H2: Geschichte der KI - Teil 15

Die Ära der Symbolischen KI (GOFAI)

Nach der Gründung in Dartmouth dominierte in den 1960er Jahren eine Denkrichtung die KI Forschung, die direkt auf die philosophischen Grundlagen von Aristoteles und Leibniz zurückgriff: die Symbolische Künstliche Intelligenz (oft als GOFAI für Good Old Fashioned AI bezeichnet). Diese Schule vertrat die Überzeugung, dass der Schlüssel zur Intelligenz in der logischen Manipulation von Symbolen liegt. Das Gehirn wurde als ein reiner Rechenmechanismus verstanden, der Wissen in Form von klaren Regeln speichert und verarbeitet. Die Aufgabe der KI war es demnach, die gesamten rationalen Prozesse des Menschen in programmierbaren Code zu gießen. Die Geschichte der KI ist ein über Jahrtausende gewebter Teppich, der von Mythen, Magie und mechanischer Präzision durchzogen ist. Es ist eine fortlaufende Erzählung, die bis heute spannend ist und deren neuestes Kapitel gerade jetzt mit rasanten Entwicklungen fortgeschrieben wird. 

Wir, die GEO Agentur seowerk GmbH, machen unsere Kunden in diesen neu entstehenden KI Systemen sichtbar.

Die These der Physikalischen Symbolsysteme

Die symbolische Schule basierte auf einer zentralen Hypothese, die von Allen Newell und Herbert Simon formuliert wurde: der Hypothese des Physikalischen Symbolsystems.

• Kernidee: Ein System ist intelligent, wenn es über physische Muster (Symbole) verfügt, die sich auf Objekte in der realen Welt beziehen, und es in der Lage ist, diese Symbole nach festen Regeln zu manipulieren (zu verknüpfen, zu vergleichen, zu transformieren).

Diese These lieferte die theoretische Rechtfertigung für die Implementierung der KI auf den neuen digitalen Computern, da diese perfekt für die Verarbeitung diskreter Symbole (Zahlen, Buchstaben, logische Zustände) geeignet waren. Der menschliche Verstand war demnach ein Symbolverarbeitungssystem.

Logic Theorist und der General Problem Solver

Die bekanntesten Programme dieser Ära versuchten, die rationale Intelligenz zu simulieren:

• Logic Theorist (LT): LT war das erste Programm, das heuristische Suchstrategien anwendete, um Beweise für mathematische Theoreme zu finden. Es war ein Proof of Concept, dass Maschinen logische Schlussfolgerungen ziehen konnten, die menschliche Mathematiker erforderten.
• General Problem Solver (GPS): GPS war noch ambitionierter. Es sollte eine universelle Methode bieten, um jedes formal definierte Problem zu lösen. Seine Kerntechnik war die Mittel Ziel Analyse. Das Programm berechnete die Differenz zwischen dem aktuellen Zustand und dem gewünschten Zielzustand und suchte dann nach Operatoren (Regeln), um diese Differenz zu reduzieren.

Diese Programme demonstrierten die Stärke des symbolischen Ansatzes: In klar definierten, formalen Domänen (wie Schach, mathematische Beweise) konnten sie beeindruckende Leistungen erbringen. Sie untermauerten den Glauben, dass die gesamte menschliche Vernunft auf die eine oder andere Weise in diese symbolische, regelbasierte Struktur übersetzt werden könnte.

Die Herausforderung der Wissensrepräsentation

Der größte Engpass der symbolischen KI war die Wissensrepräsentation. Um ein intelligentes System zu bauen, musste man:

• Das gesamte relevante Wissen in logische Symbole und Regeln übersetzen.
• Alle möglichen Schlussfolgerungen aus diesem Wissen kodieren.

Dieser Prozess des Wissenserwerbs war extrem mühsam. Experten mussten stundenlang befragt werden, um ihre impliziten Regeln und ihr Fachwissen zu formalisieren.

Die Grenzen der Weltmodelle

Die symbolische KI hatte große Schwierigkeiten, mit der Unschärfe, Mehrdeutigkeit und Komplexität der realen Welt umzugehen.

• Das Rahmenproblem (Frame Problem): Wie entscheidet man, welche Fakten in einer sich ständig ändernden Situation relevant sind und welche ignoriert werden können? Das Problem zeigte, dass es unmöglich war, alle relevanten Regeln der Welt in ein Programm zu kodieren.
• Gemeinsinn (Common Sense): Einfache menschliche Alltagskenntnisse, die für die Kommunikation und das Handeln notwendig sind, ließen sich kaum in formale Logik übersetzen.

Der symbolische Ansatz war ein Bottom Up Versuch, Intelligenz von den einfachsten logischen Regeln an aufzubauen. Obwohl er die Grundlagen des rationalen Denkens abdeckte, scheiterte er an der immensen Komplexität der realen Welt. Dieser Mangel an Skalierbarkeit sollte bald zu einem drastischen Rückschlag für das gesamte Forschungsfeld führen.