Na inteligência artificial (IA), a inteligência artificial simbólica (também conhecida como inteligência artificial clássica ou inteligência artificial baseada em lógica) é um conjunto de métodos baseados em representações simbólicas de alto nível (legíveis por seres humanos) de problemas, lógica formal e busca. A IA simbólica utilizou ferramentas como programação lógica, regras de produção, redes semânticas e quadros. Desenvolveu aplicações como sistemas baseados em conhecimento (em particular, sistemas especialistas), matemática simbólica, provadores automáticos de teoremas, ontologias, a web semântica e sistemas de planejamento e escalonamento automatizados. O paradigma da IA simbólica levou a ideias importantes em busca, linguagens de programação simbólica, agentes, sistemas multiagentes, na web semântica e nas capacidades e limitações do conhecimento formal e dos sistemas de raciocínio automatizado.
A IA simbólica foi o paradigma dominante da pesquisa em IA de meados da década de 1950 até meados da década de 1990. Pesquisadores das décadas de 1960 e 1970 estavam convencidos de que as abordagens simbólicas acabariam conseguindo criar uma máquina com inteligência artificial geral e consideravam esse o objetivo máximo de seu campo. Um primeiro período de prosperidade, com sucessos iniciais como o Logic Theorist e o programa de damas de Arthur Samuel, criou expectativas e promessas pouco realistas e foi seguido pelo primeiro inverno da IA, quando o financiamento se esgotou. Um segundo período de prosperidade (1969–1986) ocorreu com o surgimento dos sistemas especialistas, a promessa de capturar a experiência corporativa e uma adoção empresarial entusiástica. Esse período e alguns sucessos iniciais, por exemplo o XCON na DEC, foram novamente seguidos por decepção. Surgiram problemas relacionados à dificuldade da aquisição de conhecimento, à manutenção de grandes bases de conhecimento e à fragilidade diante de problemas fora do domínio. Seguiu-se outro inverno da IA, o segundo (1988–2011). Posteriormente, os pesquisadores de IA se concentraram em resolver problemas fundamentais no tratamento da incerteza e na aquisição de conhecimento. A incerteza foi tratada com métodos formais, como modelos ocultos de Markov, raciocínio bayesiano e aprendizagem relacional estatística. O aprendizado de máquina simbólico tratou do problema da aquisição de conhecimento com contribuições como o espaço de versões, o aprendizado PAC de Valiant, o aprendizado por árvore de decisão ID3 de Quinlan, o aprendizado baseado em casos e a programação em lógica indutiva para aprender relações.
As redes neurais, uma abordagem subsimbólica, foram estudadas desde os primeiros tempos e ressurgiram com força em 2012. Entre os primeiros exemplos estão o trabalho de aprendizagem de Rosenblatt com o perceptron, o trabalho de Rumelhart, Hinton e Williams sobre retropropagação e o trabalho de LeCun et al. sobre redes neurais convolucionais em 1989. No entanto, as redes neurais não foram consideradas bem-sucedidas até aproximadamente 2012: “Até que os grandes volumes de dados se tornassem comuns, o consenso geral na comunidade de IA era que a chamada abordagem de redes neurais não tinha futuro. Os sistemas simplesmente não funcionavam tão bem, em comparação com outros métodos. [...] Uma revolução ocorreu em 2012, quando várias pessoas, inclusive uma equipe de pesquisadores que trabalhava com Hinton, descobriram como usar o poder das GPUs para aumentar enormemente a capacidade das redes neurais.” Nos anos seguintes, a aprendizagem profunda obteve êxito espetacular no tratamento de visão, reconhecimento de fala, síntese de fala, geração de imagens e tradução automática, embora as abordagens simbólicas continuem úteis em alguns domínios, como sistemas algébricos computacionais e assistentes de provas.
