Introdução aos Agentes
Autónomos
Teorias de Agentes
IST- 2003/2004
Ana Paiva
Seminários
A. Paiva
Definições

"An agent is a computational system that inhabits a complex,
dynamic environment. An agent can sense, and act on, its
environment, and has a set of goals or motivations that
it tries to achieve through these actions" (P. Maes, 1994).

"An agent is a software based computer system that enjoys the
properties of: autonomy, social-ability, reactivity and proactiveness" (Wooldridge e Jennings, 1995).
A. Paiva
Os agentes e o ambiente: como
abordar o estudo de agentes

“um agente como uma entidade sistémica que observa e interpreta o ambiente
que o cerca através de sensores e que intervém sobre o ambiente através de
actuadores (Russell e Norvig, 1994)”.
SISTEMA
estados int ernos
percepções
AMBIENTE
A. Paiva
acções
Tipos de Agentes

Agentes Reactivos
 Agentes Declarativos (intencionais)
 Agentes Híbridos
 Agentes emocionais
A. Paiva
Uma Arquitectura Abstracta de Agentes

Assume-se que o ambiente pode ser descrito como um conjunto
finito discreto de estados instantâneos.
E = { e, e´, ….}

Considere-se que os agentes têm um reportório de acções
possíveis que lhes permite transformar o estado do ambiente.
Ac = { a, a´, ….}

Considere-se run (r) de um agente num dado ambiente é uma
sequência de alternadamente estados e acções, da seguinte
forma:
r:
A. Paiva
e0
a0
e1
a1
e2
a2
e3 …..
au-1
eu
Uma Arquitectura Abstracta de Agentes (2)
Seja
•R
o conjunto de todas as sequências possíveis (em E e r)
• RAc
o subconjunto destas que terminam numa acção
• RE o subconjunto destas que terminam num estado do
ambiente
A. Paiva
Função de Transformação de Estado
Uma função de transformação de estado representa o comportamento do
ambiente, e é:

T : RAc
->
p (RE)
Ou seja: a função de transformador de estado faz o mapeamento
do run (que termina numa acção do agente) num conjunto
possível de estados do ambiente – na realidade os que resultam
da execução da acção.
os ambientes são:
- dependentes do historial
- não determinísticos
A. Paiva
Função de Transformação de Estado

Se T
(r) = Ø, então não há sucessores possíveis para r, pelo
que o sistema termina.

Diz-se que um AMBIENTE é o triplo Env = <E, e0, T
•
•
Em que E é o conjunto dos estados do ambiente
e0 pertence a E e é o estado inicial do ambiente
•
e
A. Paiva
T
é a função de transformação
.
>
Agentes

Um agente, tendo em conta esta nomenclatura é a função que mapeia
runs em acções:
Ag : RE -> Ac
Ou seja, um agente toma a decisão acerca da acção a
executar baseando-se na história do sistema que ele
presenciou até ao momento.
A. Paiva
Sistemas de Agentes



Um SISTEMA é um par contendo um Agente e um
Ambiente
Qualquer sistema terá associado um conjunto
possível de runs…
Um sistema multi-agente contém um ambiente e
diversos agentes.
A. Paiva
Tipos de Agentes

Agentes Reactivos
 Agentes Declarativos (intencionais)
 Agentes Híbridos
 Agentes emocionais
A. Paiva
Agentes puramente reactivos

Alguns tipos de agentes decidem o que fazer sem qualquer
referência ao seu historial. As suas decisões são situadas
no ambiente e dependem simplesmente do presente.
- São chamados agentes “puramente reactivos”

