Symbol Grounding Problem

Das Symbol Grounding Problem (deutsch Symbolverankerungsproblem) bezeichnet die kognitionswissenschaftliche und philosophische Frage, wie die Symbole eines formalen Symbolsystems eine intrinsische Bedeutung erlangen können, ohne dass diese Bedeutung allein durch die Interpretation eines äußeren menschlichen Beobachters zugewiesen wird.

Der Begriff wurde 1990 vom kanadisch-britischen Kognitionswissenschaftler Stevan Harnad in dem Aufsatz The Symbol Grounding Problem (Physica D 42, S. 335–346) eingeführt.

Zusammenfassung

Harnads zentrale Frage lautet, wie die Bedeutung formaler Symboltoken, die in einem Symbolsystem nur auf Grundlage ihrer beliebigen Form manipuliert werden, in etwas anderem als wiederum bedeutungslosen Symbolen verankert sein kann.

Seine analoge Veranschaulichung: Das Erlernen einer Sprache (etwa Chinesisch) ausschließlich aus einem einsprachigen Chinesisch-Chinesisch-Wörterbuch ist unmöglich – die Definitionen verweisen jeweils auf weitere Zeichen, ohne je den geschlossenen Zeichenkreis zu verlassen.

Harnad nennt dies das Symbol-Symbol-Karussell. Seine Lösungsskizze lautet: Symbolische Repräsentationen müssen bottom-up in nicht-symbolischen Repräsentationen verankert sein – in ikonischen Repräsentationen (Analoga der proximalen sensorischen Projektionen) und in kategorialen Repräsentationen (gelernte oder angeborene Merkmalsdetektoren für die invariant Eigenschaften von Objekt- und Ereigniskategorien).

Das Symbol Grounding Problem ist seit 1990 ein zentraler Bezugspunkt der Debatten um maschinelles Verstehen, Embodied Cognition und – seit 2020 – der kritischen Diskussion um große Sprachmodelle.

Ideengeschichtlicher Kontext

Harnad formulierte das Problem in expliziter Auseinandersetzung mit John Searles Chinese Room Argument (1980) und der dort eingeführten Unterscheidung von intrinsischer und abgeleiteter Intentionalität.

Searle hatte argumentiert, dass formale Symbolmanipulation allein (auch in einem System, das den Turing-Test besteht) kein Verstehen erzeugt; Harnad nimmt diese Diagnose auf und formuliert sie als empirisches Problem, das durch geeignete Architekturen prinzipiell lösbar sein könnte.

Verwandt sind das frame problem (Daniel Dennett 1984), das Problem der intrinsic meaning (Brentanos Intentionalitätsbegriff) sowie die Diskussion zwischen Symbol-Verarbeitung (Newell, Simon) und Konnektionismus (Rumelhart, McClelland) der 1980er Jahre.

Harnads Lösungsskizze

Harnad schlägt eine hybride Architektur vor: Symbolische Operationen sind nicht aufgehoben, sondern an eine nicht-symbolische Basis gebunden. Konkret unterscheidet er drei Ebenen: 1. Ikonische Repräsentationen – sensorische Analoga, die direkten Bezug zu Objekten und Ereignissen herstellen.

2. Kategoriale Repräsentationen – invariante Merkmalsdetektoren, die Klassen von Objekten unterscheidbar machen. 3. Symbolische Repräsentationen – die nun in (1) und (2) verankert sind und nicht mehr nur auf Grundlage ihrer arbitrarisch-formalen Eigenschaften manipuliert werden.

Eine vollständige Lösung erfordert nach Harnad zudem den Bezug zu sensorimotorischer Interaktion mit der Welt; deshalb formuliert er den Total Turing Test – einen Turing-Test, der nicht nur linguistische, sondern auch robotisch-sensorimotorische Kapazitäten prüft.

Diskussion

Die Debatte um das Symbol Grounding Problem ist seit 1990 in mehreren Strängen geführt worden:

Aus Sicht der Embodied Cognition (Lakoff, Johnson; Varela, Thompson, Rosch; Andy Clark) ist die Verankerung in sensorimotorischer Interaktion eine notwendige Bedingung von Bedeutung – eine Position, die Harnads Lösungsskizze stützt und ausweitet.

Aus konnektionistischer Sicht (Paul Smolensky, Jeffrey Elman) wird argumentiert, dass neuronale Netze die Lücke zwischen sensorischer Input und symbolischer Repräsentation prinzipiell schließen können, ohne eine harte ontologische Trennung der Ebenen vorauszusetzen.

Aus Sicht der Distributional Semantics (Zellig Harris, später Word2Vec, Mikolov u. a. 2013) wird die Position vertreten, dass Bedeutung aus der distributionellen Struktur sprachlicher Korpora rekonstruierbar sei – eine Auffassung, die Harnads Forderung nach extrasprachlicher Verankerung explizit zurückweist.

