🤖 AI

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

Cet article propose DaoQL, une ontologie axée sur les données qui découple la connaissance déterministe en une base de données multimodale explicite des moteurs de raisonnement des LLM, démontrant par validation empirique que cette architecture améliore significativement la décomposabilité contrefactuelle et atténue les risques structurels tels que l'hallucination par rapport aux modèles neuronaux implicites.

Auteurs originaux : Zhanbo Li, Shifeng Wu, Xiangjin Meng, Wenjie Cai

Publié 2026-07-21

📖 7 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Zhanbo Li, Shifeng Wu, Xiangjin Meng, Wenjie Cai

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 essayez de construire un robot super intelligent capable d'aider les médecins à diagnostiquer des maladies ou les banquiers à repérer des fraudes. Pour ce faire, vous apprenez généralement au robot en le nourrissant de quantités massives de texte, le laissant apprendre des schémas jusqu'à ce qu'il « ressente » qu'il connaît le monde. C'est ainsi que fonctionne l'IA moderne : elle stocke sa connaissance à l'intérieur d'un immense réseau désordonné de nombres appelés « poids neuronaux ». Considérez cela comme un cerveau humain qui aurait mémorisé un milliard de livres mais qui ne pourrait pas pointer une page spécifique pour vous montrer pourquoi il pense que quelque chose est vrai. Le problème est que ce cerveau est une sorte de boîte noire. Si vous lui posez une question délicate, il peut inventer des choses (halluciner), il ne peut pas facilement mettre à jour ses faits lorsque le monde change, et il est difficile d'expliquer son raisonnement. Les scientifiques appellent cela un « modèle de monde implicite » car les règles du monde sont cachées à l'intérieur des mathématiques, et non écrites clairement.

Pour corriger cela, une nouvelle idée appelée « ontologie axée sur les données » suggère que nous arrêtions de cacher les règles. Au lieu de laisser l'IA deviner les faits, nous devrions lui donner une bibliothèque claire et organisée où chaque fait est stocké avec une adresse spécifique, comme un classeur bien rangé. Dans cette configuration, l'IA est simplement le bibliothécaire intelligent qui sait vous parler et résoudre des énigmes, mais les faits réels résident dans la base de données de la bibliothèque. Ce document explore un système appelé DaoQL qui tente de construire ce genre de bibliothèque. Il pose la question suivante : Et si nous séparions la « pensée » de la « connaissance » ? En plaçant les faits dans une base de données claire et explicite et en laissant l'IA simplement lire dedans, pouvons-nous rendre le robot plus honnête, plus facile à réparer et meilleur pour répondre aux questions de type « et si » ?

La grande idée du papier : Une bibliothèque contre une boîte noire

Les auteurs de ce document soutiennent que la façon actuelle dont l'IA fonctionne est comparable à demander à un étudiant de mémoriser toute une encyclopédie dans sa tête. Si vous demandez : « Quelle est la capitale de la France ? », l'étudiant pourrait répondre correctement parce qu'il l'a entendue un million de fois. Mais si vous demandez : « Et si la France avait changé sa capitale pour Lyon hier ? », l'étudiant pourrait être confus, mélanger de vieux souvenirs ou simplement inventer une histoire. Il ne peut pas facilement « éditer » son cerveau pour supprimer l'ancien fait et insérer le nouveau sans perturber d'autres éléments.

Ce document propose une approche différente : Le Modèle de Monde Explicite. Imaginez qu'au lieu d'un étudiant avec un cerveau mémorisé, vous ayez un robot doté d'une bibliothèque super organisée.

Le Bibliothécaire (L'IA) : Il s'agit du Grand Modèle de Langage (LLM). Il est excellent pour comprendre vos questions et parler le langage humain.
La Bibliothèque (DaoQL) : C'est une base de données spéciale où chaque fait est stocké clairement. Elle utilise six blocs de construction : Être (une chose, comme une personne ou un produit), Définition (ce qu'est cette chose), Type (la catégorie), Relation (comment les choses se connectent), Contrat (les règles qu'elles doivent suivre) et Version (un historique des changements).

