Symbolische wereldmodellering: computers die de wereld begrijpen met regels in plaats van gevoel
Stel je een schaakcomputer voor die precies weet hoe een paard mag springen, hoe een loper diagonaal beweegt en wat schaakmat betekent. Zo'n computer hoeft geen duizenden partijen te bekijken om te "aanvoelen" wat een goede zet is: hij kent de regels en redeneert daarmee logisch naar een conclusie. Dat is in de kern waar symbolische wereldmodellering om draait: een computersysteem bouwt een intern model van de wereld op met symbolen — woorden, objecten, regels en relaties — in plaats van alleen patronen te herkennen in grote hoeveelheden voorbeelddata.
Het tegenovergestelde is de aanpak achter de meeste populaire AI van dit moment, zoals ChatGPT of beeldherkenningssoftware. Die leert door miljoenen voorbeelden te bestuderen en bouwt daarbij een soort statistisch "gevoel" op voor patronen, verstopt in miljarden getallen (parameters) die voor mensen nauwelijks te doorgronden zijn. Symbolische wereldmodellering kiest een andere weg: kennis expliciet, leesbaar en logisch vastleggen, zodat een systeem in principe kan uitleggen waarom het iets doet — vergelijkbaar met hoe je kunt navertellen welke schaakregel een zet verbiedt.
Wat is het precies?
Een "wereldmodel" is in de AI-wereld een intern overzicht dat een systeem bijhoudt van hoe de wereld in elkaar zit en hoe die verandert door acties. Een zelfrijdende auto heeft bijvoorbeeld een wereldmodel nodig om in te schatten wat een fietser zo dadelijk gaat doen. De vraag is: in welke vorm leg je die kennis vast?
Bij symbolische modellering gebeurt dat met discrete, leesbare bouwstenen: "fietser", "op_fietspad(fietser1, pad3)", "kan_afslaan(fietser1, links)". Zulke uitspraken combineer je met logische regels ("als een fietser zijn arm uitsteekt, is de kans op afslaan groot") om nieuwe conclusies af te leiden. Dat proces heet redeneren (reasoning) en lijkt op hoe een jurist wetsartikelen combineert tot een conclusie.
Dit staat tegenover subsymbolische of neurale modellen, waarbij kennis verspreid ligt over duizenden of miljoenen gewichten in een neuraal netwerk. Zo'n netwerk herkent patronen uitstekend, maar niemand — ook de makers niet — kan precies aanwijzen welk deel van het netwerk "weet" dat fietsers soms plotseling afslaan. Dat maakt neurale modellen krachtig maar ondoorzichtig; een zogeheten black box.
Veel recent onderzoek richt zich daarom op een combinatie van beide: neurosymbolische AI. Een neuraal netwerk herkent dan patronen in ruwe data (pixels van een camera worden herkend als "fietser"), waarna een symbolisch systeem daarmee verder redeneert en plant. De twee technieken vullen elkaars zwaktes aan: neurale netwerken zijn goed in waarnemen, symbolische systemen zijn goed in consistent en navolgbaar redeneren.
Een veelgebruikt hulpmiddel is de kennisgraaf (knowledge graph): een netwerk van knopen (objecten of begrippen) en verbindingen (relaties), zoals "Amsterdam — ligt_in → Nederland". Ook planningstalen zoals PDDL (Planning Domain Definition Language) horen erbij: daarmee beschrijf je symbolisch welke acties in welke situaties mogelijk zijn, zodat een robot of softwareagent stap voor stap een plan kan uitrekenen om een doel te bereiken.
Wat wil men ermee bereiken?
De belangrijkste belofte is uitlegbaarheid. Omdat kennis is vastgelegd in leesbare regels en relaties, kan een systeem in principe stap voor stap tonen hoe het tot een beslissing kwam. Voor toepassingen waarbij verantwoording nodig is — medische diagnostiek, financiële besluiten, zelfrijdende voertuigen — weegt dat zwaarder dan bij een chatbot die af en toe een grappige tekst genereert.
