An Explicit World Model Based on Data-First Ontology: DaoQL Multimodal Storage Validation and Counterfactual Reasoning Evaluation

Stellen Sie sich vor, Sie versuchen, einen superintelligenten Roboter zu bauen, der Ärzten bei der Diagnose von Krankheiten helfen oder Bankern dabei, Betrug aufzuspüren. Um dies zu erreichen, lehrt man den Roboter normalerweise, indem man ihn mit riesigen Mengen an Text füttert und ihn Muster lernen lässt, bis er das Gefühl hat, die Welt zu „verstehen“. So funktioniert moderne KI: Sie speichert ihr Wissen in einem gigantischen, unübersichtlichen Netz aus Zahlen, den sogenannten „neuronalen Gewichten“. Denken Sie an ein menschliches Gehirn, das eine Milliarde Bücher auswendig gelernt hat, aber nicht auf eine bestimmte Seite zeigen kann, um Ihnen zu erklären, warum es etwas für wahr hält. Das Problem ist, dass dieses Gehirn eine Art „Black Box“ ist. Wenn man ihm eine knifflige Frage stellt, könnte es Dinge erfinden (halluzinieren), es kann seine Fakten nicht leicht aktualisieren, wenn sich die Welt verändert, und es ist schwierig, seine Argumentation zu erklären. Wissenschaftler nennen dies ein „implizites Weltmodell“, weil die Regeln der Welt in der Mathematik verborgen sind und nicht klar niedergeschrieben wurden.

Um dies zu beheben, schlägt eine neue Idee namens „Data-First-Ontologie“ vor, die Regeln nicht länger zu verstecken. Anstatt die KI die Fakten raten zu lassen, sollten wir ihr eine klare, organisierte Bibliothek geben, in der jeder Fakt mit einer spezifischen Adresse gespeichert ist, wie in einem gut sortierten Aktenschrank. In diesem Setup ist die KI lediglich der kluge Bibliothekar, der weiß, wie man mit Ihnen spricht und Rätsel löst, aber die eigentlichen Fakten existieren in der Datenbank der Bibliothek. Dieses Paper untersucht ein System namens DaoQL, das versucht, eine solche Bibliothek aufzubauen. Es stellt die Frage: Was wäre, wenn wir das „Denken“ vom „Wissen“ trennen? Wenn wir die Fakten in eine klare, explizite Datenbank legen und die KI nur daraus lesen lassen – können wir den Roboter dadurch ehrlicher, leichter zu reparieren und besser darin machen, „Was-wäre-wenn“-Fragen zu beantworten?

---

Die große Idee des Papers: Eine Bibliothek vs. eine Black Box

Die Autoren dieses Papers argumentieren, dass die aktuelle Art und Weise, wie KI funktioniert, so ist, als würde man einen Schüler bitten, eine ganze Enzyklopädie im Kopf auswendig zu lernen. Wenn man fragt: „Was ist die Hauptstadt von Frankreich?“, könnte der Schüler die Antwort korrekt erraten, weil er sie schon millionenfach gehört hat. Aber wenn man fragt: „Was wäre, wenn Frankreich gestern seine Hauptstadt nach Lyon verlegt hätte?“, könnte der Schüler verwirrt werden, alte Erinnerungen vermischen oder sich einfach eine Geschichte ausdenken. Er kann sein Gehirn nicht einfach „editieren“, um den alten Fakt zu entfernen und den neuen einzufügen, ohne dabei andere Dinge durcheinanderzubringen.

Dieses Paper schlägt einen anderen Ansatz vor: Das Explizite Weltmodell. Stellen Sie sich statt eines Schülers mit einem auswendig gelernten Gehirn einen Roboter mit einer superorganisierten Bibliothek vor.

• Der Bibliothekar (Die KI): Dies ist das Large Language Model (LLM). Es ist hervorragend darin, Ihre Fragen zu verstehen und in menschlicher Sprache zu kommunizieren.
• Die Bibliothek (DaoQL): Dies ist eine spezielle Datenbank, in der jeder Fakt klar gespeichert ist. Sie verwendet sechs Bausteine: Being (ein Ding, wie eine Person oder ein Produkt), Def (was dieses Ding ist), Type (die Kategorie), Relation (wie Dinge miteinander verbunden sind), Contract (Regeln, die sie befolgen müssen) und Version (eine Historie von Änderungen).

Das Hauptergebnis ist, dass das System wesentlich zuverlässiger wird, wenn man die „harten Fakten“ in diese Bibliothek verschiebt und die KI nur daraus lesen lässt. Das Paper beweist mathematisch, dass dieser Aufbau eine „komponierbare kontrafaktische Dekomponierbarkeit“ ermöglicht. Das ist eine komplizierte Art zu sagen: „Wenn Sie einen Fakt in der Bibliothek ändern, kann der Roboter perfekt berechnen, wie sich das auf die Antwort auswirkt, ohne verwirrt zu werden oder neue Regeln zu erfinden.“

Was sie tatsächlich gebaut und getestet haben

Das Team baute ein System namens DaoQL, um diese Idee zu testen. Sie haben nicht nur darüber gesprochen, sondern die Bibliothek auch gebaut und Experimente durchgeführt, um zu sehen, wie schnell und genau sie ist.

