Agente inteligente

 Nota: Não confundir com Agente de IA.
Agente inteligente
Diagrama com o ambiente, os sensores, regras de condição e ação e atuadores de um agente reflexo simples
Diagrama de um agente reflexo simples
Área de estudoInteligência artificial
Conceitos relacionadosAgente racional, agente de software e sistema multiagente

Um agente inteligente é uma entidade que percebe o ambiente ao seu redor e realiza ações nele para alcançar objetivos ou atender a preferências, com algum grau de autonomia. Dependendo de sua arquitetura, pode também aprender com a experiência e melhorar seu desempenho. Os agentes inteligentes vão dos mais simples aos altamente complexos: um termostato ou sistema de controle básico pode ser modelado como agente, assim como um ser humano. Em determinadas aplicações, entidades coletivas, como uma empresa, um Estado ou um bioma, também podem ser representadas como agentes, desde que o modelo defina suas percepções, ações e objetivos.

Na inteligência artificial, os agentes de IA são uma classe de agentes inteligentes que utiliza técnicas de IA para buscar objetivos, tomar decisões e interagir com ambientes físicos ou digitais. A expressão IA agêntica é por vezes utilizada como sinônimo, mas também designa sistemas mais abrangentes, frequentemente compostos por vários agentes coordenados, capazes de dividir tarefas e realizar ações ao longo de períodos prolongados.

O comportamento de um agente inteligente pode ser orientado por objetivos ou preferências, explícitos ou implícitos. Agentes racionais procuram escolher ações que maximizem o desempenho esperado de acordo com os critérios definidos, enquanto arquiteturas deliberativas podem elaborar e executar planos para alcançar esses objetivos. Agentes reflexos mais simples, porém, não precisam produzir planos. Por exemplo, um agente de aprendizagem por reforço possui uma função de recompensa que permite aos programadores orientar seu comportamento desejado. Da mesma forma, o comportamento de um algoritmo evolutivo é orientado por uma função de aptidão.

Os agentes inteligentes estudados na inteligência artificial têm estreita relação com os agentes econômicos da economia computacional baseada em agentes, e variantes desse paradigma são examinadas na ciência cognitiva, na ética, na filosofia da razão prática e em diferentes formas interdisciplinares de modelagem sociocognitiva e simulação social computacional.

Costuma-se representar os agentes inteligentes por meio de esquemas abstratos que descrevem como suas percepções e ações se relacionam, independentemente da implementação concreta. Para diferenciar os modelos teóricos de suas implementações no mundo real, essas descrições são chamadas de agentes inteligentes abstratos. Os agentes inteligentes também se relacionam aos agentes de software, programas autônomos que executam tarefas em nome dos usuários. Outra denominação, emprestada da economia, é "agente racional".

Definição da inteligência artificial baseada em agentes

Stuart J. Russell e Peter Norvig descrevem a inteligência artificial como o estudo de agentes que recebem percepções do ambiente e executam ações. Nessa abordagem, um agente é qualquer entidade capaz de perceber o ambiente por meio de sensores e de atuar nele por meio de atuadores.

Um agente racional escolhe a ação que, levando em conta seu histórico de percepções, seus conhecimentos prévios e as ações disponíveis, tem a maior expectativa de maximizar sua medida de desempenho. Nesse sentido, a racionalidade não exige que o agente seja onisciente ou que tenha sucesso em todas as situações. O que importa é o resultado esperado de uma ação com base nas informações de que ele dispõe.

Na computação orientada a agentes, características como autonomia, capacidade de responder a mudanças no ambiente e comportamento proativo ou orientado a objetivos também são frequentemente utilizadas para descrevê-los. Uma das abordagens para modelar o raciocínio prático é a arquitetura de crença-desejo-intenção (BDI), que representa um agente a partir das informações que possui sobre o mundo, de seus objetivos e das linhas de ação que decidiu seguir.

Função objetivo

A função objetivo, também chamada de função de metas, pode especificar o que um agente inteligente deve alcançar. Na teoria dos agentes racionais, a escolha das ações é avaliada por uma medida de desempenho, tendo em conta o que o agente sabe e os resultados esperados. Essa medida não equivale necessariamente a uma única função numérica implementada no programa, nem permite comparar de maneira absoluta a inteligência de agentes projetados para tarefas distintas.

