Symbolische künstliche Intelligenz (auch als klassische künstliche Intelligenz oder logikbasierte künstliche Intelligenz bezeichnet; ) bezeichnet in der künstlichen Intelligenz (KI) eine Sammlung von Methoden, die auf symbolischen (für Menschen lesbaren) Darstellungen von Problemen, formaler Logik und Suchverfahren basieren. Die symbolische KI verwendete Werkzeuge wie Logikprogrammierung, Produktionsregeln, semantische Netze und Frames. Sie entwickelte Anwendungen wie wissensbasierte Systeme (insbesondere Expertensysteme), symbolische Mathematik, automatisierte Theorembeweiser, Ontologien, das Semantic Web sowie Systeme zur automatisierten Planung und Ablaufplanung. Das Paradigma der symbolischen KI führte zu wichtigen Konzepten in den Bereichen Suche und Optimierung, symbolische Programmiersprachen, Agenten, Multiagentensysteme, das Semantic Web sowie die Stärken und Grenzen formaler Wissens- und Schlussfolgerungssysteme.
Die symbolische KI war von Mitte der 1950er- bis Mitte der 1990er-Jahre das vorherrschende Paradigma der KI-Forschung. Forscher in den 1960er- und 1970er-Jahren waren davon überzeugt, dass symbolische Ansätze letztlich erfolgreich eine Maschine mit allgemeiner künstlicher Intelligenz hervorbringen würden, und betrachteten dies als das übergeordnete Ziel ihres Fachgebiets. Ein früher Aufschwung mit frühen Erfolgen wie dem Logic Theorist und Arthur L. Samuels Spielprogramm für Checkers führte zu unrealistischen Erwartungen und Versprechungen. Darauf folgte der erste KI-Winter, als die Finanzierung versiegte. Ein zweiter Aufschwung (1969–1986) erfolgte mit dem Aufkommen von Expertensystemen, deren Versprechen, unternehmerisches Fachwissen abzubilden, sowie ihrer begeisterten Aufnahme durch Unternehmen. Auf diesen Aufschwung und einige frühe Erfolge, beispielsweise mit XCON bei DEC, folgte erneut eine spätere Ernüchterung. Es traten Probleme bei der Wissenserfassung, der Pflege großer Wissensbasen und beim spröden Umgang mit Problemen außerhalb des jeweiligen Anwendungsbereichs auf. Ein weiterer, zweiter KI-Winter (1988–2011) folgte. Anschließend konzentrierten sich KI-Forscher darauf, grundlegende Probleme beim Umgang mit Unsicherheit und bei der Wissenserfassung zu lösen. Unsicherheit wurde mit formalen Methoden wie Hidden-Markov-Modellen, Bayesscher Schlussfolgerung und statistischem, relationalem Lernen behandelt. Symbolisches maschinelles Lernen befasste sich mit dem Problem der Wissenserfassung durch Beiträge wie Versionsraum, Valiants PAC-Learning, Quinlans ID3-Entscheidungsbaumlernen, fallbasiertem Lernen und induktiver logischer Programmierung zum Erlernen von Relationen.
Neuronale Netze wurden bereits in den frühen Tagen verfolgt und erlebten ab 2012 einen starken erneuten Aufschwung. Zu den frühen Beispielen gehören Rosenblatts Arbeiten zum Perzeptron-Lernen, die Arbeiten von Rumelhart, Hinton und Williams zum Backpropagation-Verfahren sowie Arbeiten von LeCun et al. aus dem Jahr 1989 zu Faltungsneuronalen Netzen. Dennoch wurden neuronale Netze erst um 2012 als erfolgreich angesehen: „Bis Big Data allgegenwärtig wurde, herrschte in der KI-Gemeinschaft allgemein die Ansicht, dass der sogenannte Neuronale-Netzwerk-Ansatz aussichtslos sei. Die Systeme funktionierten im Vergleich zu anderen Methoden einfach nicht besonders gut. [...] Eine Revolution kam 2012, als mehrere Personen, darunter ein Forscherteam, das mit Hinton arbeitete, eine Möglichkeit entwickelten, die Leistungsfähigkeit von GPUs zu nutzen, um die Leistungsfähigkeit neuronaler Netze enorm zu steigern.“ In den folgenden Jahren erzielte Deep Learning spektakuläre Erfolge bei der Verarbeitung von Bildern, der Spracherkennung, der Sprachsynthese, der Bilderzeugung und der maschinellen Übersetzung, obwohl symbolische Ansätze in einigen Bereichen wie Computeralgebrasystemen und Beweisassistenten weiterhin nützlich sind.