1. Der „Was-wäre-wenn“-Test (Kontrafaktika)
Sie führten ein großes Experiment mit 1.250 Fragen in fünf verschiedenen Bereichen durch: Medizin, Finanzen, Lieferketten, Recht und Preisgestaltung. Sie baten die KI, Veränderungen zu imaginieren, wie zum etwa: „Was wäre, wenn dieser Patient eine andere Allergie hätte?“ oder „Was wäre, wenn dieser Lieferant bankrottgegangen wäre?“

• Das Ergebnis: Wenn die KI allein arbeitete (nur mit ihrem Gedächtnis), lieferte sie die „Was-wäre-wenn“-Antworten nur in 45 % der Fälle korrekt. Doch als die KI die DaoQL-Bibliothek nutzte, um die Fakten zu prüfen, lag sie bei 94 % richtig. Das ist ein gewaltiger Sprung! Die Bibliothek half der KI, aufzuhören zu raten und stattdin basierend auf realen Regeln zu kalkulieren.

2. Geschwindigkeit und Effizienz
Sie testeten auch, wie schnell die Bibliothek Antworten finden kann. Sie verglichen DaoQL mit anderen Systemen auf einem einzelnen Computer (um es fair zu halten).

• Graph-Traversal: Das Finden von Verbindungen zwischen Dingen (wie „Wer kennt wen?“) dauerte nur 1,20 Millisekunden. Das ist schneller, als ein Mensch blinzeln kann.
• Suche nach ähnlichen Objekten: Das Finden ähnlicher Artikel in einer Liste dauerte 83,1 Mikrosekunden.
• Gemischte Abfragen: Wenn sie eine komplexe Frage stellten, die das Durchsuchen von Text, Zahlen und Verbindungen gleichzeitig erforderte, dauerte dies 105,8 Mikrosekunden.

3. Was sie nicht getan haben (Die „Noch nicht“-Liste)
Es ist wichtig zu wissen, was dieses Paper nicht gelöst hat. Die Autoren sind sich dessen sehr bewusst.

• Kein magischer Agent (noch nicht): Sie haben die Bibliothek und den „Denkpart“ gebaut, aber sie haben noch nicht den vollständigen „Agenten“ (den Roboter, der Aufgaben ausführt) entwickelt. Das ist ein Plan für die Zukunft.
• Kein Milliarden-Skala-System: Sie haben dies auf Computern mit 64 GB oder 128 GB Arbeitsspeicher getestet. Sie geben zu, dass sie es noch nicht im riesigen Maßstab des gesamten Internets getestet haben.
• Einige langsame Stellen: Während die meisten Dinge schnell waren, war die Suche nach chinesischem Text viel langsamer als andere Systeme (etwa 40-mal langsamer in ihren Tests), was sie als Schwäche zugeben, die sie noch beheben müssen.
• Long-Tail-Probleme: Als sie versuchten, komplexe soziale Netzwerk-Simulationen (LDBC SNB) laufen zu lassen, wurde das System bei den schwierigsten Fragen sehr langsam und benötigte Sekunden oder sogar Minuten statt Millisekunden.

Warum das wichtig ist

Das Paper legt nahe, dass die Zukunft zuverlässiger KI nicht darin besteht, das Gehirn der KI größer oder komplexer zu machen. Stattdessen geht es darum, der KI einen besseren, klareren Ort zu geben, um ihre Fakten zu speichern.

Die Autoren zeigen, dass man durch die Trennung von „Wissen“ (der Datenbank) und „Denken“ (der KI) ein System erhält, das:

• Ehrlicher ist: Es ist schwieriger zu halluzinieren, wenn man zuerst die Fakten nachschlagen muss.
• Leichter zu korrigieren ist: Wenn ein Fakt falsch ist, aktualisiert man einfach den Bibliothekseintrag. Man muss nicht das gesamte KI-Gehirn neu trainieren.
• Erklärbar ist: Man kann genau nachvollziehen, welcher Fakt zu welcher Antwort geführt hat, wie beim Verfolgen einer Brotkrumenspur.

Das Paper kommt zu dem Schluss, dass dies zwar kein fertiges Produkt ist, das heute schon jedes Unternehmen einsetzen kann, aber es beweist, dass dieser „Data-First“-Ansatz beim Bau von KI mathematisch fundiert und für viele Aufgaben praktisch schneller ist. Es ist ein bedeutender Schritt hin zu Robotern, die nicht nur raten, sondern tatsächlich wissen, wovon sie sprechen.