🤖 AI

Eigenius: A Typed Knowledge-Graph DBMS with Epistemic Stratification and Institution-Mediated Reasoning

Eigenius est un SGBD de graphe de connaissances open-source et typé qui unifie la théorie des types dépendants, les frontières d'intégration institutionnelles et le stockage immuable pour imposer le statut épistémique comme un invariant structurel, remplaçant ainsi les scripts de recherche en IA fragiles et éphémères par un graphe de preuves marchable par machine et prêt pour l'audit, capable de vérifier les conclusions scientifiques et de détecter les divergences.

Auteurs originaux : Hans-Martin Will, Allen L. Brown Jr., Matthew Fuchs

Publié 2026-08-06

📖 8 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Hans-Martin Will, Allen L. Brown Jr., Matthew Fuchs

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

Le dilemme du détective : Pourquoi nous avons besoin d'un meilleur moyen de tracer la vérité

Imaginez que vous êtes un détective essayant de résoudre un mystère colossal. Autrefois, vous auriez pu griffonner des indices sur des post-it, scotcher des photos sur un tableau de liège et écrire vos conclusions dans un carnet. Si quelqu'un vous demandait : « Comment savez-vous que c'est le majordome ? », vous pourriez feuilleter vos notes et montrer la chaîne de preuves. Mais que se passerait-il si votre carnet n'était qu'une collection de notes volantes et temporaires qui pourraient être effacées ou réécrites à tout moment ? Et si votre « preuve » était un script qui s'exécutait une seule fois puis disparaissait, ne laissant aucune trace du chemin parcouru pour arriver à sa conclusion ?

C'est l'état actuel de la manière dont les scientifiques et, de plus en plus, les « scientifiques » dotés d'intelligence artificielle (IA) travaillent. Ils utilisent des outils puissants pour mener des expériences complexes et écrire du code, mais la « preuve » de leur travail réside souvent dans des fichiers fragiles et temporaires. Lorsqu'une IA essaie d'apprendre de cela, c'est comme essayer de résoudre un mystère avec un tableau rempli d'encre invisible. Le document que nous allons explorer, Eigenius, soutient que nous avons besoin d'un nouveau type de « registre de détective ». Il propose un système où chaque fragment d'information, chaque calcul et chaque conclusion est de façon permanente tamponné, typé et lié, d'une manière qui ne peut être ni falsifiée ni perdue. Il s'agit de construire une base de données qui ne stocke pas seulement des faits, mais qui stocke la garantie de ces faits — la preuve qu'ils sont vrais.

Le papier : Construire une « machine à vérité » pour la science

Le document présente Eigenius, un nouveau type de base de données conçu spécifiquement pour l'ère des scientifiques de l'IA. Les auteurs, Hans-Martin Will, A. L. Brown Jr. et Matthew Fuchs, soutiennent que la manière actuelle de stocker les données scientifiques est trop désordonnée pour que les machines puissent leur faire confiance. Aujourd'hui, les arguments scientifiques sont souvent des « réseaux éphémères » — des liens temporaires entre des scripts et des récits qui sont difficiles à auditer. Si un agent d'IA tente de lire ces données, il ne peut pas être certain que les calculs ont été effectués correctement ou que les données n'ont pas été modifiées en cours de route.

Eigenius corrige cela en traitant les données comme un coffre-fort de haute sécurité où chaque article possède une carte d'identité permanente et immuable. Voici comment cela fonctionne, en utilisant quelques analogies amusantes :

1. La carte d'identité « épistémique » (Savoir ce que l'on sait)
Dans Eigenius, chaque donnée reçoit un tag de « statut épistémique » spécifique. Voyez cela comme un badge coloré sur le dossier d'un détective :

Déclaré : « Je dis que ceci est vrai parce qu'une autorité l'a affirmé. » (Pas encore de preuve).
Observé : « J'ai vu cela se produire grâce à une machine. » (Preuve du monde réel).
Dérivé : « J'ai calculé ceci à partir d'autres faits. » (Calcul effectué par l'ordinateur).
Vérifié : « J'ai une preuve formelle, vérifiée par une machine, que ceci est 100 % vrai. » (Le standard d'excellence).

Le système vous oblige à choisir un badge pour chaque donnée avant de pouvoir l'enregistrer. Vous ne pouvez pas simplement injecter un nombre ; vous devez prouver sa provenance. Cela transforme la « question d'audit » (« Comment le savez-vous ? ») en une partie structurelle de la base de données elle-même, plutôt qu'en quelque chose que vous devez deviner plus tard.