Do ponto de vista formal um agente puramente reactivo
pode ser visto como uma função:
Ag : E -> Ac
(ou seja em vez de RE o agente decide simplesmente baseando-se
em E).
A. Paiva
Percepção/Acção
see : E -> Per
Action : Per* -> Ac
See
Action
Agente
Ambiente
A. Paiva
Agente Reactivo Simples
Agente jardineiro reactivo simples (veja-se (Russell e Norvig, 1994)
function Agente_Jardineiro(percepção) returns acção
static regras % as regras de condição acção
estado <- INTERPRET-INPUT(percepção)
regra <- RULE-MATCH(estado,regras)
acção <- RULE-ACTION(regra)
return acção
Regra que relaciona as percepções com as acções:
Se flor-murchar ENTAO regar
A. Paiva
Agente Reactivo Com Estado
Agente jardineiro reactivo com representação do
estado (veja-se (Russell e Norvig, 1994)
function Agente_Jardineiro(percepção) returns acção
static regras % as regras de condição acção
estado-mundo % estado do mundo
estado-mundo <- UPDATE-STATE(estado-mundo,percepção)
regra <- RULE-MATCH(estado-mundo,regras)
acção <- RULE-ACTION(regra)
estado-mundo <- UPDATE-STATE(estado-mundo,acção)
return acção
A. Paiva
Percepção/Acção
see : E -> Per
Action : Per* -> Ac
See
Next
Ambiente
A. Paiva
Action
State
Agente Com Objectivos
Agente jardineiro com objectivos (veja-se (Russell e Norvig, 1994)
function Agente_Jardineiro(percepção) returns acção
static regras % as regras de condição acção
estado-mundo % estado do mundo
objectivos % objectivos
estado-mundo <- UPDATE-STATE(estado-mundo,percepção)
regra <- RULE-MATCH(estado-mundo,regras,objectivos)
acção <- RULE-ACTION(regra, objectivos)
estado-mundo <- UPDATE-STATE(estado-mundo, acção)
objectivos <- UPDATE-GOALS(objectivos, estado-mundo, acção)
return acção
A. Paiva
Atitudes Mentais e Teorias de Agentes
Formalização
Atitudes mentais
Impacto nas
linguagens de agentes
Utilização para
descrever o
processamento
interno do agente
A. Paiva
Provar e descrever
propriedades de
agentes
Arquitecturas
Construção de Agentes:
Teorias de Agentes

Teorias de Agentes: representam “as especificações
dos agentes, nomeadamente as suas propriedades”

Perguntas que se vai tentar responder:
• Como conceptualizar um agente no seu ambiente?
• Que propriedades possui esse agente?
• Como é que representamos formalmente estas
propriedades?
• Que raciocínio e inferências são possíveis
executar tendo em conta essas propriedades?
A. Paiva
Teorias de Agentes

As teorias dos agentes são especificações formais, e visam
responder a perguntas centrais, tais como: Como vamos
conceptualizar os agentes, através do recurso à teoria da
Decisão, da Filosofia, ou ainda da Ciência da Computação?
A. Paiva
Primeiro ponto de partida...
=> Um possível ponto de partida, é a noção de agente
como entidade sujeita a crenças e a desejos
(Dennett, 1987).
A. Paiva
Teorias de Agentes: Intencionalidade
Mais tarde, (Dennett, 1987) ao observar as descrições da actividade
humana, através de frases, como a seguinte:
O Luis trabalhou muito porque queria obter um "canudo".
designou essas atitudes, como queria, de “sistemas intencionais”,
caracterizando assim as entidades cujo comportamento pode ser
previsto pelo método de atribuição de crenças, e de desejos.
De qualquer modo as noções intencionais não são mais do que
“ferramentas abstractas” que permitem de forma conveniente
descrever, explicar e prever o comportamento dos sistemas
multi-agentes complexos.
A. Paiva
Graus de intencionalidade
Dennett identifica diferentes graus de sistemas intencionais:
-
-
Sistemas intencionais de primeira ordem, é um sistema que
tem crenças e desejos mas não crenças e desejos acerca de
crenças e desejos.
Sistemas intencionais de segunda ordem são mais sofisticados
na medida que `têm crenças e desejos acerca de crenças e
desejos…
A questão no entanto mantém-se:
-
- É legítimo atribuir crenças e desejos a sistemas
computacionais?
A. Paiva
Legitimidade de uma
aproximação intencional…
McCarthy defendeu, em 1979, que por um lado é
legítimo atribuir atitudes mentais às máquinas
(agentes artificiais), tais com crenças, livre arbítrio,
intenções, consciência, capacidades ou quereres,
quando tal atribuição expressar a mesma informação
sobre a máquina do que sobre uma pessoa, e numa
certa situação.
A. Paiva
Legitimidade de uma
aproximação intencional…(2)



Que objectos podem ser descritos como sistemas
intencionais?
…. Segundo vários investigadores…. Quase tudo!
“It is perfectly coherent to treat a light switch as a
(very cooperative!) agent with the capability of
transmitting current at will, who invariably transmits
current when it believes that we want it transmitted
and not otherwise; flicking the switch is simply a way
of communicating our desires (Shoham)”
Absurdo?
A. Paiva
Legitimidade de uma
aproximação intencional…(3)