Im Diskurs um große Sprachmodelle ist das Symbol Grounding Problem seit dem Aufsatz Climbing towards NLU (Bender und Koller 2020) und in der nachfolgenden Stochastic Parrots-Debatte (2021) erneut zentral geworden. Bender und Koller knüpfen explizit an die Grounding-Tradition an: Aus reinem Training an textueller Form ohne Verankerung in nicht-sprachlichem Weltbezug, so das Argument, kann keine semantische Kompetenz im starken Sinne entstehen.

Gegenpositionen – Christopher D. Manning (Human Language Understanding & Reasoning, Dædalus 2022), Steven T. Piantadosi und Felix Hill (Meaning without Reference in Large Language Models, arXiv 2022) – argumentieren, dass distributionelle Information für eine schwächere, aber funktional ausreichende Form von Bedeutung hinreiche, oder dass eine conceptual role semantics die klassischen Grounding-Forderungen ablöse.

Eine neuere mechanistische Untersuchung (Wu u. a. 2026, ICML) liefert hierzu erstmals kausale, architekturbezogene Evidenz. Mittels gezielter Interventionsexperimente zeigen die Autor:innen, dass in Transformer- und State-Space-Modellen – nicht jedoch in LSTMs – während des Trainings ohne explizite Zusatzsupervision spezialisierte Aufmerksamkeitsköpfe entstehen, die Umweltkontext zur Vorhersage sprachlicher Formen heranziehen.

Dies operationalisiert Harnads Forderung nach kausaler Verankerung symbolischer Repräsentationen technisch, ohne die philosophische Frage nach genuinem Verstehen zu entscheiden.

Bedeutung im KI-Diskurs

Innerhalb der zeitgenössischen KI-Diskussion fungiert das Symbol Grounding Problem als eine der theoretischen Grundannahmen für die Position, dass LLMs nicht im starken Sinne verstehen, was sie produzieren. Es ist damit ein zentrales Element der argumentativen Architektur der Stochastic-Parrots-These und der breiteren Critical-AI-Studies-Position.

Gleichzeitig ist es ein produktiver Gegenstand der Architekturforschung: Multimodale Modelle (mit Bild-, Audio-, Sensorik-Input), embodied AI und robotic-grounded language models versuchen, die Lücke zwischen reiner Symbolverarbeitung und sensorischer Verankerung zu schließen.

Verwandte Begriffe

• Stevan Harnad – Urheber des Begriffs
• Stochastic Parrots – moderne LLM-Anwendung des Problems
• Emily M. Bender – heutige Vertreterin der Grounding-Forderung

Quellenangaben

1. Bender, Emily M. / Koller, Alexander (2020): Climbing towards NLU: On Meaning, Form, and Understanding in the Age of Data. In: Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics (ACL 2020), S. 5185–5198. DOI: 10.18653/v1/2020.acl-main.463.
2. Bender, Emily M. / Gebru, Timnit / McMillan-Major, Angelina / Shmitchell, Shmargaret, 2021. On the Dangers of Stochastic Parrots: Can Language Models Be Too Big? In: Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency (FAccT 2021), S. 610–623. DOI: 10.1145/3442188.3445922.
3. Clark, Andy, 1997. Being There: Putting Brain, Body, and World Together Again.
4. Dennett, Daniel C. (1984): Cognitive Wheels: The Frame Problem of AI. In: Hookway, Christopher (Hrsg.): Minds, Machines and Evolution. Cambridge: Cambridge University Press, S. 129–151.
5. Harnad, Stevan, 1990. The Symbol Grounding Problem. In: Physica D: Nonlinear Phenomena 42 (1–3), S. 335–346. DOI: 10.1016/0167-2789(90)90087-6
6. Harnad, Stevan (1993): Symbol Grounding Is an Empirical Problem: Neural Nets Are Just a Candidate Component. In: Proceedings of the Fifteenth Annual Meeting of the Cognitive Science Society. Hillsdale, NJ: Erlbaum.
7. Lakoff, George / Johnson, Mark, 1999. Philosophy in the Flesh: The Embodied Mind and Its Challenge to Western Thought.
8. Manning, Christopher D. (2022): Human Language Understanding & Reasoning. In: Dædalus 151 (2), S. 127–138. DOI: 10.1162/daed_a_01905.
9. Mikolov, Tomas / Chen, Kai / Corrado, Greg / Dean, Jeffrey, 2013. Efficient Estimation of Word Representations in Vector Space. arXiv: 1301.3781.
10. Piantadosi, Steven T. / Hill, Felix (2022): Meaning without Reference in Large Language Models. arXiv: 2208.02957.
11. Searle, John R., 1980. Minds, Brains, and Programs. In: Behavioral and Brain Sciences 3 (3), S. 417–457. DOI: 10.1017/S0140525X00005756.
12. Varela, Francisco J. / Thompson, Evan / Rosch, Eleanor, 1991. The Embodied Mind: Cognitive Science and Human Experience.
13. Wu, Shuyu / Ma, Ziqiao / Luo, Xiaoxi / Huang, Yidong / Torres-Fonseca, Josue / Shi, Freda / Chai, Joyce (2026): The Mechanistic Emergence of Symbol Grounding in Language Models. In: Proceedings of the 43rd International Conference on Machine Learning (ICML 2026). arXiv: 2510.13796.

← Zurück zur Lexikon-Übersicht