Geschichte Eine kurze Geschichte der symbolischen KI bis zur Gegenwart folgt im Folgenden. Die Zeiträume und Bezeichnungen orientieren sich an Henry Kautzʼ AAAI Robert S. Engelmore Memorial Lecture von 2020.
Der erste KI-Sommer: irrationale Euphorie, 1948–1966 Erfolge bei frühen Versuchen im Bereich der KI wurden in drei Hauptbereichen erzielt: künstliche neuronale Netze, Wissensrepräsentation und heuristische Suche. Dies trug zu hohen Erwartungen bei.
Von der menschlichen oder tierischen Kognition und dem Verhalten inspirierte Ansätze Kybernetische Ansätze versuchten, die Rückkopplungsschleifen zwischen Tieren und ihrer Umwelt nachzubilden. Bereits 1948 wurde eine Roboterschildkröte mit Sensoren, Motoren für Antrieb und Steuerung sowie sieben Elektronenröhren zur Steuerung gebaut, die auf einem vorprogrammierten neuronalen Netz basierte. Diese Arbeit kann als früher Vorläufer späterer Entwicklungen in neuronalen Netzen, bestärkendem Lernen und situierter Robotik angesehen werden.
Ein wichtiges frühes Programm der symbolischen KI war der Logic Theorist, der 1955–56 von Allen Newell, Herbert Simon und Cliff Shaw entwickelt wurde. Es konnte 38 elementare Sätze aus Whiteheads und Russells Principia Mathematica beweisen. Newell, Simon und Shaw verallgemeinerten diese Arbeit später zum domänenunabhängigen Problemlöser GPS (General Problem Solver). GPS löste mithilfe der Mittel-Zweck-Analyse Probleme, die durch formale Operatoren dargestellt und mittels Zustandsraumsuche gelöst wurden.
In den 1960er-Jahren erzielten symbolische Ansätze große Erfolge bei der Simulation intelligenten Verhaltens in strukturierten Umgebungen, beispielsweise beim Spielen, in der symbolischen Mathematik und beim Beweisen von Sätzen. Die KI-Forschung konzentrierte sich in den 1960er-Jahren auf vier Institutionen: Carnegie Mellon University, Stanford University, MIT und später die University of Edinburgh. Jede entwickelte ihren eigenen Forschungsstil. Frühere Ansätze auf Grundlage der Kybernetik oder künstlicher neuronaler Netze wurden aufgegeben oder in den Hintergrund gedrängt.
Herbert Simon und Allen Newell untersuchten menschliche Fähigkeiten zur Problemlösung und versuchten, diese zu formalisieren. Ihre Arbeiten legten Grundlagen für die künstliche Intelligenz sowie für Kognitionswissenschaft, Operations Research und Managementlehre. Ihr Forschungsteam nutzte Ergebnisse psychologischer Experimente, um Programme zu entwickeln, die von Menschen zur Problemlösung verwendete Techniken simulierten. Diese an der Carnegie Mellon University entstandene Forschungstradition mündete schließlich Mitte der 1980er-Jahre in der Entwicklung der Soar-Architektur.
Heuristische Suche Neben dem hochspezialisierten, domänenspezifischen Wissen, das später in Expertensystemen eingesetzt wurde, entdeckten frühe Forscher der symbolischen KI eine allgemeinere Anwendung von Wissen. Dies wurde als Heuristiken bezeichnet: Faustregeln, die eine Suche in vielversprechende Richtungen lenken.
Ein weiterer wichtiger Fortschritt bestand darin, Heuristiken so anzuwenden, dass eine Lösung gefunden wird, sofern eine existiert, auch wenn die verwendeten Heuristiken gelegentlich fehlerhaft sind. Der A*-Algorithmus stellte einen allgemeinen Rahmen für eine vollständige und optimale heuristisch gesteuerte Suche bereit. A* wird heute als Unterroutine in praktisch jedem KI-Algorithmus eingesetzt, ist jedoch keine universelle Lösung: Die Garantie der Vollständigkeit wird mit einer exponentiellen Laufzeit im Worst Case erkauft.
Frühe Arbeiten zur Wissensrepräsentation und Schlussfolgerung Frühe Arbeiten umfassten sowohl Anwendungen des formalen Schließens mit Schwerpunkt auf der Prädikatenlogik erster Stufe als auch Versuche, Alltagswissen und Schlussfolgerungen des „gesunden Menschenverstands“ auf weniger formale Weise zu behandeln.
Modellierung des formalen Schließens mit Logik: die „Neats“ Im Gegensatz zu Simon und Newell war John McCarthy der Ansicht, dass Maschinen nicht die genauen Mechanismen des menschlichen Denkens simulieren müssten. Stattdessen könnten sie versuchen, das Wesen des abstrakten Schließens und der Problemlösung mithilfe von Logik zu erfassen, unabhängig davon, ob Menschen dieselben Algorithmen verwenden.
