Beantwortet von der Redaktion von Business.Digital Stand
Symbolische KI, auch GOFAI (Good Old-Fashioned Artificial Intelligence) genannt, basiert auf der Annahme, dass Intelligenz durch explizite Repräsentation von Wissen in Form von Symbolen und logischen Regeln modelliert werden kann. Statt Muster aus Daten zu lernen, wird Wissen manuell kodiert: “Wenn A und B, dann C.”
Das war das dominante KI-Paradigma von den 1950er bis in die 1980er Jahre. Expertensysteme, Planungsalgorithmen, formale Logik. PROLOG ist eine Programmiersprache, die auf symbolischer KI basiert.
Stärken und Schwächen
Symbolische KI hat echte Stärken: Sie ist transparent (man kann jeden Schritt nachvollziehen), konsistent (gleiche Regeln, gleiche Ergebnisse), und gut in formalen Domänen wie Mathematik, Logik und strukturierten Problemen.
Die Schwäche: sie skaliert schlecht. Jede Regel muss manuell geschrieben werden. Bei tausenden von Sonderfällen, bei Bilderkennung, bei natürlicher Sprache, bricht der Ansatz zusammen. Der “AI Winter” der 1980er war zum Teil eine Ernüchterung über die Grenzen symbolischer Ansätze.
Neuro-symbolische KI: das Beste aus beiden Welten
Es gibt heute ein wachsendes Forschungsfeld, das versucht, symbolische KI und neuronale Netze zu kombinieren. Neural Symbol Grounding: Neuronale Netze lernen Konzepte aus Daten, symbolische Systeme nutzen diese Konzepte für logisches Schlussfolgern. Das könnte die Stärken beider Ansätze vereinen: Lernfähigkeit aus Daten plus Nachvollziehbarkeit und Konsistenz.
Praktische Relevanz
Symbolische KI ist in Nischen weiterhin relevant: Regelsysteme für strukturierte Entscheidungslogik, formale Verifikation, Compliance. Für die meisten Unternehmensanwendungen ist Machine Learning der stärkere Ansatz. In hybriden Systemen kann symbolische Logik aber ergänzen, was ML allein nicht gut kann. In einer KI-Beratung schauen wir, welcher Ansatz zu deinen Anforderungen passt.