Symbolische KI (englisch symbolic AI, spöttisch auch Good Old-Fashioned AI, GOFAI) bezeichnet den Ansatz, intelligentes Verhalten durch die regelgeleitete Verarbeitung expliziter Zeichen zu erzeugen.
Wissen wird dabei in einer formalen Sprache niedergeschrieben – als Fakten, Regeln, Begriffshierarchien – und ein Verfahren zieht daraus Schlüsse. Was das System weiß, steht lesbar da; wie es zu einem Ergebnis kommt, lässt sich Schritt für Schritt nachvollziehen.
Der Ansatz beherrschte die KI-Forschung von ihren Anfängen bis in die 1980er Jahre und gilt seit dem Durchbruch der neuronalen Netze als überholt. Diese Einschätzung ist zu einfach: Seine Erzeugnisse sind allgegenwärtig, und seine Kernfrage ist unbeantwortet.
Zusammenfassung
Die programmatische Grundlage formulierten Allen Newell und Herbert Simon 1976 als Physical Symbol System Hypothesis: Ein physisches Symbolsystem verfügt über die notwendigen und hinreichenden Mittel für allgemeines intelligentes Handeln. Denken ist demnach Rechnen über Zeichen.
Daraus folgt ein Bauplan. Man braucht eine Wissensrepräsentation, ein Schlussverfahren und eine Suchstrategie über dem Raum möglicher Lösungen. Die Aufgabe der Forschung besteht darin, das Wissen einer Domäne zu formalisieren – nicht darin, es aus Daten zu gewinnen.
Die Stärken sind erheblich und werden heute wieder geschätzt: Nachvollziehbarkeit, Korrektheitsgarantien, Dateneffizienz, die Fähigkeit, aus wenigen Prämissen weitreichende Schlüsse zu ziehen.
Die Schwächen führten in den Winter. Die Formalisierung war teuer und musste von Hand geschehen. Die Systeme blieben spröde – außerhalb ihres Gültigkeitsbereichs versagten sie nicht allmählich, sondern vollständig. Und Alltagswissen erwies sich als so umfangreich und so unausgesprochen, dass es sich nicht aufschreiben ließ.
Der Gegenentwurf ist der Konnektionismus, der Wissen nicht niederschreibt, sondern in Verbindungsgewichten aus Beispielen entstehen lässt.
Begriffsgeschichte
Dartmouth und die Gründungsjahre (1956–1970)
Die Konferenz von Dartmouth 1956 formulierte die Annahme, dass sich jeder Aspekt des Lernens und der Intelligenz so genau beschreiben lässt, dass eine Maschine ihn nachbilden kann. Der Zuschnitt war symbolisch: Beschreiben heißt formalisieren.
Newell und Simon legten mit dem Logic Theorist (1956) und dem General Problem Solver (1957) die ersten Systeme vor, die Suchverfahren auf formalisierte Probleme anwandten. John McCarthy entwickelte 1958 mit LISP die Sprache, die dem Feld für dreißig Jahre als Werkzeug diente, und schlug vor, Wissen in Prädikatenlogik zu fassen.
Nils Nilsson und Kollegen entwickelten die Suchverfahren, darunter 1968 den A*-Algorithmus, der bis heute in der Wegplanung verwendet wird.
Expertensysteme und Blütezeit (1970er–1980er)
Die zweite Phase verschob das Gewicht von allgemeinen Verfahren zu domänenspezifischem Wissen. DENDRAL (ab 1965) analysierte Massenspektren, MYCIN (1972) diagnostizierte bakterielle Infektionen und erreichte in Prüfungen die Trefferquote von Fachärzten.
Das Muster – Regelbasis plus Inferenzmaschine plus Erklärungskomponente – wurde zum kommerziellen Produkt. Um 1985 unterhielten die meisten großen Unternehmen Abteilungen für Expertensysteme; Japans Fifth Generation-Programm setzte ab 1982 staatlich auf logikbasierte Rechner.
Der Winter (ab 1987)
Der Zusammenbruch kam schnell. Der Markt für spezialisierte LISP-Maschinen verschwand, als gewöhnliche Arbeitsplatzrechner ihre Leistung erreichten. Die Wartung großer Regelbasen erwies sich als unbeherrschbar: Jede neue Regel konnte mit bestehenden in Konflikt geraten, und niemand konnte das vorher wissen.
Der tiefere Grund war das, was als Wissensakquisitions-Engpass bekannt wurde. Fachleute können, was sie können, nicht vollständig sagen. Was ein Arzt beim Blick auf einen Patienten weiß, lässt sich nicht in Regeln überführen, weil es ihm selbst nicht in Regelform vorliegt.
Douglas Lenats Cyc-Projekt, ab 1984 mit dem Ziel begonnen, das gesamte Alltagswissen von Hand zu formalisieren, ist der ehrlichste Beleg für die Größe des Problems – nach vierzig Jahren und Millionen von Aussagen war es nicht abgeschlossen.
Was blieb
Die Verdrängung durch lernende Verfahren ist unvollständig. Der A*-Algorithmus steckt in jeder Navigationssoftware, Constraint-Löser in jeder Dienstplanung, SAT-Löser in der Chip-Verifikation, Beweisassistenten wie Lean in der Mathematik. Wissensgraphen sind formalisierte Begriffshierarchien unter anderem Namen.
Diese Systeme heißen nur nicht mehr KI – ein Muster, das als AI effect bekannt ist: Was zuverlässig funktioniert, gilt als gewöhnliche Software.
