Symbolische KI

Grundannahme

Allen Newell und Herbert Simon formulierten 1976 die Hypothese vom physikalischen Symbolsystem: Ein System, das Symbole speichern und nach Regeln umformen kann, verfüge über die notwendigen und hinreichenden Mittel für intelligentes Handeln. Denken wäre demnach Symbolmanipulation — und ließe sich auf einem Computer nachbilden, sobald man die Symbole und Regeln nur genau genug aufschreibt.

Aufbau

Ein symbolisches System trennt zwei Teile. Die Wissensbasis enthält Fakten und Regeln in einer formalen Sprache, meist einer Variante der Prädikatenlogik („Alle Vögel haben Federn“, „Wenn Fieber und Husten, dann Verdacht auf Grippe“). Die Inferenzmaschine wendet darauf Schlussregeln an und leitet ab, was noch gilt. Beides ist getrennt änderbar: Neues Wissen kommt in die Wissensbasis, ohne dass das Verfahren angefasst wird.

Erfolge

Der Ansatz prägte die KI von der Dartmouth-Konferenz 1956 bis in die späten 1980er-Jahre. Der Logic Theorist (Newell, Simon und Shaw, 1956) bewies Sätze aus der Principia Mathematica. In den 1970er- und 1980er-Jahren kamen die Expertensysteme auf — Programme, die das Regelwissen eines Fachgebiets abbilden: MYCIN schlug Antibiotika bei bakteriellen Infektionen vor, XCON konfigurierte bei Digital Equipment Rechneranlagen und sparte dem Unternehmen nach eigenen Angaben zweistellige Millionenbeträge pro Jahr. SHRDLU führte natürlichsprachige Dialoge über eine Klötzchenwelt, Cyc versuchte sich am Alltagswissen.

Grenzen

Zwei Schwächen zeigten sich immer wieder. Der Wissensakquisitions-Flaschenhals: Jede Regel muss von einem Menschen formuliert und gepflegt werden, was mit dem Umfang der Wissensbasis teuer wird. Und die Sprödigkeit (englisch brittleness): Am Rand ihres kodierten Bereichs versagen solche Systeme oft abrupt, statt allmählich ungenauer zu werden — sie haben keinen Begriff davon, was sie nicht wissen. Hinzu kommt Moravecs Paradox (Hans Moravec, 1988): Aufgaben, die Menschen als anspruchsvoll gelten (Schach, Logik), ließen sich symbolisch gut angehen; wahrnehmungsnahe Fähigkeiten wie Sehen und Greifen, die jedes Kind beherrscht, widersetzten sich hartnäckig.

Abgrenzung zum maschinellen Lernen

Beide Ansätze wollen zu Regeln kommen, nur auf entgegengesetztem Weg. Die symbolische KI lässt Menschen die Regeln aufschreiben; Maschinelles Lernen lässt das System sie aus Beispieldaten ableiten. Der datengetriebene Weg hat sich seit den 2010er-Jahren als der praktikablere erwiesen, gerade bei Wahrnehmung und Sprache. Er erkauft das aber mit Nachteilen, die der symbolische Ansatz nicht hatte: Gelernte Regeln stehen nirgends nachlesbar, lassen sich nicht gezielt korrigieren und garantieren keine Korrektheit.

Gegenwart

Die symbolische KI ist nicht verschwunden. Regelsysteme, Planer, Constraint-Solver und Wissensgraphen arbeiten in vielen Anwendungen weiter. Unter dem Stichwort neuro-symbolische KI wird zudem versucht, gelernte Modelle mit expliziter Logik zu verbinden — etwa indem ein Sprachmodell die Formalisierung übernimmt und ein Beweiser das Schließen.