Een tweede doel is betrouwbaarheid en consistentie. Puur neurale systemen maken soms fouten die logisch onmogelijk zouden moeten zijn. Een symbolisch systeem dat expliciete regels volgt, kan dat soort tegenstrijdigheden in principe uitsluiten, omdat het bekende wetten hard afdwingt in plaats van te gokken op basis van eerder geziene voorbeelden.
Ten derde hopen onderzoekers op meer datazuinigheid. Neurale netwerken hebben doorgaans enorme hoeveelheden voorbeelden nodig om iets te leren. Een symbolisch systeem dat al basisregels kent (zoals de regels van de meetkunde) hoeft niet duizenden voorbeelden te zien om een nieuwe, soortgelijke opgave op te lossen — het combineert bestaande regels tot een nieuwe conclusie, zoals mensen ook doen.
Tot slot speelt een dieper wetenschappelijk motief mee: onderzoekers zoals de bekende AI-criticus Gary Marcus betogen dat puur neurale systemen nooit echt "begrip" en gezond verstand zullen krijgen zonder een vorm van symbolische structuur. Of dat klopt, is binnen de AI-gemeenschap allerminst uitgemaakt — het blijft een van de grote onopgeloste debatten in het vakgebied.
Voorbeelden uit de praktijk
Cyc (Cycorp, sinds 1984): het oudste en bekendste symbolische kennisproject ter wereld. Onderzoeker Douglas Lenat begon in 1984 met het handmatig invoeren van miljoenen alledaagse feiten en regels ("water is nat", "wie dood is, ademt niet meer") in één grote kennisbank. Het project wordt tot op heden onderhouden door het bedrijf Cycorp en geldt als levend bewijs van hoeveel gezond verstand eigenlijk moet worden vastgelegd om een machine puur logisch te laten redeneren — en hoe arbeidsintensief dat is.
Neuro-Symbolic Concept Learner (2019): een onderzoeksproject, mede verbonden aan het MIT-IBM Watson AI Lab, dat vragen over afbeeldingen leerde beantwoorden ("hoeveel rode kubussen liggen er links van de blauwe bol?") door een neuraal netwerk objecten te laten herkennen en een symbolisch systeem daar vervolgens logisch mee te laten redeneren. Het combineerde de nauwkeurigheid van symbolische logica met het leervermogen van neurale netwerken, met minder trainingsvoorbeelden dan vergelijkbare puur-neurale systemen.
SayCan (Google Research, 2022): een robotproject waarbij een taalmodel instructies als "breng me iets om mijn dorst te lessen" vertaalt naar mogelijke acties. Een symbolische controlelaag toetst vervolgens welke van die acties de robot in de praktijk daadwerkelijk kan uitvoeren, gegeven zijn positie en de objecten in de ruimte. Zo voorkomt het systeem dat de robot een plan bedenkt dat fysiek onmogelijk is.
AlphaGeometry en AlphaProof (DeepMind, 2024): voor wiskundige olympiadeopgaven bouwde DeepMind systemen die meetkunde- en bewijsvraagstukken oplossen op het niveau van menselijke topdeelnemers. Een neuraal taalmodel stelt tussenstappen voor, waarna een klassieke symbolische deductie-engine controleert of elke stap logisch geldig is. AlphaGeometry loste begin 2024 een groot deel van een set olympiade-meetkundeopgaven op, ruim boven het niveau van eerdere puur-symbolische of puur-neurale systemen.
Scènegraaf-gebaseerde robotplanning: veel magazijn- en huishoudrobots bouwen een symbolische "scènegraaf" op van de ruimte om hen heen: welke objecten er staan, hoe ze zich tot elkaar verhouden (op, in, naast) en welke acties mogelijk zijn. Planningstalen als PDDL worden gebruikt om op basis daarvan stap voor stap taken te plannen, bijvoorbeeld het in de juiste volgorde uitpakken van een bestelling.
Hoe ver is de techniek?
