Symbolische KI

Definition

Symbolische KI (englisch Symbolic AI) bezeichnet den klassischen Ansatz der Künstlichen Intelligenz, Intelligenz durch die Manipulation expliziter Symbole nach festen Regeln zu modellieren. Wissen wird in deklarativer Form repräsentiert, etwa als logische Formeln, Produktionsregeln, semantische Netze, Frames oder Ontologien. Schlussfolgerungen entstehen durch Inferenzmechanismen wie Resolution, Forward- und Backward-Chaining, Suche oder Constraint-Propagation. Der Ansatz dominierte die KI-Forschung von 1956 bis Ende der 1980er Jahre und wird seit Haugeland (1985) auch GOFAI genannt, kurz für Good Old-Fashioned AI.

Die symbolische KI ruht auf der Physical Symbol System Hypothesis von Allen Newell und Herbert Simon (1976): Ein physikalisches Symbolsystem besitzt die notwendigen und hinreichenden Voraussetzungen für allgemein intelligentes Handeln. Diese These war jahrzehntelang Konsens und ist bis heute Gegenstand philosophischer Debatten.

Geschichte

Die Vorgeschichte reicht zurück bis zu Aristoteles und Leibniz, die Logik als Grundlage des Denkens betrachteten. Operationale Wurzeln liegen bei Frege, Russell, Whitehead und schliesslich bei Alan Turing und Alonzo Church, die berechenbare Funktionen formalisierten.

Der Geburtsort der symbolischen KI ist der Dartmouth Workshop 1956, organisiert von John McCarthy, Marvin Minsky, Claude Shannon und Nathaniel Rochester. Newell und Simon brachten dort den Logic Theorist mit, ein Programm, das Sätze aus Russell und Whiteheads Principia Mathematica bewies. Es folgte der General Problem Solver (1959), der Mittel-Zweck-Analyse als Suchstrategie einsetzte.

In den 1960ern entstanden Programmiersprachen wie Lisp (McCarthy, 1958) und Prolog (Colmerauer, 1972), die symbolische Verarbeitung erleichterten. Frühe Erfolge waren SHRDLU (Winograd, 1970), ELIZA (Weizenbaum, 1966) und DENDRAL (Stanford, ab 1965). In den 1970ern und 1980ern dominierten Expertensysteme wie MYCIN, R1/XCON und Cyc.

Die Krise begann Ende der 1980er. Symbolische Systeme stiessen an Skalierungs-Grenzen, Wissen liess sich nicht effizient akquirieren, die Erwartungen am Markt für Expertensysteme platzten. Der zweite KI-Winter (1987 bis 1993) traf die symbolische KI besonders hart. Nach 2010 dominierten konnektionistische, datengetriebene Verfahren das Feld.

Mechanismus

Symbolische KI-Systeme bestehen typischerweise aus drei Komponenten:

• Wissensbasis: Fakten und Regeln in formaler Sprache, etwa Prädikatenlogik erster Stufe oder Description Logic.
• Inferenzmaschine: Algorithmus, der aus der Wissensbasis neue Aussagen ableitet, etwa Resolution oder Tableaux.
• Benutzerschnittstelle: Eingabemechanismus für Anfragen und Ausgabe von Schlussfolgerungen oder Begründungen.

Die Repräsentation kann von propositionaler Logik bis zu höherstufigen Logiken reichen. Heuristische Suche (Best-First, A-Star) und Constraint-Programmierung sind verwandte Techniken. Erweiterungen umfassen probabilistische Logik, nichtmonotones Schliessen und beschreibungslogische Reasoner für das Semantic Web.

Praxis und Anwendung

Symbolische Methoden sind weiterhin produktiv im Einsatz, oft unsichtbar:

• Semantic Web und Wissensgraphen: Wikidata, DBpedia, Google Knowledge Graph und Schema.org basieren auf symbolischen Repräsentationen.
• Theorembeweiser: Coq, Isabelle, Lean und Z3 werden in Mathematik, Verifikation und Compilerbau eingesetzt.
• Constraint-Solver: Planungs- und Optimierungsaufgaben in Logistik, Scheduling und Konfiguration.
• Compliance und Recht: Regelbasierte Systeme, die Vorschriften prüfen oder Dokumente klassifizieren.
• Neurosymbolische Systeme: AlphaGeometry, AlphaProof und Forschungsprojekte bei DeepMind und IBM kombinieren neuronale Wahrnehmung mit symbolischer Inferenz.

Auch innerhalb moderner Sprachmodell-Anwendungen tauchen symbolische Elemente auf, etwa wenn Modelle Tool-Calls an Solver, Datenbanken oder Wissensgraphen delegieren.

Häufige Fehler

• Symbolische KI mit veralteter KI gleichsetzen: Theorembeweiser, Constraint-Solver und Wissensgraphen sind produktive Bestandteile heutiger Systeme.
• Brittleness ignorieren: Symbolische Systeme sind robust innerhalb ihrer Wissensbasis, aber sprode bei Edge Cases und unscharfen Eingaben.
• Wissensakquisition unterschätzen: Das Bottleneck war historisch und ist bis heute die manuelle Pflege der Wissensbasis.
• Common-Sense-Problem übersehen: Vollständige Modellierung von Alltagswissen scheiterte über Jahrzehnte, Cyc illustriert die Schwierigkeit.
• Interpretierbarkeit überschätzen: Auch symbolische Systeme können bei grosser Regelbasis intransparent werden.

Abgrenzung

• Konnektionismus: Lernt verteilte Repräsentationen aus Daten, statt sie explizit zu kodieren.
• Subsymbolische KI: Sammelbegriff für nicht-symbolische Ansätze, oft synonym mit Konnektionismus.
• Statistical AI: Bayes-Netze, Markov-Modelle und probabilistische Inferenz, oft zwischen symbolisch und konnektionistisch positioniert.
• Neurosymbolische KI: Kombination beider Welten, mit wachsender Praxisrelevanz.
• Expertensystem: Spezielle Anwendungsform symbolischer KI auf Domänenwissen, eigenständiger Eintrag.