2. Le pont des « Institutions » (Le traducteur universel)
La science utilise de nombreux langages différents. Un laboratoire peut utiliser Python, un autre un outil mathématique appelé Lean, et un troisième un programme de statistiques. Habituellement, connecter ces éléments revient à essayer de traduire un livre de l'anglais vers le français, puis vers le japonais, et enfin de retour vers l'anglais — des erreurs s'immiscent et le sens original se perd. C'est ce qu'on appelle le « goulot d'étranglement des polystores », et cela devient très coûteux (mathématiquement parlant, c'est un problème en $O(N^2)$ , ce qui signifie que cela devient complexe très rapidement).

Eigenius introduit les Institutions. Imaginez-les comme des « ambassades » ou des « cabines de traduction » spécialisées à l'intérieur de la base de données. Lorsqu'une donnée passe d'un système à un autre, elle n'est pas simplement copiée ; elle est traduite par un protocole strict et typé appelé comorphisme. Le système vérifie la traduction avant de l'enregistrer. Si les mathématiques ne correspondent pas parfaitement, la traduction est rejetée. Cela garantit que lorsque les données circulent entre différents outils scientifiques, elles arrivent exactement comme elles sont parties, sans perte de sens.

3. La preuve « Lean » (Le correcteur orthographique magique)
Pour les mathématiques pures, Eigenius utilise un outil puissant appelé Lean 4. Considérez Lean 4 comme un correcteur orthographique qui ne se contente pas de vérifier les fautes de frappe, mais vérifie si la phrase entière est logiquement cohérente. Dans Eigenius, ce correcteur fonctionne à l'intérieur de la base de données elle-même. Lorsqu'un scientifique affirme qu'un théorème mathématique est vrai, la base de données ne se contente pas de le croire sur parole ; elle fait passer la preuve par son propre « correcteur interne » pour la vérifier. Si la preuve tient, l'affirmation reçoit le badge « Vérifié ». Si elle échoue, elle est rejetée. Cela se produit instantanément, sans avoir besoin d'appeler un ordinateur externe, ce qui rend le processus rapide et sécurisé.

4. La chaîne « Immuable » (Le registre incassable)
Tout dans Eigenius est stocké de manière adressée par contenu. Imaginez une bibliothèque où chaque livre est identifié non pas par son titre, mais par l'empreinte digitale unique de ses mots réels. Si vous changez ne serait-ce qu'une virgule dans un livre, son empreinte change et il devient un livre complètement différent. Cela signifie que l'historique des données est une chaîne de ces empreintes (un arbre de Merkle). Si quelqu'un tente de modifier subrepticement une expérience passée, l'empreinte ne correspondra plus, et le système le saura immédiatement.

Le Grand Test : Réécrire une étude célèbre

Pour prouver que ce système fonctionne, les auteurs ne se sont pas contentés de le construire ; ils l'ont utilisé pour refaire une étude scientifique célèbre publiée dans la revue Nature. Cette étude portait sur une enzyme spécifique (l'hélicase WRN) et son rôle dans le cancer. L'étude originale avait été écrite à l'aide de scripts fragiles et de fichiers temporaires.

L'équipe a pris les données originales et a reconstruit l'argument entier à l'intérieur d'Eigenius. Ils ont transformé les « scripts éphémères » en un « graphe de preuves » solide et permanent.

Le Résultat : Toutes les 52 conclusions dérivées de l'étude ont tenu bon lorsqu'elles ont été vérifiées par rapport aux données figées.
La Surprise : Le processus a mis au jour quatre divergences entre le texte de l'article original et ses données réelles. Par exemple, l'article original indiquait qu'un échantillon était de 54, mais les données montraient qu'il était en réalité de 51 car certaines lignes étaient manquantes. Une autre erreur concernait un calcul statistique qui était erroné de treize ordres de grandeur (c'est une différence énorme !).

Ce n'étaient pas de simples « oups » ; ils ont été enregistrés comme des faits vérifiables par machine, côte à côte avec les affirmations originales. Le système a montré qu'en forçant chaque étape à être une « ressource typée », les erreurs cachées dans l'étude originale devenaient impossibles à ignorer.

Pourquoi cela importe

Le papier suggère qu'à mesure que les agents d'IA commenceront à réaliser davantage de sciences de manière autonome, nous ne pourrons pas compter sur des fichiers désordonnés et temporaires. Nous avons besoin d'un « noyau » (un moteur central) qui possède simultanément le système de types, le stockage et les règles de traduction. Eigenius propose qu'en faisant de la « piste d'audit » une partie permanente de la structure des données, nous pouvons construire un fondement scientifique suffisamment robuste pour que les machines puissent lui faire confiance.

Les auteurs admettent qu'il s'agit d'un prototype et qu'il reste des questions ouvertes, comme la manière de prouver parfaitement que leurs « fusions typées » fonctionnent toujours. Cependant, leur expérience avec l'étude Nature suggère que cette approche est viable. Elle transforme la méthode scientifique d'un récit que l'on raconte en une chaîne de preuves à travers laquelle on peut marcher, étape par étape, avec une machine vérifiant chaque maillon. Il ne s'agit pas seulement de stocker des données ; il s'agit de stocker la garantie de la vérité.

