Symbolic AI

Symbolische KI ist ein Ansatz der künstlichen Intelligenz (AI), der Wissen durch menschenlesbare Symbole darstellt, etwa bird, penguin oder „Sokrates ist ein Mensch“, und mithilfe expliziter Regeln, Logik und Suche Schlussfolgerungen daraus ableitet. Sie prägte die KI-Forschung von der Dartmouth-Konferenz 1956 bis in die 1980er-Jahre. Der Philosoph John Haugeland gab ihr 1985 später den Namen „Good Old-Fashioned AI“ (GOFAI). Jede Schlussfolgerung eines symbolischen Systems lässt sich auf Regeln zurückführen, die ein Mensch geschrieben hat und lesen kann. Dadurch ist das System auditierbar. Zugleich muss jedes einzelne Wissen von Hand eingetragen werden, was eine schlechte Skalierbarkeit zur Folge hat.

Funktionsweise symbolischer KI#

Ein symbolisches System besteht aus zwei Teilen. Die Wissensbasis speichert Fakten („Sokrates ist ein Mensch“) und Regeln („Alle Menschen sind sterblich“) in einer formalen Sprache wie der Prädikatenlogik erster Stufe, Wenn-dann-Produktionsregeln oder einem Wissensgraphen. Die Inferenzmaschine wendet die Regeln an, um nicht gespeicherte Fakten abzuleiten („Sokrates ist sterblich“). Beim Vorwärtsverkettungsverfahren werden bekannte Fakten als Ausgangspunkt verwendet. Jede Regel, deren Bedingungen erfüllt sind, wird so lange ausgeführt, bis keine neuen Fakten mehr hinzukommen. Beim Rückwärtsverkettungsverfahren wird mit einem Ziel begonnen und rückwärts nach den Fakten gesucht, die es beweisen würden. Dieses Verfahren ist in der Logikprogrammiersprache Prolog integriert.

Die Theorie hinter diesem Ansatz ist die Hypothese des physikalischen Symbolsystems von Allen Newell und Herbert Simon aus dem Jahr 1976. Sie besagt, dass die Verarbeitung von Symbolen sowohl notwendig als auch ausreichend für allgemeine Intelligenz ist. Eine Vorwärtsverkettungsmaschine lässt sich mit wenigen Zeilen reinem Python umsetzen:

# Knowledge base: IF every premise is a known fact THEN add the conclusion
rules = [
    ({"has_feathers", "lays_eggs"}, "bird"),
    ({"bird", "cannot_fly", "swims"}, "penguin"),
]
facts = {"has_feathers", "lays_eggs", "cannot_fly", "swims"}

# Forward chaining: keep firing rules until no new fact appears
changed = True
while changed:
    changed = False
    for premises, conclusion in rules:
        if premises <= facts and conclusion not in facts:
            facts.add(conclusion)
            changed = True
            print(f"{conclusion} <- {sorted(premises)}")

Die Maschine gibt zuerst bird <- ['has_feathers', 'lays_eggs'] und dann penguin <- ['bird', 'cannot_fly', 'swims'] aus: Die zweite Regel wird nur ausgeführt, weil die erste bird hinzugefügt hat. Jede ausgegebene Zeile ist eine vollständige Erklärung dafür, warum die Schlussfolgerung gilt. Solche Schlussfolgerungspfade versuchen Methoden der erklärbaren KI (XAI) für neuronale Netze zu rekonstruieren.

Expertensysteme#

In den 1970er- und 1980er-Jahren hielt symbolische KI in Form von Expertensystemen Einzug in die Industrie. MYCIN von Stanford identifizierte die Bakterien hinter schweren Infektionen und empfahl Antibiotika anhand von rund 600 Regeln, die von Ärzten erfasst worden waren. XCON von der Digital Equipment Corporation konfigurierte Kundenaufträge für VAX-Computer. Expertensysteme ergänzen die grundlegende Maschine durch einen Wissensingenieur, der Fachleute befragt und ihr Wissen als Regeln kodiert, sowie eine Erklärungskomponente, die die Regeln hinter jeder Antwort erneut durchgeht.

