Was den Menschen zum Menschen macht

Neuro-symbolische KI

6 Min. Lesezeit

Die neuro-symbolische KI (engl. neuro-symbolic AI, NeSy) ist eine hybride Architektur, die zwei lange als unvereinbar geltende Traditionen der Künstlichen Intelligenz verbindet: die neuronale Mustererkennung lernender Systeme (Deep Learning, große Sprachmodelle) und die symbolische Schlussfolgerung regelbasierter Systeme (Logik, Wissensgraphen, Theorembeweiser). Sie ist nicht nur ein Architekturtrend, sondern wird seit 2025 weltweit als Pfad zu „Trustworthy AI” diskutiert — als Antwort auf die Erklärbarkeitsanforderungen, die der EU AI Act, US-Transparenz-Mandate und die UNESCO an Hochrisiko-Systeme stellen.

Personseinsontologisch ist neuro-symbolische KI eine Form der Künstlichen Intelligenz und teilt deren Werkzeug-Bestimmung. Die symbolische Schicht macht das System nicht zur Person und nicht zum Träger originärer Intentionalität — Symbole sind Zeichen, sie verweisen, weil eine Person ihnen Bedeutung zugewiesen hat. Auch das hybridste neuro-symbolische System bleibt damit innerhalb der abgeleiteten Intentionalität.

Ontologische Einordnung: Oberbegriff: Künstliche Intelligenz; Geschwister: Symbolische KI, Neuronale KI (paarweise disjunkt — ein System ist genau einer Architekturklasse zugeordnet); Unterbegriffe nach Integrationspattern: Neural als Prädikat, Ontologie als Constraint, Wissensgraph-Retrieval als Grundlage.

Fünf Forschungslinien

Die Übersichtsliteratur 2024/2025 (etwa die Taxonomie-Survey arXiv 2305.08876 und der Cybersecurity-Survey arXiv 2509.06921) identifiziert fünf Forschungslinien, die das Feld strukturieren. Sie geben die Topographie:

  1. Wissensrepräsentation — Integration symbolischer und neuronaler Repräsentationen; Aufbau domänenspezifischer Wissensgraphen und Commonsense-Wissensbasen.
  2. Lernen und Inferenz — End-to-end-differenzierbares Reasoning, dynamisches Multi-Source-Wissensreasoning.
  3. Erklärbarkeit und Vertrauenswürdigkeit — interpretierbare Modelle und nachvollziehbare Inferenzketten als Voraussetzung des Vertrauens.
  4. Logik und Reasoning — Integration logikbasierter Methoden mit neuronalen Netzen, einschließlich probabilistischer Schlussweisen.
  5. Meta-Kognition — Selbstreflexion, adaptives Lernen, introspektive Überwachung — Denken über das eigene Denken.

Eine engere Position vertreten Mileo, Confalonieri und Guizzardi 2025 im Neurosymbolic Artificial Intelligence Journal: sie unterscheiden drei Rollen, in denen Ontologien zu Erklärungen neuro-symbolischer Systeme beitragen — als Referenzmodell, als Träger von Commonsense-Reasoning und als Mittel der Wissensverfeinerung und Komplexitätsbeherrschung.

Drei Integrationspatterns

Die Hybridarchitektur lässt sich technisch nach drei Mustern ordnen, in denen die symbolische Schicht in die neuronale eingreift — oder umgekehrt. Sie sind nicht paarweise disjunkt: ein konkretes System kombiniert in der Regel mehrere.

  • Neural als Prädikat — das neuronale Netz dient als gelerntes Prädikat in einem logischen Programm (DeepProbLog, NeurASP).
  • Ontologie als Constraint — eine Ontologie oder Logiktheorie strukturiert das Lernen oder die Inferenz (Logic Tensor Networks, AlphaProof).
  • Wissensgraph-Retrieval als Grundlage — ein Wissensgraph liefert die Faktenbasis, über die ein großes Sprachmodell schließt (Graph-R1, ToG-2).

Leitsysteme weltweit, Stand 2025/2026

Industrielle Forschungslabore

  • IBM Research vertritt die These, neuro-symbolische KI sei ein möglicher Pfad zu allgemeiner künstlicher Intelligenz, und richtete 2025 den Workshop Neuro-Symbolic Software Engineering auf der ICSE aus.
  • Bosch Center for Artificial Intelligence entwickelt neuro-symbolische Methoden für die Industrie: Domänenexpertenwissen wird in Wissensgraphen kodiert und durch Reasoning für Suche, Exploration und maschinelles Lernen nutzbar gemacht.
  • DeepMind kombiniert in AlphaGeometry 2 (Februar 2025) ein Gemini-basiertes Sprachmodell mit einer symbolischen Geometrie-Engine; das System löste 42 von 50 Geometrie-Aufgaben der Internationalen Mathematik-Olympiade (2000–2024). AlphaProof (Methodik publiziert in Nature, 12. November 2025) generiert formale Beweise im Lean-Theorembeweiser und löste an der IMO 2024 zwei Algebra- und ein Zahlentheorie-Problem. Zusammen erreichten beide Systeme Silbermedaillen-Niveau (28 von 42 Punkten).

Akademische Vorreiter

  • DeepProbLog (Manhaeve, Dumančić, Kimmig, Demeester, De Raedt, KU Leuven, NeurIPS 2018, S. 3753–3763) — Integration neuronaler Netze als probabilistische Prädikate in ProbLog.
  • NeurASP (Yang, Ishay und Lee, Arizona State University, IJCAI 2020) — analoge Integration in Answer-Set Programming.
  • Logic Tensor Networks (Badreddine, Garcez, Serafini und Spranger, Artificial Intelligence Journal Vol. 303, Art. 103649, 2022) — First-Order-Logik als differenzierbarer Constraint.