A descrição de um programa como sistema intencional é
consistente, mas…
… it doesn’t buy us anything, since we essentialy understand the
mechanism sufficiently to have a simpler, mechanistic
description of its behaviour (Shoham).
-
Quanto mais sabemos do sistema menos temos que lhe atribuir
qualidades como crenças ou desejos.
-
Os SISTEMAS INTENCIONAIS aparecem então como
metáforas para explicar comportamentos complexos.
Além disso, podem tornar-se também uma “ferramenta
de abstracção” para a construção de sistemas
complexos.
A. Paiva
Sistemas Intencionais surgem assim
como
Ferramenta de Abstracção para a
construção de sistemas complexos….
Caracterização de sistemas
<Uso na representação interna e na
representação de outros sistemas>
A. Paiva
Sistemas Post-Declarativos




Programação procedimental: dizemos exactamente o que
queremos que o sistema faça…
Programação declarativa: damos informação (declaramos) sobre
o que queremos que o sistema obtenha declarando os objectos
e as suas relações. Usamos um sistema de control que está
embebido no motor e que vai determinar o que o sistema vai
fazer (tendo em conta as declarações feitas).
Com agentes damos uma especificação abstracta do sistema
(usando uma abstracção) e o sistema deverá decidir o que fazer
tendo em conta essa especificação e a teoria usada.
>>>>Esta especificação é normalmente baseada em ATITUDES
do agente…
A. Paiva
Daí surgem os…
Agentes Deliberativos
A. Paiva
Categorias de Atitudes de Agentes
Que categorias são então as mais apropriadas para representar os agentes? Não
existe um consenso quanto à lista dessas categorias, mas (Wooldridge e
Jennings, 1995) adoptaram a proposta de (Searle, 1984) que distingue dois tipos
de categorias:
1) atitudes informativas: crença e conhecimento,
relacionadas com a informação que um agente tem sobre o mundo que ocupa,
2) pró-atitudes: desejo, intenção, expectativa, obrigação, empenhamento, e escolha,
as quais servem para guiar as acções do agente, determinando o seu
comportamento.
Dada uma tão grande diversidade de atitudes possíveis, qual é então a
combinação de atitudes que se torna mais conveniente para
caracterizar um agente?
A. Paiva
Que Atitudes Mentais?

Davidson (1980) argumentou:
•

que as crenças e as intenções são os estados básicos e
que todos os outros se podem reduzir a estes.
Bratman (1987 e 1990) defendeu que:
•
as intenções não podem ser reduzidas aos desejos e às
crenças. Sendo agentes entidades com recursos limitados
não podem avaliar continuadamente os seus desejos e as
suas crenças de molde a actuarem racionalmente. Após
algum raciocínio, os agentes devem empenhar-se em
algumas acções e manter um tal empenhamento.
A. Paiva
Papel das Intenções
Bratman defendeu três papeis funcionais das
intenções:
1) as intenções colocam problemas ao agente que
precisa de achar formas de os resolver;
2) as intenções devem ser auto-consistentes (o
agente não pode adoptar uma intenção que entre
em conflito com as intenções anteriores); e,
3) o agente deve descobrir o êxito das suas
intenções e persistir em caso de falhanço.
A. Paiva
Agentes Deliberativos:
Teorias BDI

A teoria mais conhecida é designada de BDI e
resultam do reconhecimento de que os agentes
racionais são formalizados através de “crenças”,
“desejos” e “intenções”.

O que faz o modelo BDI tão atractivo?
•
-
É baseado em teorias de racionalidade reconhecidas
(Dennett, Searle)
Foram implementados com sucesso em diversas aplicações
Foi formalizada através de uma família de lógicas BDI
A. Paiva
Crenças e Desejos

Crenças: (conhecimento do agente). Expressão do estado do
mundo visto pelo agente. Além disso as crenças podem dar a
visão de como o agente considerar que o mundo se vai alterar
se executar determinadas acções (conhecimento de como agir).

Desejos: a noção abstracta que especifica as preferências do
agente sobre os estados futuros do mundo.
A. Paiva
Como formalizar?

