L'IA symbolique, souvent appelée GOFAI (« Good Old-Fashioned AI »), est une approche de l'intelligence artificielle fondée sur la manipulation explicite de symboles, utilisant la logique formelle, des règles structurées et la recherche sur des représentations discrètes pour modéliser le raisonnement et la résolution de problèmes. Elle a été le paradigme dominant dans la recherche en intelligence artificielle depuis la fondation du domaine dans les années 1950 jusqu'aux années 1980, avant de céder la place aux méthodes statistiques et connexionnistes.
Origines
L'approche remonte à l'hypothèse fondatrice du domaine, articulée lors de l'atelier de Dartmouth de 1956 organisé par John McCarthy, selon laquelle l'intelligence pourrait en principe être décrite avec une telle précision qu'une machine pourrait être amenée à la simuler, typiquement en manipulant des symboles selon des règles. Les premiers promoteurs Allen Newell et Herbert Simon ont développé le Logic Theorist (1956) et le General Problem Solver (1957), des programmes conçus pour prouver des théorèmes mathématiques et résoudre des énigmes en recherchant à travers des représentations symboliques de problèmes, posant ainsi les bases de ce que l'on appelle souvent l'« hypothèse du système de symboles physiques » : que la manipulation de symboles est à la fois nécessaire et suffisante pour une action intelligente générale.
Techniques
Les systèmes symboliques représentent généralement les connaissances sous forme de faits et de règles dans un langage formel, puis appliquent l'inférence logique, la recherche heuristique ou des algorithmes de planification pour dériver des conclusions ou sélectionner des actions. Les techniques représentatives incluent les systèmes de règles de production, les réseaux sémantiques et les représentations structurées de type graphe de connaissances, ainsi que les prouveurs de théorèmes automatisés et les solveurs de satisfaction de contraintes. Contrairement aux approches ultérieures de apprentissage automatique, les systèmes symboliques n'apprennent généralement pas leurs règles à partir de données ; les connaissances du domaine sont conçues manuellement par des experts humains, ce qui donne aux systèmes symboliques l'avantage de traces de raisonnement interprétables et auditable.
L'essor des systèmes experts
L'IA symbolique a atteint son apogée commerciale avec la technologie des systèmes experts à la fin des années 1970 et dans les années 1980, lorsque des programmes encodant des règles expertes pour des domaines étroits, tels que le diagnostic médical ou l'analyse chimique, ont attiré d'importants investissements d'entreprises et de gouvernements. Marvin Minsky, chercheur de premier plan en IA symbolique et cofondateur du MIT AI Lab, a contribué à des critiques et des cadres influents, notamment son livre de 1969 avec Seymour Papert sur les limites du Perceptron, un modèle connexionniste rival, souvent crédité d'avoir supprimé la recherche sur les réseaux neuronaux pendant plus d'une décennie.
Déclin
L'élan de l'IA symbolique s'est effondré en même temps que l'hiver de l'IA plus large de la fin des années 1980 et du début des années 1990, alors que les systèmes experts se sont révélés fragiles en dehors de domaines étroits, coûteux à maintenir à mesure que les bases de règles grandissaient, et incapables de gérer l'incertitude, l'ambiguïté ou les connaissances de « sens commun » que les humains appliquent sans effort. L'essor de l'informatique moins chère et de jeux de données plus volumineux dans les années 1990 et 2000 a favorisé les méthodes d'apprentissage statistique capables d'apprendre des motifs directement à partir des données plutôt que d'exiger des règles codées à la main, et ce changement s'est accéléré de manière spectaculaire après la résurgence de l'apprentissage profond en 2012, fondée sur les architectures de réseaux neuronaux.
Héritage et approches hybrides
L'IA symbolique pure n'est plus le paradigme dominant du domaine, mais ses idées persistent dans les systèmes modernes. Les bases de données de graphes de connaissances structurées soutiennent les moteurs de recherche et les techniques d'ancrage pour les sorties des grands modèles de langage. La vérification formelle et les solveurs de contraintes restent des outils standard dans les logiciels critiques pour la sécurité. Les chercheurs ont périodiquement revisité des hybrides « neuro-symboliques » qui combinent la reconnaissance de motifs neuronale avec le raisonnement symbolique pour gagner en interprétabilité et en généralisation plus forte, et les critiques des approches purement basées sur l'apprentissage profond, y compris Gary Marcus, ont soutenu qu'une certaine réintroduction de la structure symbolique explicite sera nécessaire pour un raisonnement robuste que les systèmes actuels de apprentissage profond peinent encore à atteindre de manière fiable.