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

Resumen Técnico: Un Modelo de Mundo Explícito Basado en una Ontología de Prioridad de Datos

1. Planteamiento del Problema

El artículo identifica cuatro riesgos estructurales inherentes a los Grandes Modelos de Lenguaje (LLMs) cuando codifican "modelos de mundo" de forma implícita dentro de los pesos neuronales: alucinación, conocimiento congelado (alto costo de actualización), pobre explicabilidad y pobre modificabilidad (interferencia catastrófica). Los autores argumentan que estas limitaciones derivan de una brecha operativa fundamental: los modelos implícitos carecen de lectura atómica por ID y de semántica de actualización local. Si bien los marcos existentes de Generación Aumentada por Recuperación (RAG) y de agentes (p. ej., LangChain, GraphRAG) separan la lógica del almacenamiento, sufren de compresión de la ventana de tokens, sobrecarga de sincronización entre procesos y rastros de auditoría fragmentados, fallando al no proporcionar una semántica atómica unificada para lectura, parche ($\delta$), evaluación (Eval) y trazabilidad (Trace).

2. Metodología: Ontología de Prioridad de Datos y DaoQL

El artículo propone una ontología de prioridad de datos donde el LLM actúa únicamente como un motor de razonamiento y lenguaje natural, mientras que el conocimiento determinista se delega a una base de datos multimodal explícita llamada DaoQL.

• Marco Formal: Los autores definen un modelo de mundo explícito $W$ compuesto por seis primitivas:
  1. Being (Ser): La unidad básica de entidad (basada en UUID).
  2. Def (Definición): Define campos, restricciones y relaciones.
  3. Type (Tipo): Clasifica a los Beings.
  4. Relation (Relación): Aristas dirigidas que conectan a los Beings.
  5. Contract (Contrato): Scripts de Rhai con límite de combustible (fuel-limited) embebidos en la ruta de escritura para validación.
  6. Version (Versión): Registros de historial vinculados por hash que soportan MVCC y la reproducción de auditoría.
• Pruebas Teóricas:
  • Arranque Finito (Finite Bootstrapping): Demuestra que la cadena de definición de esquema no puede recursarse infinitamente (Proposición 1).
  • Terminación Fuerte (Strong Termination): Demuestra que los Contracts se detienen dentro de un límite de combustible fijo ($F_{max}$) al prohibir la E/S externa y la recursión de escritura (Proposición 2).
  • Actualización Local: Demuestra que parchar un ID específico en el modelo explícito no altera el estado de otras entidades (Proposición 3), una propiedad ausente en los modelos implícitos.
  • Descomponibilidad Contrafáctica: El Teorema 1 establece que, bajo la independencia de reglas y la evaluación determinista, los modelos explícitos satisfacen una condición suficiente para el razonamiento contrafáctico composable, mientras que los modelos implícitos carecen de esta garantía arquitectónica (Observación 3).
• Arquitectura del Sistema: DaoQL integra motores de grafos, columnas, vectores y de texto completo en un único proceso para eliminar la latencia de red/IPC. Las características clave de implementación incluyen:
  • Lecturas Directas mmap: Evitar el caché de páginas para los nodos de grafos para reducir la latencia de recorrido.
  • CSR Adjacency: Archivos de fila dispersa comprimida (Compressed Sparse Row) por cada RelationType para un recorrido eficiente filtrado por tipo.
  • Unified BeingId: Un sistema de identificadores único que permite consultas híbridas de cero copia (zero-copy) a través de los motores.
  • WAL/MVCC: Asegurando la atomicidad y la consistencia ante fallos.

3. Contribuciones Clave

1. Teoría: Definición formal de un modelo de mundo explícito y pruebas sobre el arranque de esquemas, la terminación de contratos y la necesidad estructural de los modelos explícitos para contrafácticos composables.
2. Sistema: Implementación de la capa de almacenamiento multimodal de DaoQL, que cuenta con motores unificados, mapeo de memoria directa y ejecución de consultas híbridas entre motores.
3. Evaluación: Una estrategia de evaluación de tres niveles que comprende microbenchmarks, comparaciones con competidores y un experimento contrafáctico a gran escala.