Hipótese de formalização
• bel (jardineiro, ladra(cao,jardim))
Esta formalização não funciona:
-
Problema sintático (o segundo argumento é um predicado) logo
bel não é uma forma em lógica de primeira ordem.
Problema semântico- se as constantes “cao” e “tobi” são as
mesmas deveria ser possível inferir:
-
bel (jardineiro, ladra(tobi,jardim))
A. Paiva
Formalização através de uma lógica modal

Partindo da lógica modal e identificando os quatro axiomas
fundamentais (conjunto TD45): T (o da relação de acessibilidade
reflexiva), D (relação de acessibilidade serial), 4 (relação de
acessibilidade transitiva) e 5 (relação de acessibilidade euclidiana):
T:  f => f
• 4:  f =>   f
•
D:  f => ◊ f
5: ◊  =>  ◊ f
Como é que podemos usar para formalizar os
conceitos de crença e de intenção que queremos
no nosso modelo dos agentes?
A. Paiva
Conhecimento

Substituindo  por Ki (o agente i sabe ) e ◊ por Bi (o
agente i acredita). Estes operadores são duais e ◊ f  
f

O axioma D (Ki f => Bi f) diz que as crenças de um agente
são não contraditórias.

Pode ser re-escrito como: Ki f =>  Ki  f, com a seguinte
leitura: se i conhece f, então i não conhece f. Este axioma
parece ser uma propriedade razoável do
conhecimento/crença.
A. Paiva
Relação entre
atitudes mentais
CRENÇAS  DESEJOS  INTENÇÕES
(caminhos
(caminhos
(melhores
possíveis)
desejáveis)
caminhos)
A. Paiva
Em termos práticos…

As crenças são representadas explicitamente e
representam o conhecimento do agente sobre o
mundo.

A representação sobre a forma a atingir um estado
futuro do ambiente pode ser feita á custa de planos.

Cada intenção que o sistema forma pela adopção de
um dado plano corresponde a uma “intenção” e pode
ser usado um sistema convencional de pilhas de
planos hierarquicamente relacionados. Podem existir
várias pilhas de planos, cada uma correndo em
paralelo.
A. Paiva
Arquitecturas
Deliberativas
A. Paiva
O que são arquitecturas de agentes?

Representam as estruturas computacionais e
as funcionalidades associadas a um sistema
que irá representar um agente.
A. Paiva
Trabalho de Rao e Georgeff

Foi proposta uma forma de ultrapassar os problemas associados
com as teorias de agentes (e associadas com as suas
formalizações) tendo estabelecido uma ligação entre teorias e
arquitecturas.

Solução: simplificação….(que implica uma redução do poder
expressivo do framework BDI)
A. Paiva
PRS (Procedural Reasoning System)


PRS é um sistema para raciocínio sobre a execução de tarefas em
ambientes dinâmicos.
As atitudes mentais dos agentes são: crenças, desejos e intenções,
todos representados explicitamente.
KA library
(Plans)
Database
(beliefs)
Monitor
Sensors
Interpreter
(Reasoner)
Environment
Goals
(desires)
Intention
structure
Effectors
Command
generator
A. Paiva
PRS: A estrutura de intenções

A estrutura de intenções do PRS contém as tarefas que o agente
se COMPROMETEU a executar (imediatamente ou num futuro
próximo).

As intenções podem ter três estados possíveis:
•
•
•
“activas”
“suspensas”: quando uma intenção foi adoptada mas ainda
não foi tomada a decisão da sua execução (será mais tarde
no plano)
“condicionalmente suspensas”: quando espera que certa
condição seja verificada.
A. Paiva
OASIS: Aplicação da PRS





PRS foi usada num sistema de controlo de tráfego aéreo
denominado OASIS (com financiamento da NASA)
O sistema tem os seguintes tipos de agentes:
• Um agente de aviação para cada avião
• Um sequenciador
• Um modelador de vento
• Um coordenador
• Um verificador da trajectória
A cada instante o sistema tem cerca de setenta a oitenta agentes
a correr em paralelo
Os agentes de aviação são os responsáveis pelo voo de cada
avião.
A incerteza do ambiente surge da utilização de agente do
ambiente como o modelador do vento.
A. Paiva
OASIS: Aplicação da PRS


Cada agente de aviação tem como opções possíveis voar a uma
velocidade mínima ou máxima bem como alterar a altitude.
Os agentes sequenciador e coordenador têm uma perspectiva
mais global (por exemplo, o agente sequenciador tem como
objectivo aterrar todos os agentes de aviação de forma segura).

