Wie neuro-symbolische KI funktioniert – und warum sie wichtig ist

Zwei Gehirne, eine Maschine

Moderne künstliche Intelligenz hat eine gespaltene Persönlichkeit. Auf der einen Seite stehen neuronale Netze – leistungsstarke Mustererkennungs-Engines, die aus riesigen Datensätzen lernen, aber ihre Argumentation nicht erklären können und regelmäßig Fakten erfinden. Auf der anderen Seite steht die symbolische KI, die regelbasierte Logik, die das Feld in den 1980er Jahren dominierte: transparent und präzise, aber starr und eng gefasst. Neuro-symbolische KI vereint beides in einer einzigen Architektur, und eine wachsende Zahl von Forschungsarbeiten deutet darauf hin, dass dieser Hybrid der Schlüssel sein könnte, um KI vertrauenswürdig, effizient und weitaus leistungsfähiger zu machen.

Was ist neuro-symbolische KI?

Im Kern besteht ein neuro-symbolisches System aus drei Schichten. Eine neuronale Wahrnehmungsschicht verarbeitet rohe, unstrukturierte Daten – Bilder, Audio, Text – mithilfe von Deep Learning, um Muster und Merkmale zu erkennen. Eine symbolische Argumentationsschicht wendet formale Logik, Wissensgraphen und explizite Regeln an, um zu interpretieren, was die neuronale Schicht gefunden hat. Eine Integrationsschicht schlägt die Brücke zwischen den beiden und gibt Informationen hin und her, so dass sich Mustererkennung und logisches Denken gegenseitig verstärken.

Man kann es sich vorstellen wie den Unterschied zwischen einem Kind, das eine Katze auf einem Foto erkennen kann (neuronal), und einem Kind, das auch weiß, dass Katzen Säugetiere sind, Säugetiere warmblütig sind und warmblütige Tiere Nahrung brauchen (symbolisch). Das neuro-symbolische Kind kann sowohl sehen als auch denken.

Warum sie das Halluzinationsproblem löst

Große Sprachmodelle wie ChatGPT generieren Text auf der Grundlage statistischer Wahrscheinlichkeit, nicht auf der Grundlage von Verständnis. Deshalb produzieren sie manchmal selbstbewusst klingenden Unsinn – sogenannte Halluzinationen. Artur Garcez, Professor für Informatik an der City St George's, University of London, argumentiert, dass neurosymbolische KI „die Antwort auf die Unfähigkeit großer Sprachmodelle ist, mit dem Halluzinieren aufzuhören“, weil symbolische Einschränkungen die Ausgaben zwingen, überprüfbaren logischen Regeln und nicht nur der Wahrscheinlichkeit zu folgen.

Das Weltwirtschaftsforum hat hervorgehoben, dass neurosymbolische Systeme „keine Halluzinationen“ erzeugen und eine „vollständig transparente und überprüfbare“ Entscheidungsfindung bieten – Eigenschaften, die für risikoreiche Bereiche wie das Gesundheitswesen, das Finanzwesen und das Recht unerlässlich sind.

Ein 100-facher Energievorteil

Ein Forschungsteam unter der Leitung von Matthias Scheutz an der Tufts University hat kürzlich demonstriert, wie effizient der Ansatz sein kann. Bei der Erprobung neuro-symbolischer Visual-Language-Action (VLA)-Modelle – Robotersysteme, die Kameraeingaben und Sprachanweisungen kombinieren, um physische Aufgaben auszuführen – berichtete das Team über dramatische Ergebnisse:

• 95 % Genauigkeit bei einer Standard-Turm-von-Hanoi-Aufgabe, gegenüber 34 % bei einem herkömmlichen VLA-Modell
• 78 % Erfolg bei einer ungesehenen, schwierigeren Variante des Puzzles, während Standardmodelle 0 % erzielten
• Das Training wurde in 34 Minuten statt in über 36 Stunden abgeschlossen
• Verbrauchte etwa 1 % der Trainingsenergie und 5 % der Ausführungsenergie im Vergleich zu Standardansätzen

„Ein neuro-symbolisches VLA kann Regeln anwenden, die die Anzahl der Versuche und Irrtümer während des Lernens begrenzen“, erklärte Scheutz. Die auf arXiv veröffentlichten Ergebnisse werden auf der IEEE ICRA 2026 in Wien vorgestellt.

Heutige Anwendungen in der realen Welt

Neuro-symbolische Prinzipien liegen bereits mehreren hochkarätigen KI-Systemen zugrunde. AlphaFold von Google DeepMind, das Proteinstrukturen für die Wirkstoffforschung vorhersagt, kombiniert gelernte neuronale Muster mit biochemischen Einschränkungen. Der Einkaufsassistent Rufus von Amazon verwendet große Sprachmodelle, die durch symbolische Schichten eingeschränkt werden, die an Produktkataloge und Preislogik gebunden sind, um erfundene Produktbehauptungen zu verhindern.

IBM Research, das mit dem MIT über das Watson AI Lab zusammenarbeitet, bezeichnet neuro-symbolische KI als „einen Weg zur künstlichen allgemeinen Intelligenz“ und hat sie in Bereichen eingesetzt, die von der Entdeckung von Medikamenten gegen COVID-19 bis hin zu abstraktem Denken im Stil von IQ-Tests reichen.

Der Weg nach vorn

Da KI-Systeme in die Medizin, autonome Fahrzeuge und kritische Infrastrukturen Einzug halten, wird die Nachfrage nach Erklärbarkeit und Zuverlässigkeit nur noch steigen. Reine neuronale Netze skalieren beeindruckend, bleiben aber undurchsichtig; reine symbolische Systeme sind transparent, aber brüchig. Neuro-symbolische KI bietet einen Mittelweg: Maschinen, die aus unordentlichen realen Daten lernen und über das Gelernte nachdenken können – und das mit einem Bruchteil der Energie. Ob sie nun die „dritte Welle“ der KI darstellt oder einfach nur eine notwendige Korrektur ist, der hybride Ansatz bewegt sich rasant von den Forschungslabors in die Produktionssysteme weltweit.