fragen zu stellen (wie „Was hat diesen Gedanken ausgelöst?“ oder „Wann begann dieser Wunsch?“) und dann die Landkarte baut, um diese zu beantworten. Sie haben die Landkarte nicht nur gezeichnet; sie haben sie auf zwei sehr unterschiedliche Arten getestet, um zu sehen, ob sie tatsächlich funktioniert.
Zuerst haben sie versucht, einen superintelligenten KI-Chatbot (ein Large Language Model) mit dieser Landkarte zu trainieren. Sie baten die KI, Logikrätsel darüber zu lösen, was ein Roboter in verschiedenen Situationen tun sollte. Wenn die KI die BDI-Landkarte als Leitfaden erhielt, verbesserte sie sich darin, Widersprüche zu erkennen. Wenn zum Beispiel ein Roboter beispielsweise glaubt, zu Hause zu sein, aber den Wunsch hat, in ein Hotel einzuchecken, half die Landkarte der KI zu erkennen, dass dies ein logisches Chaos ist, und eine klare Erklärung zu generieren, warum der Roboter dies nicht tun sollte. Die Ergebnisse legen nahe, dass die Gabe dieser strukturierten „mentalen Grammatik“ der KI hilft, konsistentere und erklärbare Antworten zu liefern, obwohl die Autoren anmerken, dass dies ein kleiner Test war und die Landkarte keine magische Lösung für jeden Fehler darstellt.
Zweitens haben sie diese Landkarte in ein funktionierendes Robotersystem namens SEMAS integriert. Hier fungierte die Landkarte als Brücke zwischen den internen Gedanken des Roboters und der realen Welt. Sie zeigten, wie ein Roboter Rohdaten (wie eine Liste von Fakten über Wissenschaftler) nehmen, diese in „Überzeugungen“ umwandeln, die BDI-Regeln nutzen kann, um zu entscheiden, was als Nächstes zu tun ist, und diese Entscheidungen dann wieder in Daten zurückverwandelt. Es ist wie ein Übersetzer, der es dem internen „Geist“ eines Roboters ermöglicht, direkt mit der „Wissensdatenbank“ des Internets zu kommunizieren.
Das Paper stellt fest, dass diese BDI-Ontologie erfolgreich als „konzeptionelle und operationale Brücke“ fungiert. Sie verbindet die abstrakte Idee dessen, was ein Agent denkt, mit dem tatsächlichen Code, der den Roboter bewegt. Während die Autoren vorsichtig darauf hinweisen, dass dies ein grundlegender Schritt und kein fertiges Produkt ist, deuten ihre Experimente darauf hin, dass die Verwendung dieser gemeinsamen, präzisen Sprache KI-Systeme transparenter und fähiger macht, über ihre eigenen Gedanken zu reflektieren. Sie argumentieren, dass die nächste Generation der KI, um wirklich intelligent und vertrauenswürdig zu sein, diese Art von strukturierter, gemeinsamer Verständlichkeit benötigt, wie Überzeugungen, Wünsche und Absichten zusammenwirken.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.