La principale conclusion est qu'en déplaçant les « faits bruts » dans cette bibliothèque et en laissant l'IA simplement les lire, le système devient beaucoup plus fiable. Le document prouve mathématiquement que cette configuration permet une « décomposition contrefactuelle composable ». C'est une façon sophistiquée de dire : « Si vous changez un fait dans la bibliothèque, le robot peut calculer parfaitement comment cela modifie la réponse, sans s'embrouiller ou inventer de nouvelles règles. »

Ce qu'ils ont réellement construit et testé

L'équipe a construit un système appelé DaoQL pour tester cette idée. Ils ne se sont pas contentés d'en parler ; ils ont construit la bibliothèque et mené des expériences pour voir à quel point elle était rapide et précise.

1. Le test du « Et si » (Contrefactuels)
Ils ont mené une expérience massive de 1 250 questions dans cinq domaines différents : la médecine, la finance, les chaînes d'approvisionnement, les lois et la tarification. Ils ont demandé à l'IA d'imaginer des changements, comme « Et si ce patient avait une allergie différente ? » ou « Et si ce fournisseur avait fait faillite ? ».

Le Résultat : Lorsque l'IA travaillait seule (utilisant uniquement sa mémoire), elle obtenait les réponses au « et si » correctement seulement 45 % du temps. Mais quand l'IA utilisait la bibliothèque DaoQL pour vérifier les faits, elle réussissait dans 94 % des cas. C'est un bond massif ! La bibliothèque a aidé l'IA à arrêter de deviner pour commencer à calculer sur la base de règles réelles.

2. Vitesse et efficacité
Ils ont également testé la rapidité avec laquelle la bibliothèque pouvait trouver des réponses. Ils ont comparé DaoQL à d'autres systèmes sur un seul ordinateur (pour que ce soit équitable).

Parcours de graphe : Trouver des connexions entre les choses (comme « Qui connaît qui ? ») a pris seulement 1,20 milliseconde. C'est plus rapide qu'un clin d'œil humain.
Recherche d'articles similaires : Trouver des articles similaires dans une liste a pris 83,1 microsecondes.
Requêtes mixtes : Lorsqu'ils ont posé une question complexe nécessitant l'examen simultané de textes, de nombres et de connexions, cela a pris 105,8 microsecondes.

3. Ce qu'ils n'ont pas fait (La liste des « Pas encore »)
Il est important de savoir ce que ce papier n'a pas résolu. Les auteurs sont très honnêtes à ce sujet.

Pas encore d'agent magique : Ils ont construit la bibliothèque et la partie « pensée », mais ils n'ont pas encore pleinement construit l'« agent » (le robot qui sort pour accomplir des tâches). Cela reste un projet pour l'avenir.
Pas un système à l'échelle du milliard : Ils ont testé cela sur des ordinateurs avec 64 Go ou 128 Go de mémoire. Ils admettent ne pas avoir testé cela à l'échelle massive de l'internet entier.
Certains points lents : Bien que la plupart des opérations soient rapides, la recherche de texte chinois était beaucoup plus lente que les autres systèmes (environ 40 fois plus lente dans leurs tests), ce qu'ils admettent être une faiblesse qu'ils doivent corriger.
Problèmes de la « longue traîne » : Lorsqu'ils ont essayé d'exécuter des simulations complexes de réseaux sociaux (LDBC SNB), le système est devenu très lent sur les questions les plus difficiles, prenant des secondes ou même des minutes au lieu de millisecondes.

Pourquoi cela importe

Le papier suggère que l'avenir d'une IA fiable ne consiste pas à rendre le cerveau de l'IA plus grand ou plus complexe. Au lieu de cela, il s'agit de donner à l'IA un endroit plus clair et plus précis pour stocker ses faits.

Les auteurs montrent que lorsque vous séparez le « savoir » (la base de données) de la « pensée » (l'IA), vous obtenez un système qui est :

Plus honnête : Il est plus difficile d'halluciner quand on doit d'abord consulter le fait.
Plus facile à réparer : Si un fait est erroné, vous mettez simplement à jour l'entrée de la bibliothèque. Vous n'avez pas besoin de réentraîner tout le cerveau de l'IA.
Explicable : Vous pouvez tracer exactement quel fait a conduit à quelle réponse, comme en suivant une piste de miettes de pain.