4. Resultados Experimentales

El artículo presenta resultados de una configuración integrada en la misma máquina (Apple M-series y M4 Max), señalando explícitamente que las comparaciones con competidores cliente-servidor incluyen la sobrecarga de protocolo y serialización.

• Razonamiento Contrafáctico: En un experimento de cinco dominios ($n=1250$), DaoQL+GPT-4o alcanzó un 94% de descomponibilidad contrafáctica composable, una mejora de 49 puntos porcentuales sobre GPT-4o por sí solo (45%). La ruta explícita aseguró cadenas de razonamiento 100% trazables.
• Rendimiento de Almacenamiento (Microbenchmarks):
  • Graph BFS: 1.20 ms (4.2–6.7× más rápido que Neo4j en latencia de extremo a extremo).
  • HNSW Search: 83.1 µs (frente a 363.4 µs para Qdrant bajo los mismos parámetros).
  • Consulta Híbrida: 105.8 µs para una consulta Fluent que combina motores de vectores, grafos y columnas.
  • Latencia de Escritura: Reducciones significativas en los tiempos de escritura por lotes (p. ej., mejora del 70% en el append por lotes) tras optimizar la ruta de escritura (P0) y eliminar las dependencias del caché de páginas.
• Benchmarks Estándar (Exploratorios):
  • LDBC SNB SF1: Logró una cobertura de consultas de 34/34 con cero errores. Sin embargo, el rendimiento general se limitó a 1.8 QPS debido a cuellos de botella de cola larga en consultas complejas de BI/IC (p. ej., las etiquetas de foro de BI9 tomaron ~900s).
  • ANN-Benchmarks: Alcanzó un Recall@10 $\ge$ 99% a miles de QPS (5,724 QPS en ef=200) tras una corrección de "protección de arista puente" (bridge-edge protection).
• Limitaciones Notadas: El sistema es actualmente más lento que PostgreSQL para la búsqueda de texto completo en chino (1.27 ms vs 32 µs) debido a la sobrecarga del tokenizador jieba. El rendimiento de escritura concurrente cae significativamente (~40%) con 16 conexiones, lo que indica la necesidad de bloqueos fragmentados (sharded locks).

5. Significado y Reivindicaciones

El artículo posiciona su contribución como una alternativa estructural demostrable a los modelos de mundo implícitos de los LLM, en lugar de una afirmación de superioridad universal sobre todos los sistemas existentes.

• Garantía Arquitectónica: El principal significado es la demostración de que los modelos de mundo explícitos proporcionan una condición suficiente para la descomponibilidad contrafáctica composable, una propiedad que los autores argumentan es arquitectónicamente imposible para los modelos puramente implícitos.
• Potencial de Ingeniería: Los resultados validan la viabilidad de un motor de almacenamiento multimodal de proceso único que reduce la latencia de consulta híbrida al eliminar la sobrecarga entre sistemas.
• Alcance de las Reivindicaciones: Los autores distinguen explícitamente entre teoría demostrable (terminación, actualizaciones locales, condiciones contrafácticas) y evidencia empírica preliminar (números de latencia específicos, cobertura LDBC). Indican que el entorno de ejecución DaoQL-Agent, los nodos de grafo KVCache y las actualizaciones calientes de expertos siguen siendo componentes en fase de diseño o trabajo futuro.
• Posicionamiento: DaoQL se presenta como una tecnología complementaria a las plataformas de ontología industrial (como Palantir Foundry), dirigida a entornos de soberanía de datos, escala media o de borde (edge) donde se prioriza la integración estrecha de las semánticas de Eval/Trace y los contratos de la ruta de escritura sobre la integración federada de sistemas legados.

El artículo concluye que, si bien el sistema aún no es un reemplazo listo para producción de las bases de datos distribuidas a escala empresarial, valida con éxito la premisa teórica de que separar el conocimiento determinista de los pesos neuronales permite un razonamiento de IA auditable, modificable y contrafácticamente robusto.