A Inteligência Artificial Simbólica, frequentemente chamada de GOFAI ("Good Old-Fashioned AI", ou "IA à moda antiga"), é uma abordagem à inteligência artificial construída sobre a manipulação explícita de símbolos, utilizando lógica formal, regras estruturadas e busca sobre representações discretas para modelar raciocínio e resolução de problemas. Foi o paradigma dominante na pesquisa em inteligência artificial desde a fundação do campo na década de 1950 até os anos 1980, antes de ceder lugar a métodos estatísticos e conexionistas.
Origens
A abordagem remonta à suposição fundadora do campo, articulada no workshop de Dartmouth de 1956, organizado por John McCarthy, de que a inteligência poderia, em princípio, ser descrita com tanta precisão que uma máquina poderia ser feita para simulá-la, tipicamente manipulando símbolos de acordo com regras. Os primeiros proponentes, Allen Newell e Herbert Simon, desenvolveram o Logic Theorist (1956) e o General Problem Solver (1957), programas projetados para provar teoremas matemáticos e resolver quebra-cabeças através da busca em representações simbólicas de problemas, estabelecendo as bases do que é frequentemente chamado de "hipótese do sistema de símbolos físicos": a de que a manipulação de símbolos é tanto necessária quanto suficiente para a ação inteligente geral.
Técnicas
Sistemas simbólicos tipicamente representam conhecimento como fatos e regras em uma linguagem formal e, em seguida, aplicam inferência lógica, busca heurística ou algoritmos de planejamento para derivar conclusões ou selecionar ações. Técnicas representativas incluem sistemas de regras de produção, redes semânticas e representações estruturadas no estilo de grafos de conhecimento, juntamente com provadores automáticos de teoremas e solvers de restrições. Diferentemente das abordagens posteriores de aprendizado de máquina, os sistemas simbólicos geralmente não aprendem suas regras a partir de dados; o conhecimento de domínio é projetado manualmente por especialistas humanos, o que confere aos sistemas simbólicos a vantagem de rastros de raciocínio interpretáveis e auditáveis.
O auge dos sistemas especialistas
A IA simbólica atingiu seu pico comercial com a tecnologia de sistemas especialistas no final dos anos 1970 e 1980, quando programas que codificavam regras de especialistas para domínios restritos, como diagnóstico médico ou análise química, atraíram grandes investimentos corporativos e governamentais. Marvin Minsky, um pesquisador líder em IA simbólica e cofundador do MIT AI Lab, contribuiu com críticas e estruturas influentes, incluindo seu livro de 1969 com Seymour Papert sobre os limites do perceptron, um modelo conexionista rival, frequentemente creditado por suprimir a pesquisa em redes neurais por mais de uma década.
Declínio
O ímpeto da IA simbólica entrou em colapso junto com o inverno da IA mais amplo do final dos anos 1980 e início dos anos 1990, à medida que os sistemas especialistas se mostraram frágeis fora de domínios restritos, caros de manter à medida que as bases de regras cresciam, e incapazes de lidar com incerteza, ambiguidade ou o conhecimento de "senso comum" que os humanos aplicam sem esforço. O advento de computação mais barata e conjuntos de dados maiores nas décadas de 1990 e 2000 favoreceu métodos estatísticos de aprendizado de máquina que podiam aprender padrões diretamente dos dados, em vez de exigir regras codificadas manualmente, e essa mudança se acelerou drasticamente após o ressurgimento do aprendizado profundo em 2012, construído sobre arquiteturas de redes neurais.
Legado e abordagens híbridas
A IA simbólica pura não é mais o paradigma dominante do campo, mas suas ideias persistem em sistemas modernos. Bancos de dados de grafos de conhecimento estruturados sustentam mecanismos de busca e técnicas de ancoragem para saídas de modelos de linguagem de grande escala. A verificação formal e os solvers de restrições permanecem ferramentas padrão em software de segurança crítica. Pesquisadores revisitam periodicamente híbridos "neuro-simbólicos" que combinam reconhecimento de padrões neural com raciocínio simbólico para obter interpretabilidade e generalização mais forte, e críticos de abordagens puramente de aprendizado profundo, incluindo Gary Marcus, argumentaram que alguma reintrodução de estrutura simbólica explícita será necessária para um raciocínio robusto que os sistemas atuais de aprendizado profundo ainda lutam para alcançar de forma confiável.