Le papier conclut que, bien que ce ne soit pas un produit fini prêt pour toutes les entreprises aujourd'hui, il prouve que cette méthode de construction de l'IA « axée sur les données » est mathématiquement saine et pratiquement plus rapide pour de nombreuses tâches. C'est une étape importante vers des robots qui ne font pas que deviner, mais qui savent réellement de quoi ils parlent.

Résumé Technique : Un Modèle de Monde Explicite Basé sur une Ontologie Prioritaire aux Données

1. Énoncé du Problème

L'article identifie quatre risques structurels inhérents aux Grands Modèles de Langage (LLM) lorsqu'ils encodent des « modèles de monde » de manière implicite dans les poids neuronaux : l'hallucination, la connaissance figée (coûts de mise à jour élevés), la faible explicabilité et la faible modifiabilité (interférence catastrophique). Les auteurs soutiennent que ces limitations découlent d'un écart opérationnel fondamental : les modèles implicites manquent de lecture atomique par ID et de sémantique de mise à jour locale. Bien que les cadres existants de Génération Augmentée par Récupération (RAG) et d'agents (ex: LangChain, GraphRAG) séparent la logique du stockage, ils souffrent de la compression de la fenêtre de jetons (token window), de la surcharge de synchronisation inter-processus et de pistes d'audit fragmentées, échouant à fournir une sémantique atomique unifiée pour la lecture, le patch ( $\delta$ ), l'évaluation (Eval) et le traçage (Trace).

2. Méthodologie : Ontologie Prioritaire aux Données et DaoQL

L'article propose une ontologie prioritaire aux données où le LLM agit uniquement comme un moteur de raisonnement et de langage naturel, tandis que la connaissance déterministe est déchargée vers une base de données multimodale explicite nommée DaoQL.

Cadre Formel : Les auteurs définissent un modèle de monde explicite $W$ $W$ composé de six primitives :
1. Being (Être) : L'unité d'entité de base (basée sur un UUID).
2. Def (Définition) : Définit les champs, les contraintes et les relations.
3. Type (Type) : Classifie les Beings.
4. Relation (Relation) : Arêtes dirigées connectant les Beings.
5. Contract (Contrat) : Scripts Rhai limités en carburant (fuel-limited) intégrés dans le chemin d'écriture pour la validation.
6. Version (Version) : Historique des enregistrements liés par hachage supportant le MVCC et le rejeu d'audit.
Preuves Théoriques :
- Bootstrapping Fini : Prouve que la chaîne de définition du schéma ne peut pas récurer indéfiniment (Proposition 1).
- Terminaison Forte : Prouve que les Contrats s'arrêtent dans une limite de carburant fixe ( $F_{max}$ ) en interdisant les E/S externes et la récursion d'écriture (Proposition 2).
- Mise à Jour Locale : Démontre que le patch d'un ID spécifique dans le modèle explicite n'altère pas l'état des autres entités (Proposition 3), une propriété absente des modèles implicites.
- Décomposabilité Contrefactuelle : Le Théorème 1 établit que sous l'indépendance des règles et l'évaluation déterministe, les modèles explicites satisfont une condition suffisante pour le raisonnement contrefactuel composable, alors que les modèles implicites manquent de cette garantie architecturale (Observation 3).
Architecture Système : DaoQL intègre des moteurs de graphes, de colonnes, de vecteurs et de recherche textuelle complète dans un processus unique pour éliminer la latence réseau/IPC. Les caractéristiques clés de l'implémentation incluent :
- Lectures Directes mmap : Contournement du cache de pages pour les nœuds de graphes afin de réduire la latence de parcours.
- CSR Adjacency : Fichiers Compressed Sparse Row par RelationType pour un parcours efficace filtré par type.
- BeingId Unifié : Un système d'identifiant unique permettant des requêtes hybrides sans copie (zero-copy) entre les moteurs.
- WAL/MVCC : Assurant l'atomicité et la cohérence en cas de crash.

3. Contributions Clés

Théorie : Définition formelle d'un modèle de monde explicite et preuves concernant le bootstrapping du schéma, la terminaison des contrats et la nécessité structurelle des modèles explicites pour les contrefactuels composables.
Système : Implémentation de la couche de stockage multimodale de DaoQL, présentant des moteurs unifiés, le mappage mémoire direct et l'exécution de requêtes hybrides inter-moteurs.
Évaluation : Une stratégie d'évaluation à trois niveaux comprenant des micro-benchmarks, des comparaisons avec des concurrents et une expérience contrefactuelle à grande échelle.