Résumé Technique : Eigenius : Un SGBD de Graphe de Connaissances Typé avec Stratification Épistémique et Raisonnement Médié par les Institutions

1. Énoncé du Problème

L'émergence des « Scientifiques IA » autonomes utilisant le protocole MCP (Model Context Protocol) pour piloter des boucles de recherche a exposé des limitations critiques dans l'infrastructure actuelle des données scientifiques. Les systèmes existants reposent sur des scripts éphémères et une prose narrative, créant des pipelines fragiles où l'audit manuel est possible pour les humains mais insuffisant pour les agents autonomes nécessitant des chaînes de preuve cryptographiquement sécurisées et entièrement parcourables.

Les tentatives précédentes de formaliser la science auditable par machine, telles que le projet Pharos de 2008, ont échoué à passer à l'échelle car elles reposaient sur une architecture fédérée. Pharos assemblait des sous-systèmes disparates (SQL Server, DataNet, prouveurs de théorèmes HOL) via des ponts personnalisés et opaques. Cette approche manquait d'un noyau unifié, entraînant :

Une fragmentation ontologique : Le schéma et les données d'instance vivaient dans des catégories différentes.
Une absence d'invariants structurels : Les traductions entre systèmes étaient éphémères et non vérifiées formellement.
Des goulots d'étranglement de type polystore : L'intégration de $N$ systèmes nécessitait $O(N^2)$ adaptateurs par paires.
Une incapacité à unifier le raisonnement : La logique de justification empirique et les preuves mathématiques formelles étaient gérées par des moteurs distincts sans système de types partagé.

Le défi central est de construire une architecture de base de données qui traite la « question de l'audit » (« que savez-vous, et quelle est votre garantie ? ») comme un invariant structurel du modèle de données lui-même, plutôt que comme une propriété reconstruite à travers les frontières des sous-systèmes.

2. Méthodologie et Architecture

Eigenius est un SGBD de graphe de connaissances typé en open-source, construit sur un noyau mathématique unifié. Il remplace les piles fédérées par une architecture unique qui couple étroitement le système de types, le moteur de stockage et le protocole d'intégration.

Piliers Fondamentaux

Théorie des Types Dépendants (EigenTT) : Le noyau utilise une théorie des types dépendants (famille CIC) tissée à travers le cœur. Le schéma et les données sont unifiés ; déclarer une classe revient simplement à s'engager sur une ressource. L'unité de commit est une couche (layer) — un ensemble de ressources immuables avec un pointeur vers un parent. L'identité de la couche est adressée par le contenu (SHA-256 du CBOR canonique), formant un engagement Merkle de l'historique du graphe.
Stratification Épistémique : Chaque ressource porte un statut épistémique imposé comme un invariant strict lors du commit. Le système distingue :
- Déclaré (Declared) : Autorité sans preuve (vérifiée pour sa conformité).
- Observé (Observed) : Enregistré avec une provenance externe.
- Dérivé (Derived) : Produit par un calcul typé.
- Vérifié (Verified) : Porte un terme de preuve formellement revérifié.
  Cette stratification est basée sur la logique de justification, où les garanties ne sont pas toutes factives, reconnaissant que les affirmations scientifiques reposent sur des observations et des conventions qui ne peuvent être épuisées par un prouveur.
Raisonnement Médié par les Institutions : Pour intégrer des raisonneurs externes (solveurs d'EDO, prouveurs de théorèmes), Eigenius adapte les institutions de Goguen et Burstall comme une généralisation fortement typée des procédures stockées.
- Comorphismes : Les traductions entre systèmes sont modélisées comme des comorphismes — des pipelines ETL fortement typés exécutés nativement à l'intérieur du moteur.
- Vérification au moment du Commit : Les traductions sont vérifiées statiquement lors du commit. Si une transformation $m: S \to T$ ne correspond pas aux types de la charge utile, elle est rejetée comme une violation de schéma.
- Matérialisation : Contra-rentement aux bases de données fédérées traditionnelles où les traductions sont éphémères, Eigenius matérialise la sortie d'un comorphisme directement dans le graphe en tant que ressource durable et adressée par le contenu.

Intégration de la Vérification Formelle

Pour gérer les charges utiles de preuves opaques, Eigenius résout le défi de la vérification sans subir de surcharge de communication inter-processus (IPC) :

Vérification In-Process : Le noyau lie un vérificateur de termes Rust minimal (nanoda_lib) directement dans le binaire.
Paires Dépendantes : Une affirmation vérifiée est stockée sous la forme d'une paire dépendante $(P, t)$ , où $P$ est la proposition (native à EigenTT) et $t$ est la charge utile de preuve (octets Lean 4 opaques).
Le Problème du Liaison (Binding Problem) : Lors du commit, le noyau effectue une vérification en trois parties : (1) validité de la preuve via le vérificateur in-process, (2) correspondance miroir (mappage des constantes Lean vers les IRI de la classe de la chaîne), et (3) cohérence de l'ancrage (hachage de l'archive source).

