🤖 AI

Grokers: Bottom-Up Inductive Comprehension and Write-Time Intelligence over Typed Knowledge Graphs

Ce document introduit Grokers, une architecture qui déplace l'intelligence du temps de la requête vers le temps de l'écriture en utilisant des agents autonomes pour analyser et enrichir de manière inductive des graphes de connaissances typés, atteignant ainsi une compréhension structurée persistante, une efficacité quasi parfaite du cache KV et un coût nul en modèles de langage pour les requêtes futures.

Auteurs originaux : Gregory Magarshak

Publié 2026-06-02

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Gregory Magarshak

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous dirigez une bibliothèque immense et très fréquentée.

L'ancienne méthode : La bibliothèque de « récupération » (RAG)

Actuellement, la plupart des systèmes d'IA fonctionnent comme un bibliothécaire qui n'a jamais lu les livres. Chaque fois qu'un usager pose une question, le bibliothécaire court frénétiquement vers les étagères, saisit quelques pages aléatoires qui semblent liées à la question, les lit rapidement, puis tente de répondre.

Le problème ? Le bibliothécaire doit faire cela à chaque fois, même si 1 000 personnes ont posé exactement la même question hier. C'est lent, coûteux (car lire prend du temps et de l'argent), et le bibliothécaire pourrait passer à côté de la réponse parfaite en se contentant de survoler les textes.

La nouvelle méthode : La bibliothèque « GROK » (GROKERS)

Le document présente GROKERS, un système qui inverse ce processus. Au lieu de faire le travail difficile au moment où quelqu'un pose une question, GROKERS fait le plus gros du travail lorsque l'information est écrite pour la première fois.

Imaginez plutôt une équipe d'éditeurs super intelligents et autonomes (appelés Grokers) qui vivent dans la bibliothèque.

1. Les éditeurs de « temps d'écriture »

Lorsqu'un nouveau livre (ou document) arrive dans la bibliothèque, les Grokers le lisent immédiatement. Ils ne se contentent pas de le classer ; ils l'analysent en profondeur. Ils extraient les idées principales, le marquent avec des mots-clés, évaluent la qualité de la synthèse, et écrivent ces « notes enrichies » directement sur la tranche du livre.

Le bénéfice : Plus tard, lorsqu'un usager pose une question, le bibliothécaire n'a pas besoin de relire tout le livre. Il lui suffit de regarder la tranche, de lire les notes pré-écrites, et de répondre instantanément. Le coût de la « compréhension » a été payé une seule fois, au début, et non à chaque fois qu'une question est posée.

2. La chaîne de montage « ascendante » (Bottom-Up)

La bibliothèque n'est pas seulement un tas de livres ; c'est un réseau de connexions. Certains livres dépendent d'autres ouvrages (comme un manuel scolaire qui s'appuie sur un dictionnaire).

GROKERS fonctionne de manière ascendante (bottom-up). Imaginez une équipe de construction bâtissant un gratte-ciel :

D'abord, ils terminent les fondations et les étages inférieurs (les nœuds « feuilles »).
Une fois que les étages inférieurs sont achevés et « marqués » avec leur statut, l'équipe passe à l'étage suivant.
Ils ne peuvent pas terminer l'étage supérieur tant que les étages en dessous ne sont pas terminés et compris.

Cela garantit qu'au moment où le système doit répondre à une question complexe sur le sommet du bâtiment, toute la structure en dessous a déjà été analysée et étiquetée.

3. La magie du « Byte-Identique » (Le cache KV)

C'est l'aspect le plus technique mais aussi le plus impressionnant du papier. Parce que les Grokers rédigent les notes selon un format très strict et prévisible, le « contexte » (les notes sur la tranche) est identique octet par octet à chaque utilisation, tant que le livre n'a pas changé.

L'analogie : Imaginez un système de mémoire informatique qui ressemble à un distributeur automatique ultra-rapide. Si vous commandez exactement le même snack (le même bloc de contexte) que celui commandé hier, la machine n'a pas besoin d'aller au dépôt pour en chercher un nouveau. Elle sait que l'article est exactement le même, elle le fait donc glisser instantanément.
Le résultat : Le système peut réutiliser sa « mémoire » presque 100 % du temps, ce qui le rend incroyablement rapide et peu coûteux. Les systèmes traditionnels ne peuvent pas faire cela car ils assemblent le contexte différemment à chaque question spécifique.

4. La « Bibliothèque de la Sagesse » (Devenir plus intelligent avec le temps)

Le système possède une bibliothèque spéciale de petits programmes informatiques pré-écrits (une « Bibliothèque de la Sagesse ») qui gèrent les tâches courantes.

La croissance : Lorsqu'il rencontre un nouveau type de question auquel il ne peut pas répondre avec ses programmes actuels, le système ne se contente pas de deviner. Il utilise une IA pour écrire un nouveau programme pour gérer ce motif spécifique.
Le résultat : Avec le temps, la bibliothèque de programmes s'agrandit. Plus le système est utilisé, plus il peut répondre à des questions sans avoir besoin de solliciter le « cerveau » coûteux de l'IA. Le coût par question diminue à mesure que le système devient plus intelligent.