Die Befragung wurde zum Engpass. Fachleute können ihre Intuition nur schwer als Regeln ausdrücken, große Regelbasen versagen bei unvorhergesehenen Fällen, und die Systeme können nicht aus Daten lernen. Doug Lenats 1984 begonnenes Cyc-Projekt, das Allgemeinwissen von Hand kodieren sollte, beschäftigt sich seit Jahrzehnten mit diesem Problem. Als die Budgets für Expertensysteme Ende der 1980er-Jahre einbrachen, begann der zweite „KI-Winter“ des Fachgebiets.

Symbolische KI vs. statistische KI#

Statistische KI lernt Muster aus Beispielen. Dieser Ansatz liegt dem modernen maschinellen Lernen (ML) und Deep Learning (DL) zugrunde. Die beiden Paradigmen versagen an entgegengesetzten Stellen:

• Symbolische KI: Exakt, transparent und ganz ohne Trainingsdaten nutzbar. Daher eignet sie sich für Arithmetik, Planung, Vorschriften und formale Beweise. Rohdaten aus der Wahrnehmung kann sie nicht verarbeiten, da sich keine Regeln dafür schreiben lassen, eine Katze anhand ihrer Pixelwerte zu erkennen. Zudem versagt sie bei Eingaben, die ihre Regeln nicht vorhergesehen haben.
• Statistische KI: Lernt Wahrnehmung und Sprache direkt aus Daten und toleriert Rauschen. Sie benötigt jedoch große Datensätze, ihre Entscheidungen lassen sich nur schwer nachvollziehen, und Sprachmodelle können flüssig formulierte, aber falsche Antworten erzeugen, die als Halluzinationen bezeichnet werden.

Wo symbolische KI heute eingesetzt wird#

• Regelwerke und Compliance: Steuersoftware und Geschäftsregelwerke kodieren Vorschriften als explizite Regeln, sodass sich jedes Ergebnis auf die Klausel zurückführen lässt, die es hervorgebracht hat.
• Planung und Ablaufplanung: Automatisierte Planer durchsuchen symbolische Beschreibungen von Aktionen, Voraussetzungen und Auswirkungen, um Logistik, Fabrikabläufe und Raumfahrtmissionen zu planen.
• Formale Verifikation: SAT- und SMT-Löser wie Microsofts Z3 beweisen Eigenschaften von Chips und Software. Beweisassistenten wie Lean prüfen mathematische Beweise Schritt für Schritt.
• Wissensgraphen: Suchmaschinen und Wikidata speichern Milliarden von Fakten als Entitäten und Beziehungen, die sich mit Abfragen durchsuchen lassen.

Neurosymbolische KI#

Neurosymbolische KI kombiniert beide Paradigmen: neuronale Netze verarbeiten Wahrnehmung und Mustererkennung, symbolische Komponenten dagegen Regeln, Einschränkungen und exaktes Schlussfolgern. Sprachmodelle, die über Funktionsaufrufe einen Taschenrechner, eine SQL-Datenbank oder einen Codeinterpreter aufrufen, nutzen dieselbe Arbeitsteilung. In Bildverarbeitungspipelines wandelt ein Detektor wie Ultralytics YOLO26 Pixel in Symbole um – die Klassennamen der gefundenen Objekte – und einfache Regeln leiten daraus Schlussfolgerungen ab:

from ultralytics import YOLO

# Neuronale Wahrnehmung: Objekte erkennen und ihre Klassennamen als symbolische Fakten speichern
model = YOLO("yolo26n.pt")
results = model("https://ultralytics.com/images/bus.jpg")
result = results[0]
facts = {result.names[int(c)] for c in result.boxes.cls}

# Symbolisches Schlussfolgern: WENN ein Bus UND eine Person vorhanden sind, DANN einen Alarm auslösen
if {"bus", "person"} <= facts:
    print("Rule fired: pedestrians next to a bus")

Eine Änderung der Regel verändert das Verhalten des Systems sofort und erfordert kein erneutes Training. Google DeepMinds AlphaGeometry wendet dieselbe Aufteilung auf die Mathematik an: Ein neuronales Sprachmodell schlägt Hilfskonstruktionen vor, eine symbolische Deduktionsmaschine beweist daraus das Ergebnis, und gemeinsam lösten sie laut einer 2024 in Nature veröffentlichten Arbeit 25 von 30 Geometrieaufgaben der Internationalen Mathematik-Olympiade.