Neuro-symbolische KI

In der KI-Forschung gibt es seit Jahrzehnten zwei sehr verschiedene Grundideen. Die eine Idee: Man gibt dem Computer feste Regeln vor, etwa « Jeder Mensch ist ein Lebewesen ». Solche Systeme rechnen streng logisch und begründen jeden Schritt nachvollziehbar. Die andere Idee: Man zeigt dem Computer Millionen Beispiele, und er erkennt darin selbst Muster. Diese lernenden Systeme sind erstaunlich flexibel, aber sie erklären nicht, warum sie zu einer Antwort kommen. Neuro-symbolische KI verbindet beide Ansätze in einem System und will so die Stärken beider nutzen.

Das Problem mit dem Raten

Heutige Sprachmodelle sind im Kern Wahrscheinlichkeitsmaschinen. Sie sagen voraus, welches Wort am plausibelsten als Nächstes kommt. Das funktioniert für Textproduktion hervorragend, aber es liefert keine Garantie für Richtigkeit. Deshalb erfinden solche Modelle gelegentlich Fakten, die überzeugend klingen und trotzdem falsch sind. In der Fachsprache heißt das Halluzination.

In vielen Bereichen ist das inakzeptabel. Eine Bank muss belegen können, warum ein Kredit abgelehnt wurde. Ein Medikamentenprogramm darf chemische Grundregeln nicht verletzen. Ein Steuerprogramm muss das Gesetz exakt anwenden, nicht ungefähr. Regeln haben hier einen entscheidenden Vorteil: Sie sind überprüfbar und nachvollziehbar.

Reine Regelsysteme scheitern aber an der unordentlichen Wirklichkeit. Niemand kann alle Regeln aufschreiben, die nötig wären, um eine Katze auf einem Foto zu erkennen. Genau diese Aufgabe lösen lernende Systeme mühelos. Die Kombination beider Ansätze ist deshalb kein Modetrend, sondern ein Versuch, zwei bekannte Schwächen gegenseitig auszugleichen.

Arbeitsteilung zwischen Netz und Regelwerk

Meist übernimmt der lernende Teil die Wahrnehmung. Er verwandelt Bilder, Töne oder Sätze in klare Bausteine. Aus einem Foto wird zum Beispiel die Feststellung: « links ein roter Würfel, rechts eine blaue Kugel ». Diese Bausteine sind Symbole, also eindeutige Bezeichnungen für Dinge und ihre Beziehungen.

Mit diesen Symbolen arbeitet dann der zweite Teil, oft eine Logik-Engine oder ein Programm. Er prüft Regeln, zieht Schlüsse und rechnet exakt. Auf die Frage « Ist links etwas Rotes? » antwortet er nicht durch Raten, sondern durch Nachschlagen. Das Ergebnis lässt sich Schritt für Schritt zurückverfolgen.

Ein anschauliches Bild ist ein Team aus Augenzeuge und Richter. Der Augenzeuge erkennt schnell, was zu sehen ist, kann sich aber täuschen. Der Richter kennt die Regeln und prüft, ob die Schlussfolgerung zulässig ist. Wichtig ist: Die Aufteilung funktioniert nur, wenn die Übergabe sauber klappt. Beschreibt der lernende Teil die Szene falsch, arbeitet die Logik anschließend fehlerfrei mit falschen Angaben.

Wo hybride Systeme heute laufen

Ein bekanntes Beispiel sind Mathematik-Systeme von Google DeepMind. Das Programm AlphaGeometry löste 2024 Aufgaben der Internationalen Mathematik-Olympiade. Ein Sprachmodell schlägt dabei mögliche Hilfslinien vor, ein klassisches Beweisprogramm prüft die Schritte streng. Weder der kreative noch der prüfende Teil hätte das allein geschafft.

Auch im Alltag begegnet man dem Prinzip, ohne den Begriff zu hören. Wenn ein Chatbot eine Rechenaufgabe an einen Taschenrechner weitergibt oder eine Datenbank abfragt, ist das eine einfache Form davon. Sprachassistenten übersetzen deine Frage in eine formale Suchanfrage. Kalender- und Buchungssysteme prüfen anschließend harte Regeln wie Öffnungszeiten oder freie Plätze.

In Nachrichten taucht der Begriff oft im Zusammenhang mit Regulierung auf. Behörden verlangen zunehmend, dass automatische Entscheidungen erklärbar sind. Ein häufiger Irrtum ist dabei, neuro-symbolische KI sei ein Rückschritt in die Zeit vor den Sprachmodellen. Tatsächlich geht es um Ergänzung: Das lernende Modell bleibt, bekommt aber ein Regelwerk zur Seite gestellt.