Symbolic AI

La IA simbólica es el enfoque de la inteligencia artificial (AI) que representa el conocimiento mediante símbolos legibles para las personas, como bird, penguin o «Sócrates es un hombre», y razona sobre ellos mediante reglas explícitas, lógica y búsqueda. Dominó la investigación en IA desde el taller de Dartmouth de 1956 hasta la década de 1980, y el filósofo John Haugeland la denominó más tarde «IA clásica» (GOFAI) en 1985. Todas las conclusiones de un sistema simbólico pueden vincularse a reglas escritas y legibles por una persona, lo que hace que sea auditable; sin embargo, cada elemento de conocimiento debe escribirse a mano, por lo que resulta difícil de escalar.

Cómo funciona la IA simbólica#

Un sistema simbólico tiene dos partes. La base de conocimiento almacena hechos («Sócrates es un hombre») y reglas («todos los hombres son mortales») en un lenguaje formal, como la lógica de primer orden, las reglas de producción si-entonces o un grafo de conocimiento. El motor de inferencia aplica las reglas para deducir hechos que nadie había almacenado («Sócrates es mortal»). El encadenamiento hacia delante parte de los hechos conocidos y activa todas las reglas cuyas condiciones se cumplen hasta que no aparece nada nuevo. El encadenamiento hacia atrás parte de un objetivo y retrocede hasta los hechos que lo demostrarían; es la estrategia integrada en Prolog, el lenguaje de programación lógica.

La teoría en la que se basa este enfoque es la hipótesis del sistema de símbolos físicos de Allen Newell y Herbert Simon, de 1976, que sostiene que la manipulación de símbolos es necesaria y suficiente para la inteligencia general. Un motor de encadenamiento hacia delante cabe en unas pocas líneas de Python:

# 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)}")

El motor imprime bird <- ['has_feathers', 'lays_eggs'] y después penguin <- ['bird', 'cannot_fly', 'swims']: la segunda regla solo se activa porque la primera añadió bird, y cada línea impresa explica por completo por qué se cumple su conclusión. Es el tipo de trazabilidad del razonamiento que los métodos de IA explicable (XAI) intentan reconstruir para las redes neuronales.

Sistemas expertos#

La IA simbólica llegó a la industria en las décadas de 1970 y 1980 en forma de sistemas expertos. MYCIN, de Stanford, identificaba las bacterias responsables de infecciones graves y recomendaba antibióticos a partir de unas 600 reglas obtenidas de médicos; XCON, de Digital Equipment Corporation, configuraba pedidos de ordenadores VAX. Los sistemas expertos amplían el motor básico con un ingeniero del conocimiento, que entrevista a expertos del ámbito y codifica lo que saben en reglas, y un mecanismo de explicación que reproduce las reglas que sustentan cada respuesta.

El proceso de entrevista se convirtió en el cuello de botella. A los expertos les cuesta expresar sus intuiciones como reglas, las bases de reglas grandes fallan ante casos que nadie había previsto y los sistemas no pueden aprender de los datos. El proyecto Cyc de Doug Lenat, iniciado en 1984 para codificar manualmente el sentido común, lleva décadas abordando ese problema. Cuando los presupuestos para sistemas expertos se desplomaron a finales de la década de 1980, el campo entró en su segundo «invierno de la IA».

IA simbólica frente a IA estadística#

La IA estadística aprende patrones a partir de ejemplos y sustenta el aprendizaje automático (ML) y el aprendizaje profundo (DL) modernos. Los dos paradigmas fallan en ámbitos opuestos:

• IA simbólica: Es exacta, transparente y funciona sin datos de entrenamiento, por lo que resulta adecuada para la aritmética, la planificación, la normativa y las demostraciones formales. No puede procesar percepciones sin procesar, porque nadie puede escribir reglas que reconozcan un gato a partir de valores de píxeles, y falla ante entradas que sus reglas no habían previsto.
• IA estadística: Aprende percepción y lenguaje directamente de los datos y tolera el ruido, pero necesita conjuntos de datos grandes, sus decisiones son difíciles de inspeccionar y los modelos de lenguaje pueden generar respuestas convincentes pero incorrectas, conocidas como alucinaciones.

Usos actuales de la IA simbólica#

• Motores de reglas y cumplimiento normativo: El software fiscal y los motores de reglas empresariales codifican la normativa mediante reglas explícitas, de modo que cada resultado se puede rastrear hasta la cláusula que lo generó.
• Planificación y programación: Los planificadores automatizados buscan entre descripciones simbólicas de acciones, precondiciones y efectos para programar la logística, el trabajo en fábricas y las operaciones de naves espaciales.
• Verificación formal: Los solucionadores SAT y SMT, como Z3 de Microsoft, demuestran propiedades de chips y software, y los asistentes de demostración, como Lean, verifican demostraciones matemáticas paso a paso.
• Grafos de conocimiento: Los motores de búsqueda y Wikidata almacenan miles de millones de hechos como entidades y relaciones que se pueden recorrer mediante consultas.

IA neurosimbólica#

La IA neurosimbólica combina ambos paradigmas: las redes neuronales se encargan de la percepción y el reconocimiento de patrones, mientras que los componentes simbólicos gestionan reglas, restricciones y razonamiento exacto. Los modelos de lenguaje que llaman a una calculadora, una base de datos SQL o un intérprete de código mediante la llamada a funciones aplican la misma división del trabajo. En las canalizaciones de visión, un detector, como Ultralytics YOLO26, convierte los píxeles en símbolos —los nombres de clase de los objetos que encuentra—, sobre los que razonan reglas sencillas:

from ultralytics import YOLO

# Percepción neuronal: detecta objetos y conserva sus nombres de clase como hechos simbólicos
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}

# Razonamiento simbólico: SI hay un autobús Y una persona, ENTONCES genera una alerta
if {"bus", "person"} <= facts:
    print("Rule fired: pedestrians next to a bus")

Cambiar la regla modifica inmediatamente el comportamiento del sistema, sin necesidad de volver a entrenarlo. AlphaGeometry, de Google DeepMind, aplica la misma división a las matemáticas: un modelo neuronal de lenguaje propone construcciones auxiliares, un motor de deducción simbólica demuestra el resultado a partir de ellas y, juntos, resolvieron 25 de los 30 problemas de geometría de la Olimpiada Internacional de Matemáticas en un artículo de Nature de 2024.