Symbolische KI, oft auch als GOFAI („Good Old-Fashioned AI") bezeichnet, ist ein Ansatz der künstlichen Intelligenz, der auf der expliziten Manipulation von Symbolen basiert und formale Logik, strukturierte Regeln sowie Suche über diskrete Repräsentationen nutzt, um Denken und Problemlösung zu modellieren. Sie war das dominierende Paradigma in der Forschung zur künstlichen Intelligenz von der Gründung des Fachgebiets in den 1950er-Jahren bis in die 1980er-Jahre, bevor sie statistischen und konnektionistischen Methoden wich.
Ursprünge
Der Ansatz geht auf die Gründungsannahme des Fachgebiets zurück, die 1956 beim von John McCarthy organisierten Dartmouth-Workshop formuliert wurde: dass Intelligenz prinzipiell so präzise beschrieben werden könne, dass eine Maschine sie simulieren könne, typischerweise durch Manipulation von Symbolen gemäß Regeln. Die frühen Befürworter Allen Newell und Herbert Simon entwickelten den Logic Theorist (1956) und den General Problem Solver (1957), Programme, die mathematische Theoreme beweisen und Rätsel lösen sollten, indem sie durch symbolische Repräsentationen von Problemen suchten. Damit legten sie den Grundstein für das, was oft als „Hypothese des physikalischen Symbolsystems" bezeichnet wird: dass Symbolmanipulation sowohl notwendig als auch hinreichend für allgemeines intelligentes Handeln ist.
Techniken
Symbolische Systeme repräsentieren Wissen typischerweise als Fakten und Regeln in einer formalen Sprache und wenden dann logische Inferenz, heuristische Suche oder Planungsalgorithmen an, um Schlussfolgerungen abzuleiten oder Handlungen auszuwählen. Zu den repräsentativen Techniken gehören Produktionsregelsysteme, semantische Netze und strukturierte Repräsentationen im Stil von Wissensgraphen sowie automatisierte Theorembeweiser und Constraint-Satisfaction-Löser. Im Gegensatz zu späteren Ansätzen des maschinellen Lernens lernen symbolische Systeme ihre Regeln im Allgemeinen nicht aus Daten; Domänenwissen wird von menschlichen Experten manuell entwickelt, was symbolischen Systemen den Vorteil interpretierbarer und überprüfbarer Denkpfade verleiht.
Der Experten-Boom
Symbolische KI erreichte ihren kommerziellen Höhepunkt mit der Expertensystem-Technologie in den späten 1970er- und 1980er-Jahren, als Programme, die Expertenregeln für enge Domänen wie medizinische Diagnose oder chemische Analyse kodierten, erhebliche Unternehmens- und Regierungsinvestitionen anzogen. Marvin Minsky, ein führender symbolischer KI-Forscher und Mitbegründer des MIT AI Lab, trug einflussreiche Kritiken und Rahmenwerke bei, darunter sein Buch von 1969 mit Seymour Papert über die Grenzen des Perzeptrons, eines konkurrierenden konnektionistischen Modells, dem oft zugeschrieben wird, die Forschung an neuronalen Netzen über ein Jahrzehnt unterdrückt zu haben.
Niedergang
Die Dynamik der symbolischen KI brach zusammen mit dem breiteren KI-Winter der späten 1980er- und frühen 1990er-Jahre, da sich Expertensysteme außerhalb enger Domänen als spröde erwiesen, mit wachsenden Regelbasen teuer zu warten waren und weder Unsicherheit noch Mehrdeutigkeit oder das „Alltagswissen" bewältigen konnten, das Menschen mühelos anwenden. Der Aufstieg billigerer Rechenleistung und größerer Datensätze in den 1990er- und 2000er-Jahren begünstigte statistische Methoden des maschinellen Lernens, die Muster direkt aus Daten lernen konnten, anstatt handkodierte Regeln zu erfordern. Diese Verschiebung beschleunigte sich dramatisch nach dem Wiederaufleben des Deep Learning im Jahr 2012, das auf Architekturen neuronaler Netze aufbaute.
Vermächtnis und hybride Ansätze
Reine symbolische KI ist nicht mehr das dominierende Paradigma des Fachgebiets, aber ihre Ideen bestehen in modernen Systemen fort. Strukturierte Wissensgraphen-Datenbanken stützen Suchmaschinen und Verankerungstechniken für die Ausgaben von großen Sprachmodellen. Formale Verifikation und Constraint-Löser bleiben Standardwerkzeuge in sicherheitskritischer Software. Forscher haben wiederholt „neuro-symbolische" Hybride untersucht, die neuronale Mustererkennung mit symbolischem Denken kombinieren, um Interpretierbarkeit und stärkere Generalisierung zu erreichen. Kritiker reiner Deep-Learning-Ansätze, darunter Gary Marcus, haben argumentiert, dass eine gewisse Wiedereinführung expliziter symbolischer Strukturen für robustes Denken notwendig sein werde, das aktuelle Deep-Learning-Systeme weiterhin nur unzuverlässig erreichen.