Uma função objetivo pode ser:

Quando uma tarefa é formulada como problema de otimização, a função objetivo pode representar várias metas e os compromissos entre critérios que entram em conflito. A função objetivo de um carro autônomo, por exemplo, pode levar em conta segurança, velocidade e conforto dos passageiros.

Conceitos relacionados à orientação e à avaliação do comportamento dos agentes recebem nomes diferentes conforme o contexto, mas não são necessariamente equivalentes:

As metas e, por consequência, a função objetivo podem ser:

Alguns sistemas de inteligência artificial, como os algoritmos de busca pelo vizinho mais próximo, usam analogias para chegar a resultados em vez de seguir metas explicitamente definidas. Mesmo nesses casos, os objetivos podem estar implícitos nos dados de treinamento. É possível avaliar o desempenho desses sistemas por meio de testes de referência, tratando a execução de uma tarefa específica de classificação como se fosse sua "meta".

Sistemas que tradicionalmente não são considerados agentes, como os de representação do conhecimento e raciocínio, às vezes são incluídos nesse paradigma ao serem representados como agentes com uma meta, por exemplo, responder perguntas corretamente. Nesse caso, a noção de "ação" é ampliada para abranger o próprio ato de fornecer uma resposta.

Também é possível interpretar sistemas baseados em imitação como agentes que otimizam uma "função de metas" conforme a proximidade entre seu comportamento e aquilo que se deseja imitar. Nas redes adversárias generativas (GANs), propostas em 2014, um gerador produz amostras artificiais, por exemplo, imagens, procurando reproduzir a distribuição dos dados de treinamento, enquanto um discriminador tenta distinguir amostras reais das geradas. O gerador é treinado para aumentar a probabilidade de o discriminador cometer erros. Essa formulação original não se limitava à composição de textos humanos, embora técnicas adversárias tenham sido aplicadas posteriormente a diferentes tipos de dados.

Embora os sistemas de inteligência artificial simbólica frequentemente utilizem uma função de metas explícita, o paradigma também se aplica às redes neurais artificiais e à computação evolucionária.

A aprendizagem por reforço pode produzir agentes inteligentes que parecem agir com o propósito de maximizar uma "função de recompensa". Às vezes, em vez de fazer a função de recompensa coincidir diretamente com o critério de avaliação desejado, os programadores de aprendizado de máquina empregam a modelagem da recompensa, concedendo inicialmente recompensas a avanços parciais. Em 2018, Yann LeCun afirmou que "a maioria dos algoritmos de aprendizado desenvolvidos consiste, essencialmente, em minimizar alguma função objetivo". No xadrez, o AlphaZero utilizava uma função objetivo simples, baseada nos resultados das partidas: +1 ponto por vitória, −1 por derrota e 0 por empate.

A função objetivo de um carro autônomo seria mais complexa. A computação evolucionária pode desenvolver agentes inteligentes que parecem agir para maximizar uma "função de aptidão", que influencia a quantidade de descendentes que cada agente pode gerar.

O formalismo matemático do AIXI, desenvolvido por Marcus Hutter, foi proposto como um agente bayesiano universal capaz de maximizar recompensas esperadas sob determinadas hipóteses matemáticas. Sua alegada optimalidade refere-se a esse enquadramento teórico, e não à demonstração de uma inteligência máxima em qualquer situação real. O AIXI, porém, é não computável. No mundo real, os agentes inteligentes estão limitados pelo tempo e pelos recursos de hardware disponíveis, e os pesquisadores competem para criar algoritmos que obtenham pontuações cada vez maiores nos testes de referência usando o hardware existente.

Função do agente

O comportamento de um agente inteligente pode ser descrito matematicamente por uma função do agente. Ela determina o que o agente faz a partir daquilo que percebeu.

Uma percepção corresponde às informações recebidas pelos sensores do agente em determinado instante. Em um carro autônomo, por exemplo, essas percepções podem incluir imagens de câmeras, dados de lidar, coordenadas de GPS e leituras de velocidade. O agente utiliza essas informações e, possivelmente, o histórico de percepções para decidir sua próxima ação, como acelerar, frear ou virar.

