Symbolic AI

Bevor es ChatGPT gab (Machine Learning), gab es Symbolic AI (1950-2010). Auch genannt GOFAI (Good Old-Fashioned AI). Die Idee: Intelligenz ist Symbolmanipulation. Man programmiert Regeln fest ein: "Wenn (Patient hat Fieber) UND (Patient hustet) DANN (Diagnose = Grippe)." Das Wissen ist explizit und menschenlesbar (White Box). Keine schwarzen Boxen oder Matrizen. Das funktionierte super für Schach (Deep Blue) oder Expertensysteme, aber katastrophal für "Erkenne eine Katze im Bild" (weil man eine Katze nicht mit If-Regeln beschreiben kann).

Merksatz: Ein Ansatz der künstlichen Intelligenz, der auf der expliziten Repräsentation von Wissen durch Symbole und logische Regeln basiert (im Gegensatz zum sub-symbolischen, statistischen Lernen neuronaler Netze).

In Knowledge Graphs (Google Knowledge Graph). "Angela Merkel" ist ein Symbol. "Ist verheiratet mit" ist eine Kante. In Compilern und Mathematik-Software (Mathematica). Dort brauchst du 100% Präzision (2+2=4, nicht 3.99). In der Steuer-Software. (Gesetze sind Regeln, keine Wahrscheinlichkeiten).

1. Cyc Project

Das längste AI-Projekt der Welt (seit 1984). Versuch, den "Common Sense" der Menschheit in Regeln zu gießen. "Wasser macht nass." "Wenn man stirbt, hört man auf zu atmen." Millionen von Regeln. Problem: Es ist extrem brüchig. Die Welt ist zu komplex und voller Ausnahmen ("Vögel fliegen" - Pinguine nicht).

2. The Learning Problem

Symbolic AI kann nicht lernen. Jede neue Regel muss von einem Menschen programmiert werden. Das nennt man den "Knowledge Acquisition Bottleneck". Machine Learning hat gewonnen, weil es aus Daten lernt.

1. The Physical Symbol System Hypothesis (PSSH)

Newell und Simon stellten 1976 die gewagte Hypothese auf: "Ein physisches Symbolsystem verfügt über die notwendigen und hinreichenden Voraussetzungen für allgemeine intelligente Handlungen." Das bedeutet: Denken ist nichts anderes als das Verschieben von Marken auf einem Brett nach festen Regeln. Das war die Geburtsstunde der KI. Später kritisierten Philosophen wie John Searle das mit dem Gedankenexperiment des "Chinesischen Zimmers": Man kann Symbole perfekt manipulieren (Frage auf Chinesisch rein -> Antwort auf Chinesisch raus), ohne jemals zu verstehen, was man tut. Das ist genau die Brücke zu modernen LLMs: Versteht ChatGPT Logik, oder manipuliert es nur statistisch Symbole?

2. Formal Verification & Safety Operations

In Bereichen wie Luftfahrt, Militär oder Medizin ist Symbolic AI heute der Goldstandard für die Formale Verfifikation. Man kann mathematisch beweisen, dass ein System niemals einen verbotenen Zustand erreicht (z. B. "Ampel auf beiden Seiten Grün"). Ein neuronales Netz kann man nicht "beweisen" – es ist probabilistisch (es klappt zu 99,9%). Symbolische Systeme nutzen SAT-Solver oder SMT-Solver (Satisfiability Modulo Theories), um riesige logische Ausdrücke auf Widersprüche zu prüfen. Wenn ein SMT-Solver sagt: "Dieser Code ist sicher", dann gilt das mit mathematischer Gewissheit.

3. Neuro-Symbolic Integration (The Future)

Der heilige Gral der aktuellen Forschung ist die Neuro-Symbolische KI. Man kombiniert die Wahrnehmung des neuronalen Netzes (Erkenne ein Stoppschild im Regen) mit der Logik eines symbolischen Systems (Stoppschild bedeutet: Bremsen). Indem man logische Regeln als "Constraint" in das Training des neuronalen Netzes einbaut, lernt die KI schneller und macht weniger "dumme" Fehler (da sie physikalische Gesetze als logische Symbole kennt, anstatt sie mühsam aus Pixeln raten zu müssen).