História
Segue-se uma breve história da IA simbólica até a atualidade. Os períodos e títulos foram extraídos da palestra memorial Robert S. Engelmore de Henry Kautz na AAAI de 2020 e do artigo mais extenso da Wikipédia sobre a história da IA, com datas e títulos ligeiramente diferentes para maior clareza.
O primeiro verão da IA: exuberância irracional, 1948–1966
As primeiras tentativas de IA alcançaram sucesso em três áreas principais: redes neurais artificiais, representação de conhecimento e busca heurística, contribuindo para expectativas elevadas. Esta seção resume a recapitulação de Kautz sobre o início da história da IA.
Abordagens inspiradas na cognição ou no comportamento humano ou animal
As abordagens cibernéticas tentavam reproduzir os ciclos de retroalimentação entre os animais e seus ambientes. Uma tartaruga robótica, com sensores, motores de tração e direção e sete válvulas termiônicas para controle, baseada em uma rede neural pré-programada, foi construída já em 1948. Esse trabalho pode ser visto como um precursor dos trabalhos posteriores sobre redes neurais, aprendizagem por reforço e robótica situada.
Um importante programa inicial de IA simbólica foi o Logic Theorist, escrito por Allen Newell, Herbert Simon e Cliff Shaw em 1955–1956, pois foi capaz de provar 38 teoremas elementares dos Principia Mathematica, de Whitehead e Russell. Newell, Simon e Shaw posteriormente generalizaram esse trabalho para criar um solucionador de problemas independente de domínio, o GPS (General Problem Solver). O GPS resolvia problemas representados por operadores formais mediante busca no espaço de estados, usando análise de meios e fins.
Durante a década de 1960, as abordagens simbólicas obtiveram grande sucesso na simulação de comportamento inteligente em ambientes estruturados, como jogos, matemática simbólica e demonstração de teoremas. Na década de 1960, a pesquisa em IA concentrou-se em quatro instituições: Universidade Carnegie Mellon, Stanford, MIT e, posteriormente, Universidade de Edimburgo. Cada uma desenvolveu seu próprio estilo de pesquisa. Abordagens anteriores baseadas em cibernética ou redes neurais artificiais foram abandonadas ou relegadas a segundo plano.
Herbert Simon e Allen Newell estudaram as habilidades humanas de resolução de problemas e tentaram formalizá-las; seu trabalho lançou as bases do campo da inteligência artificial, bem como da ciência cognitiva, da pesquisa operacional e da ciência da administração. Sua equipe de pesquisa usou os resultados de experimentos psicológicos para desenvolver programas que simulavam as técnicas utilizadas pelas pessoas para resolver problemas. Essa tradição, centrada na Universidade Carnegie Mellon, acabaria culminando no desenvolvimento da arquitetura cognitiva Soar em meados da década de 1980.
Busca heurística
Além dos tipos altamente especializados de conhecimento específico de domínio que mais tarde seriam utilizados em sistemas especialistas, os primeiros pesquisadores de IA simbólica descobriram outra aplicação mais geral do conhecimento. Tratava-se das heurísticas, regras práticas que orientam uma busca em direções promissoras: “Como uma busca não enumerativa pode ser prática quando o problema subjacente é exponencialmente difícil? A abordagem defendida por Simon e Newell é empregar heurísticas: algoritmos rápidos que podem falhar para algumas entradas ou produzir soluções subótimas.” Outro avanço importante foi encontrar uma forma de aplicar essas heurísticas que garantisse que uma solução seria encontrada, caso existisse, apesar da falibilidade ocasional das heurísticas: “O algoritmo A* forneceu uma estrutura geral para uma busca completa e ótima orientada por heurísticas. A* é usado como sub-rotina em praticamente todos os algoritmos de IA atuais, mas ainda não é uma solução mágica; sua garantia de completude é obtida ao custo de tempo exponencial no pior caso.”
Primeiros trabalhos sobre representação de conhecimento e raciocínio
Os primeiros trabalhos abrangeram tanto aplicações de raciocínio formal com ênfase na lógica de primeira ordem quanto tentativas de lidar com o raciocínio de senso comum de modo menos formal.
