Neurosymbolische KI bezeichnet Ansätze, die neuronale Verfahren des maschinellen Lernens mit symbolischer Wissensrepräsentation und logischer Inferenz verbinden. Ziel ist es, die Mustererkennung neuronaler Netze mit der Nachvollziehbarkeit und Verlässlichkeit regelbasierter Systeme zu vereinen.
Zusammenfassung
Der Ansatz reagiert auf komplementäre Schwächen zweier Traditionen. Symbolische Systeme schließen zuverlässig und nachvollziehbar, scheitern aber an der Bewältigung unstrukturierter Wahrnehmungsdaten und erfordern manuell gepflegtes Wissen. Neuronale Systeme bewältigen Wahrnehmung hervorragend, sind aber undurchsichtig, unzuverlässig bei mehrschrittigem Schließen und anfällig für erfundene Ausgaben.
Die neurosymbolische Position lautet, dass beides erforderlich ist. Nachdem der Ansatz mit dem Erfolg des Deep Learning ab 2012 an Aufmerksamkeit verlor, gewann er in den 2020er Jahren wieder an Zuspruch – befördert durch die anhaltenden Verlässlichkeitsprobleme großer Sprachmodelle. Als prominenteste Fürsprecher gelten Gary Marcus und François Chollet.
Ausgangslage
Die KI-Forschung war jahrzehntelang von einem Gegensatz geprägt. Die symbolische Tradition – bis in die 1980er Jahre vorherrschend – repräsentiert Wissen in expliziten Strukturen und leitet daraus mit Regeln neue Aussagen ab. Ihre Stärke ist die Nachvollziehbarkeit jedes Schrittes; ihre Schwäche der Aufwand der Wissenserfassung und die Sprödigkeit gegenüber unvorhergesehenen Fällen.
Die subsymbolische Tradition lernt Zusammenhänge aus Daten, ohne sie explizit zu repräsentieren. Ihre Stärke ist die Bewältigung von Wahrnehmung und Sprache; ihre Schwäche die Undurchsichtigkeit und die fehlende Garantie für korrektes Schließen.
Motivation
Die Argumente für eine Verbindung lassen sich bündeln:
- Verlässlichkeit. Regelgebundene Schlussfolgerung liefert Garantien, die statistisches Lernen nicht bietet. Für sicherheitskritische Anwendungen ist dies erheblich.
- Nachvollziehbarkeit. Symbolische Zwischenschritte sind prüfbar, während die Verarbeitung neuronaler Netze nur eingeschränkt zugänglich ist.
- Dateneffizienz. Explizites Vorwissen verringert den Bedarf an Trainingsbeispielen.
- Generalisierung. Regeln gelten auch für Fälle, die im Training nicht vorkamen – die Schwachstelle, auf die Chollets Kritik zielt.
Gary Marcus begründet seine Position kognitionswissenschaftlich: Menschliches Denken beruhe auf strukturierten Repräsentationen und kausalem Verständnis, nicht auf statistischer Musterreproduktion. Diese Auffassung vertrat er bereits in The Algebraic Mind (2001), lange vor dem Aufkommen großer Sprachmodelle.
Ansätze
Die Umsetzungen unterscheiden sich erheblich in der Art der Verbindung:
| Ansatz | Verbindungsstelle |
|---|---|
| Neuronale Wahrnehmung, symbolische Verarbeitung | nacheinander geschaltet |
| Symbolisches Wissen als Trainingssignal | im Training |
| Differenzierbare Logik | in der Verlustfunktion |
| Programmsynthese | in der Ausgabe |
| Werkzeugnutzung | zur Laufzeit |
Neuronale Wahrnehmung mit symbolischer Verarbeitung. Ein neuronales Netz wandelt Rohdaten in symbolische Beschreibungen um, auf denen anschließend geschlossen wird.
Symbolisches Wissen als Trainingssignal. Regeln oder Wissensgraphen fließen als Nebenbedingung in das Training neuronaler Netze ein.
Differenzierbare Logik. Logische Operationen werden so formuliert, dass sie mit gradientenbasierten Verfahren optimierbar sind.
Programmsynthese. Statt einer Antwort erzeugt das System ein Programm, das die beobachtete Regelmäßigkeit erklärt und ausführbar ist.
Werkzeugnutzung. Ein Sprachmodell ruft externe symbolische Systeme auf – Rechenwerkzeuge, Beweisassistenten, Datenbanken – und übernimmt deren Ergebnisse. Dieser praktisch bedeutsamste Fall wird nicht immer der neurosymbolischen KI zugerechnet, folgt aber ihrer Grundidee.
Aktuelle Bedeutung
Die anhaltenden Verlässlichkeitsprobleme großer Sprachmodelle haben dem Ansatz neue Aufmerksamkeit verschafft. Chollet benannte bei seinem Weggang von Google 2024 ausdrücklich die Notwendigkeit neurosymbolischer Verfahren und gründete mit Ndea ein Unternehmen, das AGI über Programmsynthese anstrebt.
