Symbolisches Weltmodell
Ein symbolisches Weltmodell ist eine Beschreibung der Welt in Form klar benannter Dinge, Eigenschaften und Regeln, mit der ein Computerprogramm planen und Schlüsse ziehen kann. Es steht im Gegensatz zu Modellen, die die Welt nur als Zahlenmuster aus Trainingsdaten abbilden.
Ein Computerprogramm, das in einer Umgebung sinnvoll handeln soll, braucht eine innere Vorstellung davon, wie diese Umgebung aussieht. Eine solche Vorstellung nennt man ein Weltmodell. Bei einem symbolischen Weltmodell besteht diese Vorstellung aus eindeutig benannten Bausteinen: Dinge, ihre Eigenschaften und ihre Beziehungen zueinander. Dazu kommen Regeln, die festhalten, was eine Handlung an diesem Zustand verändert. Ein Beispiel aus einer Lagerhalle: « Kiste A steht auf Regal 3 », « Roboter ist bei Regal 3 », und die Regel « Wer eine Kiste greifen will, muss am selben Ort sein ». Alles ist als Aussage formuliert, die ein Mensch lesen und ein Programm Schritt für Schritt prüfen kann.
Warum Nachvollziehbarkeit hier der springende Punkt ist
Der größte Vorteil ist, dass man jede Entscheidung zurückverfolgen kann. Wenn ein Planungsprogramm sagt, der Roboter müsse zuerst zu Regal 3 fahren, dann steht die Begründung als Regelkette da. Bei einem Sprachmodell, das seine Antworten aus statistischen Mustern in Milliarden Textbeispielen ableitet, ist das anders. Dort lässt sich meist nicht sagen, welcher Teil des Modells für eine bestimmte Aussage verantwortlich war.
Das macht symbolische Modelle überall dort attraktiv, wo Fehler teuer sind. In der Luftfahrt, in der Fertigungssteuerung oder in der Medizin will niemand eine Empfehlung, die sich nicht prüfen lässt. Ein symbolisches Modell kann außerdem garantieren, dass bestimmte Regeln nie verletzt werden. Man schreibt sie einfach als Bedingung hinein, und der Planer erzeugt keinen Plan, der dagegen verstößt.
Ein zweiter Punkt ist der Umgang mit wenig Daten. Ein lernendes System braucht oft tausende Beispiele, um eine Regelmäßigkeit zu erfassen. Eine Regel wie « Ein Behälter kann nicht gleichzeitig offen und verschlossen sein » schreibt ein Fachmann in einer Zeile auf. Genau deshalb sind symbolische Modelle nie ganz verschwunden, obwohl lernende Verfahren seit Jahren die Schlagzeilen bestimmen.
Von Zustandsbeschreibung zu Plan
Der Aufbau folgt fast immer demselben Muster. Zuerst wird der aktuelle Zustand als Liste von Aussagen festgehalten. Dann werden mögliche Handlungen beschrieben, jeweils mit Voraussetzung und Wirkung. Die Handlung « greifen » setzt zum Beispiel voraus, dass die Hand leer ist, und bewirkt, dass die Kiste danach in der Hand liegt. Zuletzt gibt man ein Ziel an, etwa « Kiste A liegt auf dem Förderband ».
Ein Programm, der sogenannte Planer, sucht nun eine Reihenfolge von Handlungen, die vom Startzustand zum Ziel führt. Man kann sich das wie das Lösen eines Schiebepuzzles vorstellen: Jeder Zug erzeugt einen neuen Zustand, und gesucht ist der Weg zur gewünschten Anordnung. Für diese Beschreibungen gibt es Standardsprachen, die bekannteste heißt PDDL. Dadurch lassen sich dieselben Aufgaben mit verschiedenen Planern lösen.
Die Schwäche liegt in der Größe des Suchraums. Bei zwanzig Kisten und zehn Regalen gibt es astronomisch viele mögliche Zustände. Planer arbeiten deshalb mit Faustregeln, die aussichtslose Wege früh verwerfen. Ein zweites Problem ist der Anschluss an die echte Welt: Eine Kamera liefert Pixel, keine Aussage « Kiste A steht auf Regal 3 ». Diese Übersetzung von Sensordaten in Symbole ist bis heute die schwierigste Stelle.
Wo die Technik heute steckt
Symbolische Weltmodelle stecken in Logistiksoftware, in der Ablaufplanung von Fabriken und in der Steuerung von Raumsonden. Die NASA setzte solche Planer schon in den späten 1990er Jahren ein, weil eine Sonde ohne Funkkontakt selbst entscheiden muss, in welcher Reihenfolge sie ihre Messungen durchführt. Auch Computerspiele nutzen die Idee, wenn Gegnerfiguren Handlungsfolgen planen statt nur festen Skripten zu folgen.
In aktuellen Nachrichten taucht der Begriff meist im Zusammenhang mit neuro-symbolischer KI auf. Damit ist die Kombination beider Welten gemeint: Ein neuronales Netz, also ein aus Daten lernendes System, erkennt auf Bildern die Objekte und übersetzt sie in Symbole. Der symbolische Teil plant dann darauf die Handlungsfolge. Auch große Sprachmodelle werden inzwischen so eingesetzt, dass sie eine Aufgabenbeschreibung in Regeln übersetzen und einen klassischen Planer die eigentliche Lösung suchen lassen.
Ein häufiger Irrtum ist, symbolische Modelle seien schlicht veraltet. Richtig ist, dass sie an offenen, unübersichtlichen Umgebungen scheitern, weil niemand alle Regeln aufschreiben kann. In klar abgegrenzten Bereichen mit festen Spielregeln sind sie lernenden Verfahren aber oft überlegen. Wer Meldungen über KI in der Industrie liest, sollte deshalb genau hinsehen, welche der beiden Techniken gemeint ist.