Symbolische AI is niet nieuw — het was decennialang de dominante stroming binnen kunstmatige intelligentie, van de jaren zestig tot ongeveer eind jaren tachtig. Zogeheten expertsystemen, zoals het medische diagnosesysteem MYCIN, werkten volledig met handgeschreven regels. Toen bleek dat handmatig alle benodigde kennis vastleggen onbetaalbaar traag ging en slecht opschaalde naar de complexiteit van de echte wereld, verloor het vakgebied terrein — een periode die bekendstaat als de "AI-winter".
Vanaf ongeveer 2012 nam deep learning (neurale netwerken met veel lagen) het stokje over, mede dankzij snellere computerchips en enorme hoeveelheden trainingsdata van het internet. Puur symbolische aanpakken raakten in de onderzoekswereld uit de mode, al bleven ze populair in specifieke nichetoepassingen zoals planningssoftware voor industrie en logistiek.
De laatste jaren is er een voorzichtige heropleving van interesse, juist omdat grote taalmodellen als ChatGPT weliswaar indrukwekkend zijn, maar ook aantoonbaar fouten maken die een schoolkind met een simpele rekenregel niet zou maken (zogeheten "hallucinaties"). Het toevoegen van symbolische controlelagen — bijvoorbeeld een taalmodel dat een rekenmachine of logische controleur mag raadplegen — is inmiddels praktijk in veel commerciële AI-producten, al is dat een lichte vorm van neurosymbolische integratie en geen volledig symbolisch wereldmodel.
Volledig symbolische wereldmodellen voor open, complexe omgevingen — "de echte wereld" in plaats van een schaakbord of meetkundefiguur — blijven echter lastig. Het kernprobleem heet het symbol grounding problem: hoe koppel je een symbool als "kop" betrouwbaar aan de miljoenen mogelijke visuele verschijningsvormen van een kop in de werkelijkheid? Neurale netwerken zijn daar beter in dan handgeschreven regels, wat verklaart waarom vrijwel alle hedendaagse systemen een hybride aanpak kiezen in plaats van zuiver symbolisch te werken.
Kortom: de techniek is volwassen in afgebakende domeinen zoals wiskunde, planning, logistiek en spelomgevingen, maar nog volop in ontwikkeling zodra de wereld complex, open en onvoorspelbaar wordt — precies de omgevingen waarin mensen moeiteloos functioneren.
Wie werken eraan?
DeepMind (onderdeel van Google) combineert in projecten als AlphaGeometry en AlphaProof neurale taalmodellen met symbolische deductiesystemen, met wiskunde als proeftuin. Google Research werkt via projecten als SayCan aan de koppeling tussen taalmodellen en symbolisch geverifieerde robotacties.
Het MIT-IBM Watson AI Lab, een samenwerking tussen het Massachusetts Institute of Technology en IBM, geldt als een belangrijke academische aanjager van neurosymbolische AI. Onderzoekers als Josh Tenenbaum (MIT) bestuderen hoe mensen — en mogelijk machines — intuïtieve wereldmodellen opbouwen.
Cycorp, opgericht door Douglas Lenat, blijft het langstlopende symbolische kennisproject onderhouden en vermarkten voor bedrijfstoepassingen. IBM Research investeert eveneens in neurosymbolische technieken voor toepassingen als contractanalyse en supply chain-planning.
Daarnaast is er een actieve academische gemeenschap rond de jaarlijkse conferentiereeks over neuro-symbolisch leren en redeneren, met bijdragen van universiteiten wereldwijd — waaronder in Nederland instituten die onderzoek doen naar kennisrepresentatie en redeneren. De AI-onderzoeker en publieke criticus Gary Marcus (verbonden aan New York University) is een van de bekendste pleitbezorgers voor het combineren van symbolische structuur met neurale netwerken.
Op landenniveau is de Verenigde Staten momenteel toonaangevend dankzij de grote techbedrijven en universiteiten, maar ook de Europese Unie financiert via onderzoeksprogramma's projecten rond verklaarbare en betrouwbare AI, waarin symbolische en neurosymbolische methoden een belangrijke rol spelen.