Anwendungsfelder in der Welt

  • Indien: Apollo Hospitals setzt eine neuro-symbolische Diagnostik ein, die strukturiert begründet, warum sie einen Tumor als bösartig einstuft; eine Forschungsgruppe in Coimbatore publizierte im Dezember 2025 die Übersichtsarbeit Foundations, Advances, and Future Directions.
  • China und Asien-Pazifik: ShanghaiTech und über IBRO koordinierte Programme (2023–2025) bauen die regionale Forschungslandschaft aus.
  • Europa: ein Berliner Versicherer wurde 2025 mit zwei Millionen Euro Bußgeld belegt, weil sein rein neuronales Risikobewertungsmodell den Kunden seine Entscheidungen nicht erklären konnte — ein Präzedenzfall, der die regulatorische Schubkraft der neuro-symbolischen Wende sichtbar macht.

Personseinsontologische Bewertung

Die neuro-symbolische KI ist in personseinsontologischer Hinsicht kein neuer Falltyp, sondern eine architektonische Differenzierung innerhalb der Künstlichen Intelligenz. Drei Punkte sind festzuhalten.

Erstens — keine originäre Intentionalität. Symbole sind Zeichen, die verweisen, weil eine Person ihnen Bedeutung zugewiesen hat. Ein neuro-symbolisches System verbindet zwar zwei unterschiedliche Schichten — gelerntes Pattern und programmierte Regel —, beide Schichten sind aber von Personen gesetzt, nicht aus dem System selbst hervorgegangen. Auch das hybridste NeSy-System trägt damit ausschließlich abgeleitete Intentionalität.

Zweitens — keine Veränderung des Personenverdikts. Die KI-Bewusstseinsdebatte wird durch die Architekturwahl nicht entschieden. Die Trennlinie zwischen Person und künstlichem Agenten liegt nicht in der internen Komplexität oder Erklärbarkeit, sondern in der ontologischen Verfassung — Substanz, geistige Form, eigenes Sein. Auch ein neuro-symbolisches System bleibt künstlicher Agent: es handelt nicht im personalen Sinn, sondern führt aus.

Drittens — relevante Schärfung der Erklärbarkeitsfrage. Die regulatorische Bedeutung neuro-symbolischer Architekturen liegt darin, dass sie die Erklärbarkeitsanforderungen des EU AI Act (Art. 13 Transparenz) strukturell erfüllen können, während rein neuronale Systeme dies typischerweise nicht tun. Das ist personalethisch nicht irrelevant: wer einer Person eine Entscheidung mitteilt, schuldet ihr eine Begründung, die sie nachvollziehen kann. Neuro-symbolische Architekturen liefern diese Begründung als integrale Eigenschaft, nicht als nachträgliches Hilfskonstrukt.

Gegenargument

Eine schärfere Position argumentiert, neuro-symbolische Systeme näherten sich gerade durch ihre Erklärbarkeit und ihre logisch-strukturierte Innenseite einem Quasi-Verstehen, das den Abstand zur Personalität verringere — sie seien Vorboten einer KI, die Bedeutung erfasse statt nur zu prozessieren. Die personalistische Antwort: die Strukturähnlichkeit zu menschlichem Reasoning täuscht über eine kategoriale Differenz hinweg. Ein Theorembeweiser, der einen Lean-Beweis konstruiert, ist nicht im Verstehensraum, sondern im Operationsraum. Die Symbole bedeuten dem System nichts; sie sind etwas für die Person, die das System nutzt oder gebaut hat. Diese Differenz ist nicht graduell aufhebbar.

Quellenangaben: Recherchestand 7. Juni 2026 (Dossier Neuro-symbolische KI — weltweite Recherche).

Weitere Quellen:

  • Mileo, Alessandra, Confalonieri, Roberto & Guizzardi, Giancarlo (2025): On the multiple roles of ontologies in explanations for neuro-symbolic AI. Neurosymbolic Artificial Intelligence (NAI) Journal. DOI 10.3233/NAI-240754.
  • Manhaeve, Robin, Dumančić, Sebastijan, Kimmig, Angelika, Demeester, Thomas & De Raedt, Luc (2018): DeepProbLog. Neural Probabilistic Logic Programming. Advances in Neural Information Processing Systems 31, S. 3753–3763.
  • Yang, Zhun, Ishay, Adam & Lee, Joohyung (2020): NeurASP. Embracing Neural Networks into Answer Set Programming. Proceedings of the Twenty-Ninth International Joint Conference on Artificial Intelligence (IJCAI), Yokohama, S. 1755–1762.
  • Badreddine, Samy, d’Avila Garcez, Artur, Serafini, Luciano & Spranger, Michael (2022): Logic Tensor Networks. Artificial Intelligence Vol. 303, Art. 103649. DOI 10.1016/j.artint.2021.103649.
  • DeepMind (2024/2025): AI achieves silver-medal standard solving International Mathematical Olympiad problems. Blog-Beitrag, Juli 2024. AlphaGeometry 2, Februar 2025. AlphaProof, Nature, 12. November 2025.
  • IBM Research: Neuro-symbolic AI (Themenseite).
  • Bosch Global: Neuro-symbolic AI (Forschungsseite des Bosch Center for AI).
  • Lucos, Reshma et al. (Dezember 2025): Neuro-Symbolic Artificial Intelligence: Foundations, Advances, and Future Directions. SSRN-Preprint.
  • Europäische Union (2024): Verordnung (EU) 2024/1689 (KI-Verordnung), insbesondere Art. 13 Transparenz, Art. 57 Sandbox-Pflicht bis 2. August 2026.

Siehe auch

Generiert via Abfrage aus der Personsein-Ontologie.

Graphansicht

Backlinks