Neuro-Symbolic AI

Noch viel Forschung. Aber relevant für Autonomes Fahren. Neurales Netz erkennt: "Da ist ein Stoppschild" (Mustererkennung). Symbolische Regel: "Wenn Stoppschild, dann anhalten" (harte Logik, die man nicht "wegtrainieren" kann). Das erhöht die Sicherheit massiv.

1. System 1 vs System 2

Daniel Kahneman (Nobelpreis) unterscheidet zwei Denkarten:

• System 1: Schnell, intuitiv, unbewusst (Sehen, Autofahren). -> Neural Networks.
• System 2: Langsam, logisch, anstrengend (Mathe, Planen). -> Symbolic AI. Neuro-Symbolic AI versucht, diese Architektur im Computer nachzubauen.

2. Differentiable Logic

Wie trainiert man das? Logik ist hart (True/False), Gradienten sind weich. Forschungsthemen wie DiffLogic versuchen, Logik "weich" zu machen (Fuzzy Logic), damit man Backpropagation durch die Logik hindurch machen kann.

1. Differentiable Inductive Logic Programming ($\partial$ILP)

Das fundamentale Dilemma der Neuro-Symbolik ist die Diskrepanz des Graphen: Neuronale Netze kalkulieren auf glatten, kontinuierlichen reellen Zahlen (Differentiable Calculus), Wahrscheinlichkeiten lassen Gradienten durch. Symbolische Systeme arbeiten streng diskret ($0$ oder $1$, True/False), was Gradienten abblockt, da die mathematische Ableitung eines Stufen-Sprungs unendlich oder Null ist. Mit $\partial$ILP (Differentiable Inductive Logic Programming) bauten Forscher einen Brückenschlag: Symbolische Regeln (z.B. Prolog Klauseln Opa(X,Y) :- Vater(X,Z), Vater(Z,Y)) werden intern in Wahrscheinlichkeits-Masken (Soft Logic) umgegossen. Der Wahrheitswert ist nicht mehr strikt $1$, sondern gleitet als Tensor-Wahrscheinlichkeit ($0.8$). Das erlaubt Backpropagation, direkt durch das symbolische Regelwerk hindurchzufließen! Das hybride System lernt logische Vererbungsketten aus rohen Bildern (Pixel -> Net -> Logic-Tensor -> Output).

2. Neuro-Symbolic Concept Learner (NSCL)

Klassisches Deep Learning beantwortet "Welche Farbe hat der Zylinder?" durch massives Pattern-Matching ($100.000$ Zylinder Bilder). Der NSCL (vom MIT) lernt wie ein Kind, ohne explizite Bildklassifikations-Labels. Er splitet die Arbeit: Ein CNN-Perzeptionsmodul (ResNetX) parst das Bild und übersetzt Objekte in abstrakte Vektor-Knoten (Scene Graph). Danach kommt ein semantischer Parser, die die Menschliche Frage ("Gibt es einen roten Würfel links vom blauen Zylinder?") in ein ausführbares LISP-artiges Programm übersetzt: filter_color(red, filter_shape(cube, left_of(blue_cylinder))). Schließlich führt eine symbolische Execution-Engine dieses Programm stur auf dem Scene-Graph aus. Vorteil: 100% erklärbar, keine Halluzination beim Zählen (CNNs verzählen sich oft ab Mengen > 3), und atemberaubend Data-Efficient (braucht nur 1% der Trainingsdaten von Pure-Neural Ansätzen).

3. System-1 vs. System-2 AI (AlphaGeometry Tactic)

Das 2024 demonstrierte AlphaGeometry von Google ist der Gipfel der aktuellen Neuro-Symbolik. Es meisterte die Mathematik-Olympiade ohne menschliches Vortraining. Das GPT-ähnliche Sprachmodell ("System 1" – Intuition) rät kreative Hilfs-Geometrie Konstrukte (z. B. "Ziehe eine Linie von A nach C, vielleicht hilft das"). Das System liefert also Fantasie, was deterministische Logik nicht kann. Dann übergibt es das Konstrukt an eine DD-Engine (Deduction Database, "System 2" – Logik). Diese zieht in Millisekunden alle formalen geometrischen Folgerungen ($A=B, \angle C=90^\circ$). Ist der Beweis nicht erbracht, wirft System 2 den Ball zu System 1 zurück ("Neuer Versuch, andere Linie!"). Dieser ewige Ping-Pong Zyklus aus Halluzination (Idee) und strengem Verifikations-Compiler skaliert das Reasoning der KI in bisher unerreichte Höhen der Mathematik, in der LLMs isoliert kläglich scheitern, weil Sprache ungenau ist.