Langage de Requête (EigenQL)

EigenQL est un Datalog stratifié et typé avec agrégation et deux clauses spécifiques pour les contextes institutionnels :

FIBER : Délègue l'exécution à une institution externe au milieu d'une requête.
INTO : Ancre la réponse du moteur externe dans la chaîne à un IRI nommé, déclenchant le pipeline de commit.

3. Principales Contributions

Le document présente quatre contributions majeures :

C1 : Modèle de Données Unifié : Un modèle de graphe typé auto-descriptif qui unifie la logique de justification empirique et la preuve mathématique formelle. Le statut épistémique est une classe de base structurelle imposée au commit. La vérification formelle est gérée via un vérificateur de termes in-process qui lie les charges utiles de preuve opaques au schéma sans IPC.
C2 : Protocole d'Intégration Institutionnel : L'introduction des institutions dans le monde des bases de données en tant que généralisations fortement typées des procédures stockées. Les traductions entre systèmes (comorphismes) sont vérifiées statiquement au commit et matérialisées en ressources durables.
C3 : Élimination des Goulots d'Étranglement Polystores : En élevant une Représentation Intermédiaire (IR) partagée et fortement typée nativement dans le schéma du graphe, les transformations de comorphisme entre systèmes partageant cette IR se réduisent à une simple identité, éliminant le coût d'adaptateur $O(N^2)$ .
C4 : Réplication de Bout en Bout : Une recomputation et un ré-encodage complets d'une étude publiée dans Nature (Chan et al. sur la WRN hélicase), passant de scripts fragiles à un graphe d'évidence matérialisé.

4. Résultats et Évaluation

Le prototype, écrit en Rust avec un stockage RocksDB et une API gRPC, a été évalué via des micro-benchmarks et une évaluation macroscopique.

Microbenchmark (Ingestion) : Le système a ingéré les lexiques WordNet et UMLS (9,19 M de ressources de chaîne). Il a maintenu environ 5 200 ressources validées par seconde sur un seul cœur. La barrière de commit est le coût principal, avec des couches de classes structurelles se chargeant à ~28k/s et des entrées lexicales rigoureusement vérifiées par le type à ~4k/s.
Évaluation Macroscopique (Réplication d'Étude Nature) : Le système a réexécuté une étude de haut niveau impliquant des criblages de dépendance génomique, des validations en laboratoire humide et des modèles in vivo.
- Cohérence : Les 52 conclusions dérivées étaient soutenues par les données ancrées.
- Détection de Discrépances : La recomputation a révélé quatre divergences vérifiées par machine entre la prose de l'article et ses données, incluant une correction de la taille de l'échantillon ( $n=54 \to 51$ ) et une erreur de pseudo-réplication où la valeur $p$ honnête différait de treize ordres de grandeur.
- Auditabilité : Chaque classe d'analyse de l'article est exécutable en direct ; les hypothèses sont des ressources inspectables plutôt que des mises en garde textuelles.

5. Signification et Revendications

Le papier affirme qu'Eigenius fournit le noyau de base de données nécessaire pour soutenir la prochaine génération de recherche scientifique pilotée par l'IA. Sa signification réside dans :

Invariants Structurels : Il transforme la provenance des données et le statut épistémique de reconstructions post-hoc en invariants structurels du modèle de données.
Infrastructure Prête pour les Agents : Il répond à l'« inversion des agents », où les agents autonomes nécessitent une boucle serrée de vérification de types et de tests (un « compilateur » et une « suite de tests ») pour le raisonnement scientifique, ce que les scripts éphémères ne peuvent fournir.
Épistémologie Unifiée : Il réussit à unifier deux domaines de l'épistémologie scientifique — la logique de justification pour la science empirique et la vérification formelle pour les mathématiques — au sein d'un seul moteur.
Chaînes d'Audit Vérifiables : Il permet une « chaîne d'audit fermée » où un auditeur peut parcourir l'intégralité du chemin de preuve, du verdict jusqu'aux données brutes et aux termes de preuve, en utilisant uniquement le graphe, sans contacter de middleware intermédiaire.

Les auteurs reconnaissent des limites, notamment la décision d'abandonner Wasm pour les substrats conteneurisés afin de supporter des bibliothèques natives lourdes, ainsi que le besoin continu de mécaniser le validateur et le vérificateur de types des comorphismes. L'objectif ultime est de permettre à un Scientifique IA de traverser, de muter et de vérifier des graphes scientifiques sans intervention humaine.