Rückkehr als Ergänzung (ab 2020)
Mit den Grenzen der Sprachmodelle beim mehrschrittigen Schließen ist der Ansatz zurückgekehrt, nun als Ergänzung. Die neurosymbolische KI verbindet gelernte Mustererkennung mit expliziter Schlussfolgerung; Werkzeugnutzung durch Sprachmodelle ist im Kern die Auslagerung symbolischer Operationen an dafür gebaute Programme.
Methodische Grundlagen
Wissensrepräsentation. Prädikatenlogik, Frames, semantische Netze, Ontologien – Formalismen, die festlegen, was überhaupt ausdrückbar ist. Die Wahl entscheidet über die Schlussfolgerungsstärke und über die Berechenbarkeit.
Inferenz. Vorwärtsverkettung leitet aus Fakten alles Ableitbare her, Rückwärtsverkettung sucht zu einem Ziel die stützenden Prämissen. Beide sind vollständig und korrekt in dem Sinn, dass sie genau das Ableitbare finden – ein Anspruch, den kein lernendes Verfahren erhebt.
Suche. Da der Raum möglicher Ableitungen schnell wächst, ist Suche das eigentliche Rechenproblem. Heuristiken schätzen die Nähe zum Ziel; A* garantiert die optimale Lösung, sofern die Heuristik den Aufwand nie überschätzt.
Sprödigkeit als Struktureigenschaft. Ein Regelsystem hat keinen Begriff davon, wo seine Zuständigkeit endet. Trifft es auf einen Fall außerhalb, liefert es kein schlechteres Ergebnis, sondern ein beliebiges – der Gegensatz zur allmählichen Verschlechterung neuronaler Netze.
Anwendungsfelder
Produktiv im Einsatz sind symbolische Verfahren dort, wo Korrektheit vor Anpassungsfähigkeit geht: in der Planung und Terminierung, der Chip- und Softwareverifikation, in Steuer- und Versicherungssystemen mit gesetzlich festgelegten Regeln, in der Wegfindung.
In der formalen Verifikation und in Beweisassistenten ist der Ansatz nicht nur präsent, sondern konkurrenzlos – ein neuronales Netz kann einen Beweis vorschlagen, aber nicht garantieren.
In der Verbindung mit Sprachmodellen erlebt er eine zweite Konjunktur: Systeme wie AlphaProof erzeugen Kandidaten neuronal und prüfen sie symbolisch.
Kontroversen und Kritik
Die Rahmenproblematik. Wie ein System erfasst, was sich bei einer Handlung nicht ändert, ist logisch überraschend schwer und nie befriedigend gelöst worden. Dreyfus und andere sahen darin keinen technischen Mangel, sondern den Nachweis, dass regelbasiertes Vorgehen an der Alltagswelt scheitert.
Verkörperung. Hubert Dreyfus argumentierte ab 1972, dass menschliches Können auf leiblicher Vertrautheit beruht und nicht auf Regelwissen. Die Kritik galt lange als polemisch und wird heute weithin als vorausschauend beurteilt – sie deckt sich mit den Einsichten der Embodied Cognition.
War es wirklich vorbei? Gary Marcus und andere halten die Verdrängung für verfrüht: Was Sprachmodellen fehle – verlässliches Schließen, Kompositionalität, Nachprüfbarkeit – sei genau das, was symbolische Systeme leisteten. Die Gegenseite hält dem entgegen, dass diese Systeme es nur in Domänen leisteten, in denen jemand die Regeln zuvor aufgeschrieben hatte.
Erklärbarkeit als Trumpf. Mit den Nachvollziehbarkeitsanforderungen des EU AI Act hat der Ansatz ein Argument zurückerhalten, das lange als Nebensache galt: Seine Entscheidungen sind von Natur aus begründbar, ohne dass eine eigene Forschungsrichtung sie erst rekonstruieren müsste.
Verwandte Begriffe
- Konnektionismus – der Gegenentwurf
- Neurosymbolische KI – die Verbindung beider Linien
- Nils Nilsson – Mitbegründer der Suchverfahren
- Rodney Brooks – der einflussreichste Kritiker aus der Robotik
- Gary Marcus – heutiger Fürsprecher
- Programmsynthese – anhaltend symbolisches Feld
- Formale Verifikation – ebenso
- Symbol-Grounding-Problem – der begriffliche Kerneinwand
Quellenangaben
- Brooks, Rodney A., 1991. Intelligence Without Representation. In: Artificial Intelligence 47 (1–3), S. 139–159. DOI: 10.1016/0004-3702(91)90053-M.
- Buchanan, Bruce G. / Shortliffe, Edward H., 1984. Rule-Based Expert Systems: The MYCIN Experiments.
- Dreyfus, Hubert L., 1972. What Computers Can’t Do: A Critique of Artificial Reason.
- Haugeland, John, 1985. Artificial Intelligence: The Very Idea.
- Hart, Peter E. / Nilsson, Nils J. / Raphael, Bertram, 1968. A Formal Basis for the Heuristic Determination of Minimum Cost Paths. In: IEEE Transactions on Systems Science and Cybernetics 4 (2), S. 100–107.
- Lenat, Douglas B., 1995. CYC: A Large-Scale Investment in Knowledge Infrastructure. In: Communications of the ACM 38 (11), S. 33–38.
- McCarthy, John / Hayes, Patrick J., 1969. Some Philosophical Problems from the Standpoint of Artificial Intelligence. In: Machine Intelligence 4, S. 463–502.
- Newell, Allen / Simon, Herbert A., 1976. Computer Science as Empirical Inquiry: Symbols and Search. In: Communications of the ACM 19 (3), S. 113–126. DOI: 10.1145/360018.360022.
← 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.