A. Paiva
IRMA: Bratman

IRMA: Intelligent Resource Bounded Machine Architecture
ambiente
Percepção
Mecanismo de filtragem
Processo de
deliberação
A. Paiva
Raciocinador de
meios-f ins
Estrutura de
intenção
ACÇÃO
Arquitectura funcional Müller-Demazeau
Comunicação
INTENÇÕES
Conhecimento
(crenças)
saídas
Percepção
Capacidades de
raciocínio
Soluções
possíveis
PLANOS
Objectivos
A. Paiva
Escolhas
(acções)
Capacidades
de decisão
Will
MUNDO
Planeador
Perceptor
Disposições
M emória
Executor
Previsor
A. Paiva
GRATE
Comunicação int er-agent es
Camada de cont role e cooperação
P ré-criado
Criado
pelo project ist a
mecanism o de raciocí ni o
c onhe cim ento ge né rico
+
conhe cim e nto e spec íf ico
Controle
Modelos dos
Agent es
Criado
pelo
projectist a
Re-aliment ação
INTERFAC E
T arefa 1
T arefa 2
T arefa 3
Camada da aplicação
A. Paiva
Criado
pelo
projectist a
Finalmente: o Interpretador BDI
Algorithm Practical Reasoning Agent Control Loop
B <- Bo; /* Bo are initial beliefs */
I <- Io; /* Io are the initial intentions */
while true do
get next percept pp through see() function;
B <- brf(N,pp);
D <- options(B,I);
I <- filter(B,D,I);
P <- plan (B,I,Ac);
while not (empty(P) or suceeded(I,B) or impossible(I,B)) do
alpha <- head(P);
execute(alpha);
P <- tail(P);
get next percept pp through see() function;
B <- brf(B,pp)
if reconsider (I,B) then
D <- options(B,I);
I <- filter(B,D,I);
end-if
if not sound(P,I,B) then
P <- plan (B,I,Ac)
end-if
A. Paiva end-while
end-while
Descrição

brf: belief revision function (permite o update das crenças do agente
tendo em conta nova informação sobre o mundo)

plan: função que, baseado nas crenças dos agentes na sua estrutura
de intenções e na descrição das acções dos agente, determina um
plano para atingir as intenções.

options: função que toma as crenças do agente e as suas intenções e
determina os proximos desejos

filter: para seleccionar opcões (desejos) do agente, há que filtrar
(excolher) as melhores opções às quais o agente se comprometerá.
Basicamente toma um conjunto de crenças, de desejos e se intenções e
determina o proximo conjunto de intenções.
A. Paiva
“Commitments”

O mecanismo que é usado pelo agente para determinar quando
e como desistir de intenções é conhecido como
“a estratégia de compromisso”
Tipos de compromisso:
1. Compromisso cego: o agente tenta atingir as suas intenções até
acreditar que as intenções foram atingidas;
2. Compromisso “single-minded”: o agente tenta atingir as suas
intenções até acreditar que as intenções foram atingidas ou que
não é mais possível atingir a intenção;
3. Compromisso “open minded”: o agente tenta atingir as suas
intenções enquanto acreditar que são possíveis.
A. Paiva
Como criar agentes que seguem uma BDI
A. Paiva
JAM
1988
1989
PRS
ACT
1990
1991
UMPRS
1992
1993
SCS
1994
1995
1996
Mobility
Ideas
1997 JAM
1998
1999
A. Paiva
Figure 1. Ancestry of the JAM intelligent agent architecture.
JAM (2)
A. Paiva
public int run() {
// loop forever until agent completes all of its goals
while (true) { // outer, infinite loop
// execute the Observer procedure
returnValue =
intentionStructure.executePlan(observer);
metaLevel = 0;
while (true) { // metalevel loop
// generate an Applicable Plan List (APL) if
necessary
apl = new APL(planLibrary, worldModel,
intentionStructure, metaLevel);
// If the new or previous APL is not empty then add
// entry to the World Model to trigger the next level
of
// reasoning.
if (apl.getSize() != 0)
worldModel().assert("APL", metalevel, apl,
aplSize);
// If this APL is empty then no new level of
reasoning
if (apl.getSize() == 0) {
if ((intentionStructure.allGoalsDone()))
return 0;
// If the previous APL was empty then execute
// something in the intention structure, otherwise
// select something from the previous APL, intend
it,
// and then run something in the intention
structure.
if (last_apl == null || last_apl.getSize() == 0) {
A. Paiva
intentionStructure.run();
break;}
JAM- Ciclo do Interpretador
else {
selectedElement =
last_apl.getHighestRandomUtility();
intentionStructure.intend(selectedElement);
intentionStructure.run();
last_apl = null;
break;
}
}
else {
last_apl = apl;
metaLevel++;
}
} // Inner, metalevel loop
// Clear the World Model of APL elements
getWorldModel().retract("APL");
} // Outer infinite loop
}
Jam- Objectivos
Os objectivos dos agentes são dados na seguinte forma:
goal_type goal_name parameter1 ... parameterN
<:UTILITY expression>;
The goal type is one of: ACHIEVE, PERFORM, and MAINTAIN.
Top Level Goals (ex) (persistentes):
GOALS:
PERFORM wander_lobby;
ACHIEVE initialize :UTILITY 300;
MAINTAIN charge_level “20%”;
MAINTAIN safe_distance_from_obstacles 50.0;
A. Paiva
Jam- Planos