4. Résultats Expérimentaux

L'article présente des résultats issus d'une configuration embarquée sur la même machine (Apple M-series et M4 Max), notant explicitement que les comparaisons avec les concurrents client-serveur incluent les surcharges de protocole et de sérialisation.

Raisonnement Contrefactuel : Dans une expérience sur cinq domaines ( $n=1250$ ), DaoQL+GPT-4o a atteint 94 % de décomposabilité contrefactuelle composable, soit une amélioration de 49 points de pourcentage par rapport à GPT-4o seul (45 %). Le chemin explicite a garanti des chaînes de raisonnement 100 % traçables.
Performance de Stockage (Microbenchmarks) :
- Graph BFS : 1,20 ms (4,2 à 6,7× plus rapide que Neo4j en latence de bout en bout).
- Recherche HNSW : 83,1 µs (contre 363,4 µs pour Qdrant sous les mêmes paramètres).
- Requête Hybride : 105,8 µs pour une requête Fluent combinant les moteurs vectoriel, de graphe et de colonnes.
- Latence d'Écriture : Réductions significatives des temps d'écriture par lots (ex: amélioration de 70 % pour l'ajout par lots) après optimisation du chemin d'écriture (P0) et suppression des dépendances au cache de pages.
Benchmarks Standards (Exploratoires) :
- LDBC SNB SF1 : A atteint une couverture de 34/34 requêtes avec zéro erreur. Cependant, le débit global était limité à 1,8 QPS en raison de goulots d'étranglement dans les requêtes BI/IC complexes (ex: les tags de forum BI9 ont pris ~900s).
- ANN-Benchmarks : A atteint un Recall@10 $\ge$ 99 % à des milliers de QPS (5 724 QPS à ef=200) après un correctif de "protection de bordure de pont" (bridge-edge protection).
Limitations Notées : Le système est actuellement plus lent que PostgreSQL pour la recherche textuelle chinoise (1,27 ms contre 32 µs) en raison de la surcharge du tokenizer jieba. Le débit d'écriture concurrent chute significativement (~40 %) avec 16 connexions, indiquant un besoin de verrous partitionnés (sharded locks).

5. Signification et Revendications

L'article positionne sa contribution comme une alternative structurelle prouvable aux modèles de monde implicites des LLM, plutôt qu'une prétention de supériorité universelle sur tous les systèmes existants.

Garantie Architecturale : La principale signification est la démonstration que les modèles de monde explicites fournissent une condition suffisante pour la décomposabilité contrefactuelle composable, une propriété que les auteurs soutiennent être architecturalement impossible pour les modèles purement implicites.
Potentiel d'Ingénierie : Les résultats valident la faisabilité d'un moteur de stockage multimodal en processus unique qui réduit la latence des requêtes hybrides en éliminant les surcharges inter-systèmes.
Portée des Revendications : Les auteurs distinguent explicitement la théorie prouvable (terminaison, mises à jour locales, conditions contrefactuelles) des preuves empiriques préliminaires (chiffres de latence spécifiques, couverture LDBC). Ils précisent que le runtime DaoQL-Agent, les nœuds de graphe KVCache et les mises à jour à chaud d'experts restent des composants en phase de conception ou des travaux futurs.
Positionnement : DaoQL est présenté comme une technologie complémentaire aux plateformes d'ontologie industrielle (comme Palantir Foundry), ciblant les environnements de souveraineté des données, de moyenne échelle ou de périphérie (edge) où l'intégration étroite des sémantiques Eval/Trace et des contrats de chemin d'écriture est privilégiée par rapport à l'intégration fédérée de systèmes hérités.

L'article conclut que bien que le système ne soit pas encore un remplacement prêt pour la production des bases de données distribuées à l'échelle de l'entreprise, il valide avec succès la prémisse théorique selon laquelle la séparation de la connaissance déterministe des poids neuronaux permet un raisonnement IA auditable, modifiable et contrefactuellement robuste.