Auffällig ist zudem, dass verbreitete Praktiken faktisch neurosymbolische Züge tragen, ohne so bezeichnet zu werden: Werkzeugnutzung, strukturierte Ausgabeformate, nachgelagerte Regelprüfungen und Retrieval-Augmented Generation verbinden gelernte mit regelgebundenen Anteilen.
Kritik
Fehlende Skalierbarkeit der symbolischen Seite. Die historischen Schwierigkeiten symbolischer Systeme – Wissenserfassungsaufwand, Sprödigkeit – sind nicht gelöst und kehren in hybriden Systemen zurück.
Uneinheitlichkeit. Der Begriff fasst sehr unterschiedliche Ansätze zusammen; eine gemeinsame theoretische Grundlage fehlt.
Empirischer Rückstand. Rein neuronale Systeme haben in vielen Bereichen Leistungen erbracht, die hybride Ansätze nicht erreichen. Kritiker halten dem entgegen, dass die relevanten Schwächen – Verlässlichkeit, Generalisierung – durch übliche Benchmarks nicht erfasst werden.
Abgrenzungsproblem. Wenn Werkzeugnutzung bereits als neurosymbolisch gilt, wäre die Position weitgehend eingelöst – was ihre Vertreter bestreiten, da die symbolische Komponente dabei nicht in das Modell selbst integriert ist.
Die Frage nach der Naht
Der wiederkehrende technische Kernpunkt aller hybriden Ansätze ist die Verbindungsstelle: Wie gelangt man von einer kontinuierlichen, gelernten Repräsentation zu diskreten Symbolen und zurück?
Die Schwierigkeit ist grundsätzlicher Natur. Neuronale Verfahren sind trainierbar, weil sich ihre Ausgaben stetig verändern und Fehler rückwärts durch das Netz weitergereicht werden können. Symbolische Operationen sind es nicht: Ein Symbol gilt oder gilt nicht, ein Ableitungsschritt ist zulässig oder unzulässig, und dazwischen gibt es kein Gefälle, an dem sich ein Lernverfahren orientieren könnte.
Wer beides in einem System verbindet, muss die Naht entweder umgehen – indem er die Teile getrennt trainiert und nur zur Laufzeit koppelt – oder sie glätten, indem er die symbolische Seite in eine differenzierbare Näherung überführt, womit sie einen Teil dessen verliert, wofür man sie wollte.
Beide Wege sind gangbar und beide haben Ergebnisse hervorgebracht; keiner hat bislang zu einem System geführt, das die Vorzüge beider Seiten ungeschmälert vereint. Die verbreitetste Bauform der Gegenwart – ein Sprachmodell, das ein externes Werkzeug aufruft und dessen Rückgabe weiterverarbeitet – umgeht die Naht vollständig, indem sie die symbolische Seite außerhalb des Modells belässt.
Genau darin liegt der Streit um die begriffliche Einordnung. Aus Sicht der Praxis ist das Problem gelöst: Die Rechenaufgabe wird korrekt beantwortet, weil ein Taschenrechner sie übernimmt. Aus Sicht der Programmatik ist es umgangen: Das Modell hat nicht rechnen gelernt, es hat gelernt, wann es abgibt.
Verwandte Begriffe
- Symbolische KI – eine der verbundenen Traditionen
- Deep Learning – die andere verbundene Tradition
- Programmsynthese – konkreter neurosymbolischer Ansatz
- Gary Marcus – prominenter Fürsprecher
- François Chollet – prominenter Fürsprecher
- AGI – Zielbegriff, für den der Ansatz als Weg gilt
- Halluzination – Defizit, dem der Ansatz begegnen soll
- Retrieval-Augmented Generation – praktisch verwandtes Verfahren
Quellenangaben
- Chollet, François (2019): On the Measure of Intelligence. arXiv: 1911.01547.
- Digital Watch Observatory (2024): Keras creator François Chollet departs Google after a decade. 19. November 2024.
- Jin, Can / Wu, Rui / Che, Tong / Zhang, Qixin / Peng, Hongwu / Zhao, Jiahui / Wang, Zhenting / Wei, Wenqi / Han, Ligong / Zhang, Zhao / Cao, Yuan / Tang, Ruixiang / Metaxas, Dimitris N. (2026): Reasoning over Precedents Alongside Statutes: Case-Augmented Deliberative Alignment for LLM Safety. Angenommen für ACL 2026. arXiv: 2601.08000.
- Marcus, Gary F., 2001. The Algebraic Mind: Integrating Connectionism and Cognitive Science.
- Marcus, Gary / Davis, Ernest (2019): Rebooting AI: Building Artificial Intelligence We Can Trust.
← Zurück zur Lexikon-Übersicht
Zuletzt bearbeitet: 10. August 2026
Zusammengestellt, formuliert, lektoriert und korrigiert mit KI-Unterstützung. Kuratiert von Nils Brauer. Alle Angaben ohne Gewähr.