A função do agente, geralmente representada por f, associa todo o histórico de percepções do agente a uma ação. Em termos matemáticos, isso pode ser escrito como:

f:P∗→A,

em que:

É importante distinguir a função do agente, um conceito matemático abstrato, do programa do agente, que corresponde à implementação concreta dessa função.

A função do agente pode empregar diferentes formas de tomada de decisão, entre elas:

Classes de agentes inteligentes

Classificação de Russell e Norvig

Russell e Norvig descrevem cinco tipos de arquitetura de agentes, diferenciados pelas informações usadas para decidir ações e pelos mecanismos de raciocínio e aprendizado. Essa classificação não deve ser entendida como uma escala universal que mede a inteligência de cada agente.

Agentes reflexos simples

Agente reflexo simples

Os agentes reflexos simples agem apenas com base na percepção atual, sem levar em conta o restante do histórico de percepções. Sua função segue uma regra do tipo "se condição, então ação".

Como não mantém uma representação interna do ambiente, essa arquitetura é adequada sobretudo quando a percepção atual contém informação suficiente para escolher a ação. Em ambientes parcialmente observáveis, agentes reflexos simples podem falhar mesmo quando outras arquiteturas conseguem agir satisfatoriamente. Se o estado dos atuadores estiver incluído na percepção atual, o agente pode levar essa informação em conta sem armazenar um histórico. Se, em vez disso, mantiver um estado interno que resume percepções passadas, aproxima-se da arquitetura reflexa baseada em modelos.

Em ambientes parcialmente observáveis, agentes reflexos simples podem entrar em ciclos de ações repetidas. A escolha aleatória de ações pode, em algumas circunstâncias, ajudá-los a sair desses ciclos, embora não resolva todas as limitações decorrentes da falta de informação sobre o ambiente.

Um termostato doméstico que liga ou desliga um dispositivo quando a temperatura ultrapassa determinado limite é um exemplo de agente reflexo simples.

Agentes reflexos baseados em modelos

Agente reflexo baseado em modelo

Um agente baseado em modelo consegue lidar com ambientes parcialmente observáveis. Seu estado atual é armazenado internamente, em uma estrutura que descreve aspectos do mundo que não podem ser observados diretamente. Esse conhecimento de "como o mundo funciona" é chamado de modelo do mundo, daí a denominação agente baseado em modelo.

Um agente reflexo baseado em modelo deve manter algum tipo de modelo interno que dependa do histórico de percepções e reflita ao menos parte dos aspectos não observados do estado atual. Com esse modelo e o histórico de percepções, o agente pode atualizar uma estimativa do estado do ambiente e prever como suas ações poderão modificá-lo. A escolha da ação ocorre, então, de maneira semelhante à de um agente reflexo.

Um agente também pode utilizar modelos para descrever e prever o comportamento de outros agentes presentes no mesmo ambiente.

Agentes baseados em objetivos

Agente baseado em modelo e em objetivos

Os agentes baseados em objetivos ampliam as capacidades dos agentes baseados em modelos ao utilizar informações sobre os "objetivos". Essas informações descrevem situações desejáveis e permitem que o agente escolha entre várias possibilidades, selecionando a que o leva a um estado desejado. A busca e o planejamento automatizado são subáreas da inteligência artificial dedicadas a encontrar sequências de ações capazes de alcançar os objetivos do agente.

O aspirador robótico Roomba é um exemplo de sistema com tarefas orientadas a objetivos. O ChatGPT também pode assumir funções de agente baseado em objetivos quando integrado a recursos capazes de planejar etapas e executar ações com ferramentas externas. Uma simples interface de conversação, sem essas capacidades, não basta para caracterizar tal arquitetura.

Agentes baseados em utilidade

Agente baseado em modelo e em utilidade

Os agentes baseados em objetivos apenas diferenciam estados que satisfazem os objetivos daqueles que não os satisfazem. Também é possível definir uma medida de quanto determinado estado é desejável. Essa medida pode ser obtida com uma função de utilidade, que associa um estado ao seu grau de utilidade. Uma medida de desempenho mais geral deve permitir comparar diferentes estados do mundo conforme o grau em que atendem às metas do agente. O termo utilidade pode expressar o quanto o agente está "satisfeito".