5. La « Rue à double sens » de la lecture et de l'écriture

Le papier démontre une règle mathématique sur la manière de naviguer dans cette bibliothèque :

Pour Comprendre (Compréhension) : Vous devez procéder de manière Ascendante (Bottom-Up) (des détails vers la vue d'ensemble). Vous ne pouvez pas comprendre le toit avant d'avoir compris les murs.
Pour Créer (Génération) : Vous devez procéder de manière Descendante (Top-Down) (du plan général vers les détails). Vous ne pouvez pas construire les murs avant d'avoir le plan du toit.

GROKERS utilise la phase Ascendante (Bottom-Up) pour construire les « notes » parfaites (le contexte), ce qui permet ensuite à la phase Descendante (Top-Down) de générer des réponses instantanément et parfaitement.

Résumé

GROKERS est une architecture qui empêche l'IA de « relire » l'internet à chaque fois que vous posez une question. Au lieu de cela, elle emploie une équipe d'agents pour pré-lire et pré-résumer tout ce qui arrive, en organisant le tout dans une carte structurée et connectée.

Ancienne méthode : Question $\rightarrow$ Recherche $\rightarrow$ Lecture $\rightarrow$ Réponse (Lent, coûteux, répétitif).
Méthode GROKERS : Écriture $\rightarrow$ Analyse & Marquage $\rightarrow$ Stockage $\rightarrow$ (Plus tard) Question $\rightarrow$ Lecture des notes $\rightarrow$ Réponse (Rapide, peu coûteux, efficace).

Le papier affirme que cela crée un système qui devient moins cher et plus rapide à mesure qu'on l'utilise, car il construit une compréhension structurée et permanente de la connaissance plutôt que de simplement la chercher à la volée.

Résumé Technique : Grokers : Compréhension Inductive Ascendante et Intelligence à l'Écriture sur des Graphes de Connaissances Typés

1. Énoncé du Problème

Le paradigme dominant pour ancrer les réponses des Modèles de Langage (LM) dans des connaissances structurées est la Génération Augmentée par Récupération (RAG). Dans ce modèle, une requête est vectorisée, des fragments de documents les plus proches sont récupérés via la similitude vectorielle, et ces fragments sont injectés dans le contexte du prompt.

L'article identifie une déficience structurelle du RAG : il inflige le coût complet de la compréhension à chaque requête, qu'elle soit nouvelle ou structurellement équivalente à des milliers d'interactions antérieures. Pour les domaines de connaissances présentant des schémas d'interaction récurrents (ex: logiciels d'entreprise, gestion documentaire), cette approche est architecturalement coûteuse. De plus, le contexte assemblé par le RAG varie selon la requête, empêchant la stabilité nécessaire à une utilisation efficace du cache KV.

2. Méthodologie : L'Architecture GROKERS

GROKERS inverse le choix de conception standard en déplaçant l'intelligence de l'exécution de la requête vers le moment de l'écriture. L'architecture repose sur un Graphe de Flux Typé, un graphe dirigé de nœuds typés possédant des champs structurés, des attributs typés et des arêtes typées pondérées, réalisé sur le substrat Magarshak Machine SPACER.

Mécanismes Fondamentaux

Compréhension Inductive Ascendante : Des agents « Groker » autonomes parcourent le sous-graphe de dépendance du substrat de connaissance, des nœuds feuilles vers les racines. Ils extraient des attributs structurés via des appels de LM gouvernés et composent inductivement la compréhension vers le haut à travers les relations de dépendance.
Enrichissement à l'Écriture : Au lieu de récupérer le contexte au moment de la requête, le système écrit des attributs typés enrichis directement sur les nœuds du graphe. Ces attributs servent à toutes les requêtes futures sans coût supplémentaire de LM.
Dénormalisation Transactionnelle : Une table STREAMS CATEGORY maintient un index de dénormalisation. Pour chaque nœu, elle stocke le voisinage relationnel complet pré-classé, mis à jour de manière atomique à chaque modification de relation. Cela fournit un contexte complet en environ 1 ms sans tâches de fond ni cohérence éventuelle.
Assemblage de Contexte Déterministe : Une fonction déterministe, buildCachedContext, rend les attributs des nœuds et les données de voisinage en texte structuré. L'ordre des types de relations est fixe (types uniques d'abord, puis par poids maximal), garantissant que la sortie est octet par octet identique pour des entrées identiques.

La Bibliothèque de Sagesse (Wisdom Library)

Pour réduire davantage la dépendance aux LM, GROKERS emploie une Bibliothèque de Sagesse ( $W$ ), un ensemble fini de programmes impératifs isolés (sandboxed). Ces programmes gèrent des schémas d'interaction spécifiques. La bibliothèque croît via trois mécanismes :

Auteur Initial : Programmes générés par LM et révisés avant activation.
Promotion de Schémas : L'analyse par Groker identifie les schémas non couverts et propose de nouveaux programmes.
Sélection Évolutive : Les programmes de faible fitness sont remplacés par des forks de fitness supérieure.