Modelagem do raciocínio formal com lógica: os “elegantes”
Ao contrário de Simon e Newell, John McCarthy considerava que as máquinas não precisavam simular os mecanismos exatos do pensamento humano, mas poderiam tentar encontrar a essência do raciocínio abstrato e da resolução de problemas por meio da lógica, independentemente de as pessoas utilizarem os mesmos algoritmos. Seu laboratório em Stanford (o Laboratório de Inteligência Artificial de Stanford, SAIL) concentrava-se no uso da lógica formal para resolver uma ampla variedade de problemas, incluindo representação de conhecimento, planejamento e aprendizado. A lógica também era o foco do trabalho na Universidade de Edimburgo e em outras partes da Europa, o que levou ao desenvolvimento da linguagem de programação Prolog e da ciência da programação lógica.
Modelagem do conhecimento implícito de senso comum com quadros e roteiros: os “desleixados”
Pesquisadores do MIT (como Marvin Minsky e Seymour Papert) constataram que resolver problemas difíceis de visão computacional e processamento de linguagem natural exigia soluções ad hoc; eles argumentaram que nenhum princípio simples e geral (como a lógica) capturaria todos os aspectos do comportamento inteligente. Roger Schank descreveu suas abordagens “antilógica” como “desleixadas” (em oposição aos paradigmas “elegantes” da Universidade Carnegie Mellon e de Stanford). Bases de conhecimento de senso comum (como a Cyc, de Doug Lenat) são um exemplo de IA “desleixada”, pois precisam ser construídas manualmente, um conceito complexo de cada vez.
O primeiro inverno da IA: sonhos destruídos, 1967–1977
O primeiro inverno da IA foi um choque:
O segundo verão da IA: conhecimento é poder, 1978–1987
Sistemas baseados em conhecimento
À medida que as limitações dos métodos fracos e independentes de domínio se tornavam cada vez mais evidentes, pesquisadores das três tradições começaram a incorporar conhecimento às aplicações de IA. A revolução do conhecimento foi impulsionada pela constatação de que o conhecimento está na base de aplicações de IA de alto desempenho e específicas de domínio.
Edward Feigenbaum afirmou: “No conhecimento está o poder.” para descrever que o alto desempenho em um domínio específico exige conhecimento tanto geral quanto altamente específico daquele domínio. Ed Feigenbaum e Doug Lenat denominaram isso de Princípio do Conhecimento:
Sucesso com sistemas especialistas
Essa “revolução do conhecimento” levou ao desenvolvimento e à implantação de sistemas especialistas (introduzidos por Edward Feigenbaum), a primeira forma comercialmente bem-sucedida de software de IA.
Os principais sistemas especialistas foram:
DENDRAL, que determinava a estrutura de moléculas orgânicas a partir de sua fórmula química e de leituras de espectrômetro de massa. MYCIN, que diagnosticava bacteremia — e sugeria exames laboratoriais adicionais, quando necessário — interpretando resultados laboratoriais, o histórico do paciente e observações médicas. “Com cerca de 450 regras, o MYCIN era capaz de ter desempenho tão bom quanto o de alguns especialistas e consideravelmente melhor que o de médicos iniciantes.” INTERNIST e CADUCEUS, que abordavam o diagnóstico em medicina interna. O Internist tentou capturar a experiência do chefe de medicina interna da Faculdade de Medicina da Universidade de Pittsburgh, enquanto o CADUCEUS acabou conseguindo diagnosticar até mil doenças diferentes. GUIDON, que mostrou como uma base de conhecimento construída para a solução especializada de problemas podia ser reaproveitada para o ensino. XCON, destinado a configurar computadores VAX, um processo então trabalhoso que podia levar até 90 dias. O XCON reduziu esse tempo para cerca de 90 minutos.