Um agente racional baseado em utilidade escolhe a ação que maximiza a utilidade esperada de seus resultados, isto é, o benefício que espera obter, em média, considerando as probabilidades e as utilidades de cada resultado. Para isso, o agente precisa representar e acompanhar seu ambiente, tarefas que motivaram numerosas pesquisas sobre percepção, representação, raciocínio e aprendizado.

Agentes que aprendem

Esquema geral de um agente que aprende

O aprendizado permite que agentes comecem a operar em ambientes desconhecidos e, gradualmente, ultrapassem os limites de seu conhecimento inicial. Uma distinção importante nesses agentes é a separação entre o "elemento de aprendizado", responsável por melhorar o desempenho, e o "elemento de desempenho", que escolhe as ações executadas no ambiente.

O elemento de aprendizado recebe informações de um "crítico", que avalia o desempenho do agente, e decide como ajustar o elemento de desempenho, também chamado de "ator", para obter resultados melhores. O elemento de desempenho, antes considerado o agente inteiro, interpreta percepções e executa ações.

O último componente, o "gerador de problemas", sugere experiências novas e informativas que estimulam a exploração e novas melhorias.

Classificação de Weiss

Outra classificação de arquiteturas de agentes, apresentada na literatura de sistemas multiagentes e em obras organizadas por Gerhard Weiss, distingue quatro grupos:

  • Agentes baseados em lógica: as decisões sobre ações resultam de deduções lógicas.
  • Agentes reativos: as decisões decorrem de uma correspondência direta entre situação e ação.
  • Agentes com arquitetura de crença-desejo-intenção: as decisões dependem da manipulação de estruturas de dados que representam as crenças, os desejos e as intenções do agente.
  • Arquiteturas em camadas: a tomada de decisão ocorre em diversas camadas de software, cada qual raciocinando sobre o ambiente em um nível distinto de abstração.

Outras classificações

Em 2013, Alexander Wissner-Gross e Cameron Freer propuseram um modelo físico que relaciona forças entrópicas causais à capacidade de manter possibilidades futuras de ação. Em simulações simples, o mecanismo produziu comportamentos semelhantes ao uso de ferramentas e à cooperação. Trata-se de uma proposta teórica sobre comportamentos adaptativos, não de uma fórmula universal da inteligência comprovada experimentalmente.

Hierarquias de agentes

Os agentes inteligentes podem ser organizados hierarquicamente em vários "subagentes". Eles desempenham funções de nível inferior e, junto com o agente principal, formam um sistema completo capaz de executar tarefas complexas e alcançar objetivos difíceis.

Um agente pode ser descrito em termos de sensores, atuadores e mecanismos de controle. Os sensores recebem informações do ambiente e os mecanismos de controle determinam comandos para os atuadores. Em sistemas complexos, um único controlador central pode ser lento demais para conciliar reações imediatas e planejamento de longo prazo. Por isso, algumas arquiteturas distribuem o controle por diversas camadas, equilibrando as respostas rápidas das tarefas de nível inferior e o raciocínio mais deliberado necessário aos objetivos de nível superior.

Outras definições e usos

A expressão "agente inteligente" também costuma ser usada de maneira vaga, às vezes como sinônimo de "assistente pessoal virtual". Algumas definições do século XX apresentam o agente como um programa que auxilia um usuário ou age em seu nome. São exemplos de agentes de software, e a expressão "agente de software inteligente", isto é, um agente de software dotado de inteligência, por vezes é abreviada para "agente inteligente".

Em trabalhos da década de 1990 sobre sistemas inteligentes adaptativos, Nikola Kasabov e colaboradores associaram a adaptação a mecanismos de aprendizado, memória e reorganização de módulos. Uma caracterização histórica dessa linha de pesquisa reúne as seguintes capacidades, que não constituem requisitos obrigatórios para todo tipo de agente inteligente:

IA agêntica

Não existe uma definição única e universalmente aceita de agente de IA, e diferentes áreas e organizações empregam critérios parcialmente distintos. No contexto da inteligência artificial generativa, agentes de IA podem combinar modelos, memória e ferramentas para atuar em ambientes complexos. Alguns são sistemas compostos por vários componentes ou por diversos agentes, mas nem todo agente de IA é um sistema multiagente, e nem todo sistema composto de IA apresenta autonomia na escolha das ações.