Os planos são “formas” de atingir os objectivos.
PLAN: {
GOAL: [goal specification]
or
CONCLUDE: [world model relation]
NAME: [string]
BODY: [procedure]
<DOCUMENTATION: [string]>
<PRECONDITION: [expression]>
<CONTEXT: [expression]>
<UTILITY: [numeric expression]>
<FAILURE: [non-subgoaling procedure]>
<EFFECTS: [non-subgoaling procedure]>
<ATTRIBUTES: [string]>
}
Figure 3. Anatomy of a JAM agent plan.
A. Paiva
Jam-Planos Exemplo
Exemplo:
PLAN: {
NAME: “Plan 1: Gather and process information"
GOAL: ACHIEVE information_exploited $user_query $result $recursed;
BODY:
EXECUTE com.irs.jam.primitives.GetHostname.execute $hostname;
EXECUTE print “Currently at “ $hostname “\n”;
OR
{ // Check to see if we are done
TEST (querySatisfiedp $user_query $solution);
EXECUTE print “Done working on query.\n”;
}
{ // We are not done, so figure out what to do next
EXECUTE determineNextInfoSource $user_query $nextHostname $nextPort $result;
EXECUTE agentGo $nextHostname $nextPort;
EXECUTE gatherAndProcessInfo $query $result;
ACHIEVE information_exploited $user_query $result “true”;
};
WHEN : TEST (== $recursed “false”)
{
agentGo $hostname $port;
A. Paiva
Jam- Modelo do Mundo
FACTS:
FACT ON "Block5" "Block4";
FACT ON "Block4" "Block3";
FACT ON "Block1" "Block2";
FACT ON "Block2" "Table";
FACT ON "Block3" "Table";
FACT CLEAR "Block1";
FACT CLEAR "Block5";
FACT CLEAR "Table";
FACT initialized "False";

Figure 6. Example World Model for a blocks-world domain.
A. Paiva
Jam

Mais informação:
http://www.marcush.net/IRS/index.html
http://member.shome.net/marcush/IRS/Jam/Jam-man.doc
A. Paiva
Bibliografia
-
A. Paiva
Mais informação
Página de Agentes
A. Paiva
Sumário
Comportamento possível/
Teoria informal/
Conceptualização
Linguagens
de formalização
Caracterização
do ambiente
TEORIA DE AGENTES
ARQUITECTURAS DE AGENTES
(modelos)
Teorias de comunicação/
de cooperação/
CONSTRUÇÃO
de negociação
Bancadas
Linguagens
DE UM AGENTE i
SOCIEDADE DE AGENTES
APLICAÇÕES
A. Paiva
Combinação de propriedades
Segundo (Wooldridge, 1994), podemos encarar duas grandes classes de agentes:
• “uma fraca”, onde se destacam as propriedades de autonomia,
sociabilidade, e pró-actividade,
• “outra forte”, onde além destas propriedades é costume adoptar outros
conceitos apenas habituais quando se falam dos seres humanos, tais como o
conhecimento, a crença, a intenção e a obrigação (Shoham, 1993).
Este desvio antropomórfico pode ainda ir mais além, como no caso dos agentes
“emocionais” ou “credíveis” (Bates, 1994), dos ícones gráficos tipo desenhos
animados, ou ainda das faces animadas (Maes, 1994)- personagens sintéticas.
A. Paiva