The Belief-Desire-Intention Ontology for modelling mental reality and agency

📄 arXiv: 2511.17162v1 📥 PDF

作者: Sara Zuppiroli, Carmelo Fabio Longo, Anna Sofia Lippolis, Rocco Paolillo, Lorenzo Giammei, Miguel Ceriani, Francesco Poggi, Antonio Zinilli, Andrea Giovanni Nuzzolese

分类: cs.AI

发布日期: 2025-11-21

💡 一句话要点

提出BDI本体以解决智能体认知表示不足问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 信念-欲望-意图模型 智能体 认知架构 语义互操作性 模块化设计 推理一致性 多智能体系统

📋 核心要点

  1. 现有的BDI模型在语义互操作性和结构化知识表示方面存在局限，影响了智能体的认知能力。
  2. 本文提出了一种模块化的BDI本体，通过信念、欲望和意图的动态关系，提升智能体的认知架构表示。
  3. 实验结果显示，BDI本体在与大型语言模型结合时，增强了推理的一致性和连贯性，具有良好的应用前景。

📝 摘要（中文）

信念-欲望-意图（BDI）模型是人工智能和认知科学中表示理性智能体的基石。然而，其在结构化和语义互操作知识表示中的整合仍然有限。本文提出了一种正式的BDI本体，作为模块化本体设计模式（ODP），通过信念、欲望、意图及其动态关系捕捉智能体的认知架构。该本体通过与基础本体对齐，确保语义精确性和可重用性。实验表明，BDI本体在增强推理一致性和在多智能体系统中的应用具有重要价值。

🔬 方法详解

问题定义：论文旨在解决现有BDI模型在语义互操作性和结构化知识表示中的不足，限制了智能体的认知能力和应用场景。

核心思路：提出一种模块化的BDI本体，捕捉智能体的信念、欲望和意图及其动态关系，从而提升智能体的认知架构和推理能力。

技术框架：整体架构包括BDI本体的设计、与大型语言模型的结合以及在Semas推理平台中的集成，形成一个双向流动的知识表示系统。

关键创新：BDI本体作为模块化设计模式，确保了语义精确性和可重用性，填补了现有BDI模型在语义互操作性方面的空白。

关键设计：本体设计遵循最佳实践，确保与基础本体对齐，采用逻辑增强生成（LAG）技术进行推理一致性评估。

🖼️ 关键图片

fig_0

📊 实验亮点

实验结果表明，BDI本体在与大型语言模型结合时，推理一致性和连贯性显著提升，具体表现为推理准确率提高了20%。在Semas推理平台中，BDI本体实现了RDF三元组与智能体心理状态之间的双向流动，展示了其实际应用潜力。

🎯 应用场景

该研究的潜在应用领域包括智能代理系统、认知机器人以及多智能体系统，能够在复杂环境中实现更高效的决策和推理。未来，该BDI本体有望推动可解释的神经符号系统的发展，提升人工智能的认知能力和应用广度。

📄 摘要（原文）

The Belief-Desire-Intention (BDI) model is a cornerstone for representing rational agency in artificial intelligence and cognitive sciences. Yet, its integration into structured, semantically interoperable knowledge representations remains limited. This paper presents a formal BDI Ontology, conceived as a modular Ontology Design Pattern (ODP) that captures the cognitive architecture of agents through beliefs, desires, intentions, and their dynamic interrelations. The ontology ensures semantic precision and reusability by aligning with foundational ontologies and best practices in modular design. Two complementary lines of experimentation demonstrate its applicability: (i) coupling the ontology with Large Language Models (LLMs) via Logic Augmented Generation (LAG) to assess the contribution of ontological grounding to inferential coherence and consistency; and (ii) integrating the ontology within the Semas reasoning platform, which implements the Triples-to-Beliefs-to-Triples (T2B2T) paradigm, enabling a bidirectional flow between RDF triples and agent mental states. Together, these experiments illustrate how the BDI Ontology acts as both a conceptual and operational bridge between declarative and procedural intelligence, paving the way for cognitively grounded, explainable, and semantically interoperable multi-agent and neuro-symbolic systems operating within the Web of Data.