Die Geschichte der künstlichen Intelligenz gliedert sich in zwei Hauptphasen. Eine davon ist die Ära der symbolischen KI. Was umfasst dieser mysteriöse Begriff? Was sind die Stärken und Begrenzungen eines solchen Ansatzes?
Seit dem Aufkommen von ChatGPT Ende November 2022 steht die generative KI im Rampenlicht. Doch dieser Diensttyp basiert auf einem relativ neuen Ansatz der künstlichen Intelligenz, der ein besonders ressourcenintensives Training erfordert. Die Anfänge der KI beruhen auf einem anderen Modell, der symbolischen KI, die nach einer Phase der Missbilligung durchaus wieder an Glaubwürdigkeit gewinnen könnte…
Was ist symbolische KI?
Die ersten Versuche, eine maschinelle Intelligenz zu simulieren, stammen aus den Arbeiten von Alan Turing und führen uns in die späten 1950er Jahre. Tatsächlich müssen wir jedoch bis zum britischen Philosophen Thomas Hobbes (1588–1679) zurückgehen, um die Anfänge solcher Arbeiten zu finden. Hobbes meinte, dass „Denken bedeutet, Symbole zu manipulieren, und vernünftiges Denken bedeutet, zu rechnen“. Der Franzose Descartes (1596–1650) ging in die gleiche Richtung und behauptete, dass das Universum in der Sprache der Mathematik geschrieben sei. Seiner Meinung nach ist die gesamte Realität mathematisch.
Auf der Grundlage solcher Theorien war es möglich, Maschinen zur Manipulation von Symbolen zu konzipieren, die das menschliche Denken emulieren. Diese Disziplin wurde zur symbolischen KI. Sie wurde 1959 effektiv ins Leben gerufen, als die Forscher Herbert Simon, Allen Newell und Cliff Shaw versuchten, einen Computer zu bauen, der Probleme ähnlich wie der Mensch lösen kann.
Tatsächlich strebt die symbolische KI danach, Wissen in Form von Regeln darzustellen, die auf Symbole angewendet werden, die Objekte oder Konzepte unserer Welt repräsentieren. Daraus resultierte eine logikbasierte Programmierung.
Ein häufig gegebenes Beispiel ist eine medizinische Diagnose: WENN ein Patient häufig niest UND juckende Augen hat, DANN handelt es sich wahrscheinlich um eine saisonale Allergie, SONST gehe zur nächsten Regel über.
Dieser Ansatz führte zur Entstehung von Expertensystemen und Entscheidungsunterstützungssystemen.
Die Hauptanwendungen der symbolischen KI
Die symbolische KI wurde in vielen Bereichen eingesetzt:
- Natural Language Processing (NLP) mit Assistenten wie Siri oder Alexa,
- Medizinische Diagnosen,
- Autonome Fahrzeuge,
- Roboter, die Hindernissen ausweichen und mit Menschen interagieren können
Der Niedergang der symbolischen KI
Bis Ende der 80er Jahre war die symbolische KI der Hauptweg der Forschung und der Entwicklung von Anwendungen. Doch dieser Ansatz zeigte nach und nach seine Grenzen.
- Da die symbolische KI auf programmierten Regeln basiert, ist ihre Lernfähigkeit gering. Ein solches System wird daher Schwierigkeiten haben, sich anzupassen, wenn es auf eine unvorhergesehene Situation trifft.
- Die symbolische KI erfordert eine umfassende Wissensbasis, um korrekt zu funktionieren. Ist dieses Fundament unvollständig, wird ihre Effektivität reduziert.
- Eine symbolische KI basiert auf präzisen Wissensdarstellungen und wird bei unsicheren oder mehrdeutigen Daten verwirrt sein.
- Die genaue Formenerkennung und damit die Biometrie ist mit einer symbolischen KI kaum realisierbar.
- Die Generierung von sowohl originellen als auch relevanten Inhalten wäre mit diesem Ansatz schwierig zu konzipieren.
Der Durchbruch des Machine Learning
Ab den 90er Jahren setzte sich ein anderer Ansatz durch, die neuronalen Netze, mit zwei Hauptformen, das Machine Learning und das Deep Learning. In diesem Kontext analysiert das System riesige Datenmengen und versucht mittels eines langen, teils empirischen Trainings, mathematische Beziehungen zwischen dem, was wahrgenommen wird, und dem, was man erreichen will, zu erfinden. Große Durchbrüche ereigneten sich ab 2010, die die Entstehung von äußerst populären Anwendungen wie ChatGPT und Midjourney ermöglichten.
Ein Problem bleibt jedoch: Diese Systeme basieren auf Big-Data-Verarbeitung und sind manchmal verwirrend, anfällig für bestimmte Fehler. So musstest Du möglicherweise mehrere Anläufe unternehmen, um das gewünschte Bild auf einer Anwendung wie Stable Diffusion zu erhalten. Manchmal hattest Du sogar den Eindruck, dass eine solche generative KI nicht versteht, worum es Dir genau geht. Tatsächlich operieren die neuronalen KIs oft, ohne dass man eine Logik in ihrem Betrieb erkennen kann. Es handelt sich eher um einen Sieg der Datenmenge gegenüber dem reinen Denken.
Eine Rückkehr der symbolischen KI?
Die symbolische KI könnte jedoch noch nicht ihr letztes Wort gesprochen haben, da einige, wie IBM, nun die beiden Ansätze mit dem sogenannten neuro-symbolischen KI kombinieren möchten. Kurz gesagt, die neurale KI würde zur Form- und Informationserkennung dienen und von einer symbolischen KI unterstützt werden, die eine vorhersehbare Logik auf die analysierten Daten anwenden würde.
Tatsächlich hat die symbolische KI ihre Vorteile. Da ihr Denkprozess codiert ist, können wir leicht nachvollziehen, wie sie zu einem Schluss gekommen ist und ihn gegebenenfalls anpassen. Zudem ist sie weitaus weniger rechenintensiv und daher umweltfreundlicher: Sie verbraucht im Durchschnitt 143-mal weniger Energie als ein Machine-Learning-Modell. Außerdem kann die symbolische KI in bestimmten präzisen Anwendungen, wie der E-Mail-Filterung, durchaus geeignet sein.
So scheint die symbolische KI nach fast zwei Jahrzehnten der Missachtung vor einem großen Comeback zu stehen.