Os sistemas de IA agêntica podem tanto produzir conteúdo quanto tomar decisões e executar ações em ferramentas e serviços. Conforme o grau de autonomia e o risco da tarefa, podem funcionar sem instruções humanas a cada etapa, mas ainda requerem limites operacionais, verificações e, em certas situações, supervisão humana. Esses agentes podem incorporar sistemas de memória para registrar interações anteriores com usuários e programas de orquestração para organizar seus componentes. A distinção técnica entre um fluxo automatizado e um agente mais autônomo está no grau em que as próximas ações e o uso de ferramentas são escolhidos pelo próprio sistema, em vez de seguir exclusivamente etapas pré-programadas.

O conceito de IA agêntica já foi comparado ao personagem fictício J.A.R.V.I.S..

Uma aplicação frequente dos agentes de IA é a automação de tarefas, como organizar reservas e outros aspectos de uma viagem a partir de uma solicitação do usuário formulada por meio de prompts. Para executar essas tarefas, o sistema pode precisar consultar informações atualizadas, utilizar ferramentas externas e solicitar autorização antes de realizar ações com consequências para o usuário.

A ampliação dessas capacidades trouxe novas questões sobre a segurança do acesso a ferramentas, a proteção de dados, a precisão dos resultados e a interoperabilidade entre sistemas. Em fevereiro de 2026, o Instituto Nacional de Padrões e Tecnologia dos Estados Unidos anunciou uma iniciativa de padronização de agentes de IA, voltada à segurança e à interoperabilidade. A revisão conceitual publicada no mesmo mês pela OCDE também destacou a necessidade de avaliações mais rigorosas sobre autonomia, confiabilidade e supervisão humana.

Aplicações

A modelagem baseada em agentes para carros autônomos já era discutida em 2003. Hallerbach e colaboradores estudaram o uso de abordagens baseadas em agentes para desenvolver e validar sistemas de direção automatizada. Seu método incluía um gêmeo digital do veículo em teste e simulações microscópicas de tráfego com agentes independentes.

A Waymo desenvolveu um ambiente de simulação multiagente chamado Carcraft para testar algoritmos de carros autônomos. O sistema simula interações entre motoristas humanos, pedestres e veículos automatizados. Agentes artificiais reproduzem comportamentos humanos com base em dados do mundo real.

A plataforma Agentforce, da Salesforce, permite criar agentes autônomos para executar tarefas. A Transportation Security Administration (TSA), agência de segurança dos transportes dos Estados Unidos, vem adotando tecnologias de verificação automatizada de identidade de passageiros por meio de documentos e biometria, além de estudar outras aplicações de inteligência artificial na segurança aeroportuária. Em agosto de 2025, anunciou testes de portões eletrônicos capazes de comparar dados biométricos com documentos de identificação e cartões de embarque. Esses mecanismos automatizados não demonstram, por si só, a presença de agentes de IA agêntica, que pressupõem capacidades adicionais de decisão e ação. Em 5 de março de 2026, a Amazon Web Services lançou o Amazon Connect Health, um serviço de IA agêntica destinado a fluxos de trabalho na área da saúde. No lançamento, oferecia funções de verificação de pacientes e documentação clínica em disponibilidade geral, enquanto o gerenciamento de consultas, os resumos de informações clínicas e a codificação médica estavam disponíveis em prévia. A plataforma foi concebida para apoiar agendamento, documentação e outros processos administrativos e clínicos. A AWS classifica o serviço como elegível para uso sujeito à legislação estadunidense HIPAA, mas essa elegibilidade não dispensa as instituições usuárias de suas próprias obrigações de conformidade.

