O quê

Symbolic AI — também chamada GOFAI (“Good Old-Fashioned AI”, termo cunhado por John Haugeland em 1985) — é o paradigma clássico que construiu inteligência via manipulação explícita de símbolos, regras lógicas e representação declarativa do conhecimento. A tese, formalizada por Newell e Simon (1976) como a Physical Symbol System Hypothesis, era ousada: um sistema que manipula símbolos tem condições necessárias e suficientes para inteligência geral.

Nascida no Dartmouth Workshop de 1956 (onde o termo “inteligência artificial” foi cunhado), a IA simbólica dominou o campo de 1956 até os anos 1990. Seus sucessos incluem prova de teoremas (Logic Theorist), planejamento (GPS), compreensão de linguagem em micromundos (SHRDLU) e os Expert Systems (MYCIN, DENDRAL, XCON).

Em Magik LLM Gathering, a IA simbólica é tratada como concept fundacional — o paradigma que a estatística substituiu, mas nunca apagou.

Como funciona

Símbolos, regras e busca

O conhecimento é codificado à mão em estruturas legíveis: regras de produção (SE febre E tosse ENTÃO suspeitar gripe), frames, redes semânticas, lógica de predicados. A “inteligência” emerge de busca num espaço de estados (encadeamento de regras, backtracking) e de inferência lógica sobre o que foi declarado.

O contraste com o aprendizado estatístico

A diferença com os modelos neurais é filosófica:

• Simbólico: o humano escreve as regras; o sistema raciocina sobre elas. Transparente, mas frágil.
• Estatístico/neural: o sistema aprende padrões dos dados; ninguém escreve regras. Robusto a ruído, mas opaco.

Os dois calcanhares de Aquiles

1. Brittleness (fragilidade). Fora do domínio previsto, o sistema quebra — não generaliza para o que não foi codificado.
2. Knowledge acquisition bottleneck. Codificar conhecimento à mão não escala. Cada regra exige um especialista; o mundo tem regras demais. Foi esse gargalo que, mais que tudo, limitou a GOFAI.

Por que importa

Definiu a IA por quatro décadas. Quase tudo que se chamou “IA” antes de 1990 era simbólico. Entender GOFAI é entender de onde o campo veio — e por que os AI Winters (AI Winter) aconteceram quando suas promessas não escalaram.

Enquadra o debate central da IA. Símbolos vs. conexões (subsímbolos) é a tensão de fundo de toda a história — do Perceptron (1958) à briga simbolistas × conexionistas, até os LLMs de hoje. Quem venceu? Os dados venceram. Mas a pergunta segue aberta.

Ainda mora dentro dos sistemas modernos. Compiladores, solvers SAT/SMT, planejadores, motores de regras de negócio, bancos de dados — todos são, no fundo, IA simbólica que funcionou tão bem que deixou de se chamar “IA”.

Estado em 2026

• Renascimento neuro-simbólico. LLMs alucinam (Hallucination) e erram lógica/aritmética; acoplá-los a ferramentas simbólicas (calculadoras, solvers, código, bancos de dados via Function Calling / Tool Use e RAG — Retrieval-Augmented Generation) é a fronteira prática — o melhor dos dois mundos.
• Cadeias de raciocínio. Técnicas como Chain-of-Thought (CoT) tentam dar aos modelos neurais um “rastro” simbólico de passos — emulando raciocínio explícito sem regras escritas à mão.
• Verificação formal volta à moda para garantir que saídas de LLM respeitem restrições rígidas.
• Consenso histórico: GOFAI não estava errada sobre o que é raciocínio — estava errada sobre como obtê-lo em escala. O aprendizado resolveu a aquisição de conhecimento que ela nunca resolveu.

Tratamento de carta — proposta

GOFAI Engine Modelo · Founders/Citadel

Suas regras (Técnicas) declaradas no campo são permanentes e previsíveis: o oponente vê todas. Enquanto a GOFAI está em jogo, seus efeitos nunca “alucinam” (não podem ser redirecionados aleatoriamente) — mas qualquer carta nova fora das suas regras declaradas custa +1 (fragilidade fora do domínio).

“Tudo que sei, alguém escreveu à mão. E só isso eu sei.”

A mecânica encena transparência total (regras visíveis, sem aleatoriedade) e fragilidade fora do domínio (penalidade ao sair do previsto).

Veja também

Expert Systems · John McCarthy · Marvin Minsky · AI Winter · Chain-of-Thought (CoT)