Sein Labor an der Stanford University (SAIL) konzentrierte sich auf die Verwendung formaler Logik zur Lösung unterschiedlichster Probleme, darunter Wissensrepräsentation, Planung und Lernen.
Logik stand auch im Mittelpunkt der Arbeiten an der University of Edinburgh und anderen europäischen Forschungseinrichtungen. Diese Arbeiten führten zur Entwicklung der Programmiersprache Prolog und des Forschungsgebiets der Logikprogrammierung.
Modellierung impliziten Alltagswissens mit Frames und Skripten: die „Scruffies“ Forscher am MIT (darunter Marvin Minsky und Seymour Papert) stellten fest, dass die Lösung schwieriger Probleme in der Bildverarbeitung und der Verarbeitung natürlicher Sprache Ad-hoc-Lösungen erforderte. Sie argumentierten, dass kein einfaches und allgemeingültiges Prinzip (wie Logik) alle Aspekte intelligenten Verhaltens erfassen könne. Roger Schank bezeichnete ihre „Anti-Logik“-Ansätze als „Scruffy“ (im Gegensatz zu den „Neat“-Paradigmen an der CMU und Stanford).
Wissensdatenbanken des Alltagswissens (wie Doug Lenats Cyc) sind ein Beispiel für „Scruffy“-KI, da sie von Hand erstellt werden müssen, wobei jeweils ein komplexes Konzept nach dem anderen hinzugefügt wird.
Der erste KI-Winter: zerschlagene Träume, 1967–1977 Der erste KI-Winter folgte auf die überhöhten Erwartungen des ersten KI-Sommers. Die Defense Advanced Research Projects Agency (DARPA) förderte KI-Forschung unter anderem zur automatisierten Übersetzung vom Russischen ins Englische und zur Entwicklung autonomer Panzer. Mitte der 1960er-Jahre waren diese Ziele jedoch nicht erreicht worden, woraufhin die DARPA ihre KI-Förderprogramme einstellte.
Auch im Vereinigten Königreich geriet die KI-Forschung unter Druck. Der „Lighthill Report“ kam zu dem Schluss, dass die in der KI bearbeiteten Probleme besser von anderen Fachgebieten behandelt werden könnten. Außerdem wurde argumentiert, dass Erfolge bei vereinfachten Testproblemen aufgrund der kombinatorischen Explosion nicht auf reale Anwendungen übertragbar seien.
Der zweite KI-Sommer: Wissen ist Macht, 1978–1987 Wissensbasierte Systeme Als die Grenzen schwacher, domänenunabhängiger Methoden immer deutlicher wurden, begannen Forscher verschiedener KI-Traditionen, Wissen direkt in KI-Anwendungen einzubauen. Grundlage dieser „Wissensrevolution“ war die Erkenntnis, dass leistungsfähige KI für bestimmte Anwendungsbereiche umfangreiches domänenspezifisches Wissen benötigt.
Edward Feigenbaum fasste diese Erkenntnis mit dem Satz „In the knowledge lies the power“ (dt.: „Im Wissen liegt die Macht“) zusammen. Feigenbaum und Doug Lenat formulierten daraus das Wissensprinzip: Ein Programm muss umfangreiches Wissen über die Welt besitzen, in der es arbeitet, um komplexe Aufgaben erfolgreich zu lösen. Für intelligentes Verhalten in unerwarteten Situationen seien darüber hinaus allgemeineres Wissen und die Fähigkeit zur Übertragung von Wissen zwischen entfernten Bereichen erforderlich.
Erfolge mit Expertensystemen
Die Wissensrevolution führte zur Entwicklung und Verbreitung von Expertensystemen, die von Edward Feigenbaum maßgeblich geprägt wurden und zu den ersten kommerziell erfolgreichen Formen von KI-Software gehörten.
Zu den wichtigsten Expertensystemen gehörten: Dendral bestimmte aus chemischen Formeln und Massenspektren die Struktur organischer Moleküle. Mycin, das Bakteriämien diagnostizierte und anhand von Laborergebnissen, Patientengeschichte und ärztlichen Beobachtungen weitere Untersuchungen vorschlug. Internist-I und CADUCEUS, befassten sich mit der Diagnose internistischer Erkrankungen. CADUCEUS konnte schließlich bis zu 1000 verschiedene Krankheiten diagnostizieren. GUIDON zeigte, wie eine für die Problemlösung entwickelte Wissensbasis für Lehrzwecke wiederverwendet werden konnte.