3. Contributions Clés et Propriétés Formelles

L'article présente trois théorèmes formellement prouvés qui établissent l'efficacité et la correction de l'architecture GROKERS :

A. Le Théorème de l'Identité d'Octets (Byte-Identity Theorem)

Revendication : Les blocs de contexte assemblés à partir de l'index de dénormalisation maintenu de manière transactionnelle sont identiques au niveau des octets entre les tours de LM en l'absence de changements sémantiques.
Implication : Cela permet des taux de réussite du cache KV approchant 100 % pour les interactions synchrones. Contrairement au RAG, où les fragments récupérés varient selon la requête, le contexte de GROKERS est déterministe.
Analyse des Coûts : Avec un cache de préfixe stable (ex: le tarif de 10 % d'Anthropic pour les hits de cache), GROKERS permet de réduire jusqu'à 10 fois les coûts de jetons de préfixe stable par rapport au RAG dans des scénarios d'état stable.

B. Le Théorme de Monotonie d'Accumulation

Revendication : La fraction des interactions résolues sans appels de LM (le Taux d'Élimination des Appels de LM) est non décroissante au fil du temps à mesure que la Bibliothèque de Sagesse croît sous un protocole gouverné.
Implication : Le coût marginal de LM par interaction est non croissant. Cela contraste avec RAG, ReAct et LangChain, qui présentent des coûts marginaux de LM constants.
Condition : Ceci est vrai sous l'hypothation que les nouveaux programmes passent la validation de schéma et les tests de fitness avant de rejoindre la bibliothèque, et que le fitness est un indicatement fiable de la couverture.

C. Le Théorème de l'Ordre de Double Parcours

Revendication : Pour un DAG de dépendance, il existe des ordonnances de parcours correctes et uniques pour des tâches distinctes :
- Ascendant (Feuilles d'abord) : Le seul ordre valide pour une compréhension correcte (enrichissement).
- Descendant (Racines d'abord) : Le seul ordre valide pour une génération d'artefact cohérente.
Implication : Ces ordonnances sont les inverses l'une de l'autre. La sortie de la phase de compréhension ascendante (attributs enrichis) devient le contexte identique au niveau des octets et mis en cache KV pour la génération descendante ultérieure, fermant un cycle complet de génération-compréhension.

D. Recherche Sémantique Déterministe

L'article propose une alternative déterministe à la recherche sémantique basée sur les plongements (embeddings) en utilisant un Protocole de Mise en Cache de Synonymes.

Mécanisme : L'extraction de mots-clés est traitée comme une observation de premier rang. Les requêtes sont étendues via la racinisation (stemming), la traversée d'ontologie et des expansions de cache par LM.
Convergence : Pour les domaines à vocabulaire fini, le taux de recours au LM converge vers zéro à mesure que le cache de synonymes accumule la couverture, reflétant la propriété d'accumulation de la Bibliothèque de Sagesse.

4. Résultats et Implémentation

Implémentation de Référence : L'architecture est implémentée dans la pile open-source Qbix / Safebox / Safebots :
- Qbix : Fournit le substrat de graphe de flux et la dénormalisation transactionnelle.
- Safebox : Fournit l'environnement d'exécution isolé pour la Bibliothèque de Sagesse et les pipelines d'écriture gouvernés.
- Safebots : Implémente la couche d'enrichissement Groker, l'architecture de flux d'objectifs et les arbres de résumé multi-niveaux.
Performance : Le système réalise l'assemblage de contexte en ~1 ms. Pour les interactions synchrones (où les intervalles de changement sémantique $T_c$ sont de l'ordre de heures/jours et les intervalles de tour $T_t$ de secondes), le taux théorique de réussite du cache KV approche 100 %.

5. Signification et Revendications

L'article affirme que GROKERS constitue une base formelle pour l'intelligence à l'écriture comme une alternative strictement plus efficace à la récupération au moment de la requête pour les domaines de connaissances structurées avec des schémas d'interaction récurrents.

Efficacité : Il brise fondamentalement le modèle à coût constant des interactions avec les LLM en amortissant les coûts de compréhension au moment de l'écriture et en exploitant un contexte déterministe pour une utilisation quasi parfaite du cache KV.
Correction : Il fournit des garanties formelles sur l'ordre de parcours et la justesse de l'enrichissement, qui sont absentes des outils de LM réactifs (ex: Copilot, Devin) et des systèmes RAG standards.
Scalabilité : En utilisant le "Parallélisme Évident" (Embarrassing Parallelism) du substrat sous-jacent, l'enrichissement des attributs passe à l'échelle linéairement avec le nombre de publications sans surcoût de coordination.

Les auteurs positionnent ce travail non pas comme un remplacement pour toutes les applications de LLM, mais comme une architecture spécialisée et hautement efficace pour les domaines où la connaissance est structurée, les dépendances sont acycliques et les schémas d'interaction sont récurrents. L'article reconnaît des limites, notamment la nécessité de vocabulaires finis pour la convergence du cache de synonymes et l'hypothèse de graphes de dépendance acycliques.