Ver também

O Commons possui uma categoria com imagens e outros ficheiros sobre Agente inteligente

Referências

  1. 1 2 3 4 5 Russell, Stuart J.; Norvig, Peter (2003). «2». Artificial Intelligence: A Modern Approach 2 ed. Upper Saddle River, Nova Jérsei: Prentice Hall. ISBN 0-13-790395-2
  2. 1 2 3 Poole, David L.; Mackworth, Alan K. (2023). «1.3 Agents Situated in Environments». Artificial Intelligence: Foundations of Computational Agents (em inglês) 3 ed. [S.l.]: Cambridge University Press
  3. 1 2 3 4 Aranda, Luis; Sugimoto, Kasumi (fevereiro de 2026). «The agentic AI landscape and its conceptual foundations» (PDF) (em inglês). Organização para a Cooperação e Desenvolvimento Econômico
  4. 1 2 Bringsjord, Selmer; Govindarajulu, Naveen Sundar (12 de julho de 2018). «Artificial Intelligence». In: Edward N. Zalta. The Stanford Encyclopedia of Philosophy (Summer 2020 Edition) (em inglês)
  5. ↑ Wolchover, Natalie (30 de janeiro de 2020). «Artificial Intelligence Will Do What We Ask. That's a Problem». Quanta Magazine (em inglês). Consultado em 21 de junho de 2020
  6. 1 2 Bull, Larry (1999). «On model-based evolutionary computation». Soft Computing. 3 (2): 76–82. doi:10.1007/s005000050055
  7. 1 2 3 4 5 6 Russell, Stuart J.; Norvig, Peter (2020). «Intelligent Agents». Artificial Intelligence: A Modern Approach 4 ed. [S.l.]: Pearson. ISBN 978-0-13-461099-3
  8. ↑ Padgham, Lin; Winikoff, Michael (2004). Developing Intelligent Agent Systems: A Practical Guide. [S.l.]: John Wiley & Sons. ISBN 978-0-470-86120-2
  9. ↑ Rao, Anand S.; Georgeff, Michael P. "BDI Agents: From Theory to Practice". Proceedings of the First International Conference on Multiagent Systems. AAAI Press, 1995, pp. 312–319. (em inglês).
  10. ↑ Poole, David L.; Mackworth, Alan K. (2023). «13 Reinforcement Learning». Artificial Intelligence: Foundations of Computational Agents (em inglês) 3 ed. [S.l.]: Cambridge University Press
  11. ↑ Domingos, Pedro (22 de setembro de 2015). «5». The Master Algorithm: How the Quest for the Ultimate Learning Machine Will Remake Our World. [S.l.]: Basic Books. ISBN 978-0-465-06570-7
  12. ↑ Domingos, Pedro (22 de setembro de 2015). «7». The Master Algorithm: How the Quest for the Ultimate Learning Machine Will Remake Our World. [S.l.]: Basic Books. ISBN 978-0-465-06570-7
  13. ↑ Lindenbaum, M.; Markovitch, S.; Rusakov, D. "Selective sampling for nearest neighbor classifiers". Machine Learning, vol. 54, n.º 2, 2004, pp. 125–152.
  14. ↑ Goodfellow, Ian J.; Pouget-Abadie, Jean; Mirza, Mehdi; Xu, Bing; Warde-Farley, David; Ozair, Sherjil; Courville, Aaron; Bengio, Yoshua (2014). «Generative Adversarial Nets». Advances in Neural Information Processing Systems (em inglês). 27
  15. ↑ «Generative adversarial networks: What GANs are and how they've evolved» (em inglês). VentureBeat. 26 de dezembro de 2019. Consultado em 18 de junho de 2020. Arquivado do original em 20 de junho de 2020
  16. ↑ Wolchover, Natalie (janeiro de 2020). «Artificial Intelligence Will Do What We Ask. That's a Problem». Quanta Magazine (em inglês). Consultado em 18 de junho de 2020
  17. ↑ Ng, Andrew Y.; Harada, Daishi; Russell, Stuart. "Policy invariance under reward transformations: Theory and application to reward shaping". ICML, vol. 99, 1999, pp. 278–287.
  18. ↑ Ford, Martin. Architects of Intelligence: The Truth About AI from the People Building It. Packt Publishing, 2018. (em inglês).
