La IA simbólica, a menudo llamada GOFAI ("Good Old-Fashioned AI", o "IA a la antigua usanza"), es un enfoque de la inteligencia artificial basado en la manipulación explícita de símbolos, utilizando lógica formal, reglas estructuradas y búsqueda sobre representaciones discretas para modelar el razonamiento y la resolución de problemas. Fue el paradigma dominante en la investigación de la inteligencia artificial desde la fundación del campo en la década de 1950 hasta la de 1980, antes de dar paso a métodos estadísticos y conexionistas.
Orígenes
El enfoque se remonta a la suposición fundacional del campo, articulada en el taller de Dartmouth de 1956 organizado por John McCarthy, de que la inteligencia podría, en principio, describirse con tanta precisión que una máquina podría simularla, típicamente manipulando símbolos según reglas. Los primeros defensores Allen Newell y Herbert Simon desarrollaron el Logic Theorist (1956) y el General Problem Solver (1957), programas diseñados para demostrar teoremas matemáticos y resolver acertijos mediante la búsqueda en representaciones simbólicas de problemas, sentando las bases de lo que a menudo se denomina la "hipótesis del sistema de símbolos físicos": que la manipulación de símbolos es tanto necesaria como suficiente para la acción inteligente general.
Técnicas
Los sistemas simbólicos típicamente representan el conocimiento como hechos y reglas en un lenguaje formal, y luego aplican inferencia lógica, búsqueda heurística o algoritmos de planificación para derivar conclusiones o seleccionar acciones. Las técnicas representativas incluyen sistemas de reglas de producción, redes semánticas y representaciones estructuradas de estilo grafo de conocimiento, junto con demostradores automáticos de teoremas y solucionadores de satisfacción de restricciones. A diferencia de los enfoques posteriores de aprendizaje automático, los sistemas simbólicos generalmente no aprenden sus reglas a partir de datos; el conocimiento del dominio es diseñado manualmente por expertos humanos, lo que otorga a los sistemas simbólicos la ventaja de trazas de razonamiento interpretables y auditables.
El auge de los sistemas expertos
La IA simbólica alcanzó su pico comercial con la tecnología de sistemas expertos a finales de la década de 1970 y durante la de 1980, cuando programas que codificaban reglas expertas para dominios estrechos, como el diagnóstico médico o el análisis químico, atrajeron importantes inversiones corporativas y gubernamentales. Marvin Minsky, un destacado investigador de IA simbólica y cofundador del MIT AI Lab, contribuyó con críticas y marcos influyentes, incluido su libro de 1969 con Seymour Papert sobre los límites del perceptrón, un modelo conexionista rival, que a menudo se atribuye a la supresión de la investigación en redes neuronales durante más de una década.
Declive
El impulso de la IA simbólica colapsó junto con el invierno de la IA más amplio de finales de la década de 1980 y principios de la de 1990, ya que los sistemas expertos resultaron frágiles fuera de dominios estrechos, costosos de mantener a medida que crecían las bases de reglas, e incapaces de manejar la incertidumbre, la ambigüedad o el conocimiento de "sentido común" que los humanos aplican sin esfuerzo. El auge de la computación más barata y conjuntos de datos más grandes en las décadas de 1990 y 2000 favoreció métodos estadísticos de aprendizaje automático que podían aprender patrones directamente de los datos en lugar de requerir reglas codificadas a mano, y este cambio se aceleró drásticamente después del resurgimiento del aprendizaje profundo en 2012, basado en arquitecturas de redes neuronales.
Legado y enfoques híbridos
La IA simbólica pura ya no es el paradigma dominante del campo, pero sus ideas persisten en los sistemas modernos. Las bases de datos de grafos de conocimiento estructurados sustentan los motores de búsqueda y las técnicas de anclaje para las salidas de modelos de lenguaje grandes. La verificación formal y los solucionadores de restricciones siguen siendo herramientas estándar en el software crítico para la seguridad. Los investigadores han revisitado periódicamente los híbridos "neuro-simbólicos" que combinan el reconocimiento de patrones neuronal con el razonamiento simbólico para lograr interpretabilidad y una mejor generalización, y críticos de los enfoques puros de aprendizaje profundo, incluido Gary Marcus, han argumentado que será necesaria alguna reintroducción de la estructura simbólica explícita para un razonamiento robusto que los sistemas actuales de aprendizaje profundo aún luchan por lograr de manera fiable.