  19. ↑ «AlphaZero: Shedding new light on chess, shogi, and Go» (em inglês). Google DeepMind. 6 de dezembro de 2018
  20. ↑ «Why Artificial Intelligence Like AlphaZero Has Trouble With the Real World». Quanta Magazine (em inglês). 2018. Consultado em 18 de junho de 2020
  21. ↑ Hutter, Marcus (2005). Universal Artificial Intelligence: Sequential Decisions Based on Algorithmic Probability (em inglês). [S.l.]: Springer
  22. ↑ Adams, Sam; Arel, Itmar; Bach, Joscha; Coop, Robert; Furlan, Rod; Goertzel, Ben; Hall, J. Storrs; Samsonovich, Alexei; Scheutz, Matthias; Schlesinger, Matthew; Shapiro, Stuart C.; Sowa, John (15 de março de 2012). «Mapping the Landscape of Human-Level Artificial General Intelligence». AI Magazine. 33 (1): 25. doi:10.1609/aimag.v33i1.2322
  23. ↑ Hutson, Matthew (27 de maio de 2020). «Eye-catching advances in some AI fields are not real». Science (em inglês). Consultado em 18 de junho de 2020
  24. ↑ Salamon, Tomas (2011). Design of Agent-Based Models. Repin: Bruckner Publishing. pp. 42–59. ISBN 978-80-904661-1-1
  25. ↑ Albrecht, Stefano; Stone, Peter. "Autonomous Agents Modelling Other Agents: A Comprehensive Survey and Open Problems". Artificial Intelligence, vol. 258, 2018, pp. 66–95. doi:10.1016/j.artint.2018.01.002. (em inglês).
  26. ↑ O'Neill, Brian (24 de dezembro de 2024). «What The Roomba Can Teach Us About The Coming Wave Of AI Agents» (em inglês). Inverse. Consultado em 24 de abril de 2025
  27. ↑ «Introducing ChatGPT agent: bridging research and action» (em inglês). OpenAI. 17 de julho de 2025
  28. ↑ Gerhard Weiss, ed. (2013). Multiagent Systems 2 ed. Cambridge, Massachusetts: MIT Press. ISBN 978-0-262-01889-0
  29. ↑ «Causal Entropic Forces» (em inglês). American Physical Society. 19 de abril de 2013
  30. ↑ Wissner-Gross, A. D.; Freer, C. E. (19 de abril de 2013). «Causal Entropic Forces». Physical Review Letters. 110 (16): 168702. Bibcode:2013PhRvL.110p8702W. PMID 23679649. doi:10.1103/PhysRevLett.110.168702. hdl:1721.1/79750
  31. ↑ Poole, David; Mackworth, Alan. «2.3 Hierarchical Control; Chapter 2 Agent Architectures and Hierarchical Control; Artificial Intelligence: Foundations of Computational Agents, 2nd Edition» (em inglês). Artificial Intelligence: Foundations of Computational Agents. Consultado em 28 de novembro de 2018
  32. ↑ Fingar, Peter (2018). «Competing For The Future With Intelligent Agents... And A Confession». Forbes (em inglês). Consultado em 18 de junho de 2020
  33. ↑ Burgin, Mark; Dodig-Crnkovic, Gordana. "A Systematic Approach to Artificial Agents". arXiv:0902.3513, 2009. (em inglês).
  34. ↑ Kasabov, Nikola; Kozma, Robert (1998). «Introduction: Hybrid intelligent adaptive systems». International Journal of Intelligent Systems. 13 (6): 453–454. doi:10.1002/(SICI)1098-111X(199806)13:6<453::AID-INT1>3.0.CO;2-K
  35. ↑ Kasabov, Nikola; Kozma, Robert (1998). «Hybrid intelligent adaptive systems: A framework and a case study on speech recognition». International Journal of Intelligent Systems. 13 (6): 455–466. doi:10.1002/(SICI)1098-111X(199806)13:6<455::AID-INT2>3.0.CO;2-K
  36. ↑ Zeff, Maxwell; Wiggers, Kyle (14 de março de 2025). «No one knows what the hell an AI agent is» (em inglês). TechCrunch. Consultado em 15 de maio de 2025. Cópia arquivada em 18 de março de 2025
  37. ↑ Varanasi, Lakshmi. «AI agents are all the rage. But no one can agree on what they do» (em inglês). Business Insider. Consultado em 15 de maio de 2025. Cópia arquivada em 11 de abril de 2025
  38. ↑ Bort, Julie (12 de maio de 2025). «Even a16z VCs say no one really knows what an AI agent is» (em inglês). TechCrunch. Consultado em 15 de maio de 2025. Cópia arquivada em 12 de maio de 2025
  39. ↑ Purdy, Mark (12 de dezembro de 2024). «What Is Agentic AI, and How Will It Change Work?». Harvard Business Review (em inglês). ISSN 0017-8012. Consultado em 24 de abril de 2025
  40. ↑ «Building effective agents» (em inglês). Anthropic. 19 de dezembro de 2024
  41. ↑ Holmes, Aaron (7 de julho de 2025). «The Seven Kinds of AI Agents» (em inglês). The Information. Consultado em 9 de novembro de 2025
  42. ↑ Field, Hayden (31 de agosto de 2025). «AI agents are science fiction not yet ready for primetime» (em inglês). The Verge. Consultado em 9 de novembro de 2025. Cópia arquivada em 15 de setembro de 2025
  43. ↑ «AI Agents: The Next Generation of Artificial Intelligence» (em inglês). The National Law Review. 30 de dezembro de 2024. Consultado em 14 de janeiro de 2025. Cópia arquivada em 11 de janeiro de 2025
  44. ↑ «What are the risks and benefits of 'AI agents'?» (em inglês). World Economic Forum. 16 de dezembro de 2024. Consultado em 14 de janeiro de 2025. Cópia arquivada em 28 de dezembro de 2024
  45. ↑ «Announcing the AI Agent Standards Initiative for Interoperable and Secure Innovation» (em inglês). National Institute of Standards and Technology. 17 de fevereiro de 2026
  46. ↑ Yang, Guoqing; Wu, Zhaohui; Li, Xiumei; Chen, Wei. "SVE: embedded agent-based smart vehicle environment". Proceedings of the 2003 IEEE International Conference on Intelligent Transportation Systems, vol. 2, 2003, pp. 1745–1749. doi:10.1109/ITSC.2003.1252782. ISBN 0-7803-8125-4. (em inglês).
  47. ↑ Hallerbach, S.; Xia, Y.; Eberle, U.; Koester, F. (2018). «Simulation-Based Identification of Critical Scenarios for Cooperative and Automated Vehicles». SAE International. SAE International Journal of Connected and Automated Vehicles. 1 (2): 93–106. doi:10.4271/2018-01-1066
  48. ↑ Madrigal, Alexis C. «Inside Waymo's Secret World for Training Self-Driving Cars». The Atlantic (em inglês). Consultado em 14 de agosto de 2020
  49. ↑ Connors, J.; Graham, S.; Mailloux, L. "Cyber Synthetic Modeling for Vehicle-to-Vehicle Applications". International Conference on Cyber Warfare and Security. Academic Conferences International Limited, 2018, p. 594-XI. (em inglês).
  50. ↑ Nuñez, Michael (5 de março de 2025). «Salesforce launches Agentforce 2dx, letting AI run autonomously across enterprise systems» (em inglês). VentureBeat. Consultado em 24 de abril de 2025
  51. ↑ Ghoshal, Anirban (12 de setembro de 2024). «Salesforce unveils Agentforce to help create autonomous AI bots» (em inglês). CIO. Consultado em 24 de abril de 2025
  52. ↑ Lee, Ricki (23 de janeiro de 2025). «Is AI the catalyst to passport-free travel? TSA showcases biometric and AI airport security» (em inglês). TechInformed. Consultado em 24 de abril de 2025
  53. ↑ «TSA eGates public-private partnership enhances traveler experience» (em inglês). Transportation Security Administration. 19 de agosto de 2025
  54. ↑ Szkutak, Rebecca (5 de março de 2026). «AWS launches a new AI agent platform specifically for healthcare» (em inglês). TechCrunch. Consultado em 7 de março de 2026
  55. ↑ «Introducing Amazon Connect Health, Agentic AI Built for Healthcare» (em inglês). Amazon Web Services. 5 de março de 2026
  56. ↑ «Compliance validation for Amazon Connect Health» (em inglês). Amazon Web Services

Bibliografia

Ligações externas