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

Riepilogo Tecnico: Un Modello di Mondo Esplicito Basato su un'Ontologia Data-First

1. Problema

Il documento identifica quattro rischi strutturali inerenti ai Large Language Models (LLM) quando codificano "modelli di mondo" implicitamente all'interno dei pesi neurali: allucinazione, conoscenza congelata (alti costi di aggiornamento), scarsa spiegabilità e scarsa modificabilità (interferenza catastrofica). Gli autori sostengono che questi limiti derivino da un gap operativo fondamentale: i modelli impliciti mancano di lettura atomica per ID e di semantica di aggiornamento locale. Sebbene gli esistenti framework di Retrieval-Augmented Generation (RAG) e di agenti (es. LangChain, GraphRAG) separino la logica dallo storage, essi soffrono di compressione della finestra di token, overhead di sincronizzazione tra processi e tracce di audit frammentate, fallendo nel fornire una semantica atomica unificata per lettura, patch ($\delta$), valutazione (Eval) e tracciamento (Trace).

2. Metodologia: Ontologia Data-First e DaoQL

Il documento propone un'ontologia data-first in cui l'LLM funge esclusivamente da motore di ragionamento e di linguaggio naturale, mentre la conoscenza deterministica viene delegata a un database multimodale esplicito chiamato DaoQL.

• Framework Formale: Gli autori definiscono un modello di mondo esplicito $W$ composto da sei primitivi:
  1. Being: L'unità fondamentale dell'entità (basata su UUID).
  2. Def: Definisce campi, vincoli e relazioni.
  3. Type: Classifica i Being.
  4. Relation: Archi diretti che connettono i Being.
  5. Contract: Script Rhai limitati da "fuel" (carburante) incorporati nel percorso di scrittura per la validazione.
  6. Version: Record di cronologia collegati tramite hash che supportano MVCC e replay dell'audit.
• Dimostrazioni Teoriche:
  • Bootstrapping Finito: Dimostra che la catena di definizione dello schema non può ricorsivamente procedere all'infinito (Proposizione 1).
  • Terminazione Forte: Dimostra che i Contract terminano entro un limite di fuel fisso ($F_{max}$) vietando l'I/O esterno e la ricorsione di scrittura (Proposizione 2).
  • Aggiornamento Locale: Dimostra che il patching di un ID specifico nel modello esplicito non altera lo stato di altre entità (Proposizione 3), una proprietà assente nei modelli impliciti.
  • Decomponibilità Controfattuale: Il Teorema 1 stabilisce che, sotto l'indipendenza delle regole e la valutazione deterministica, i modelli espliciti soddisfano una condizione sufficiente per il ragionamento controfattuale composibile, mentre i modelli impliciti mancano di questa garanzia architettonica (Osservazione 3).
• Architettura di Sistema: DaoQL integra motori graph, column, vector e full-text in un singolo processo per eliminare la latenza di rete/IPC. Le caratteristiche chiave dell'implementazione includono:
  • Letture mmap Dirette: Bypass del page cache per i nodi del grafo al fine di ridurre la latenza di attraversamento.
  • CSR Adjacency: File Compressed Sparse Row per ogni RelationType per un attraversamento efficiente filtrato per tipo.
  • Unified BeingId: Un sistema di identificazione unico che consente query ibride zero-copy tra i vari motori.
  • WAL/MVCC: Per garantire l'atomicità e la coerenza post-crash.

3. Contributi Chiave

1. Teoria: Definizione formale di un modello di mondo esplicito e dimostrazioni riguardanti il bootstrapping dello schema, la terminazione dei contract e la necessità strutturale di modelli espliciti per controfattuali composibili.
2. Sistema: Implementazione dello strato di storage multimodale di DaoQL, caratterizzato da motori unificati, mappatura diretta in memoria e l'esecuzione di query ibride cross-engine.
3. Valutazione: Una strategia di valutazione a tre livelli comprendente microbenchmark, confronti con competitor e un esperimento controfattuale su larga scala.

4. Risultati Sperimentali

Il documento presenta i risultati di una configurazione embedded su singola macchina (Apple M-series e M4 Max), specificando esplicitamente che i confronti con i competitor client-server includono l'overhead di protocollo e serializzazione.

• Ragionamento Controfattuale: In un esperimento su cinque domini ($n=1250$), DaoQL+GPT-4o ha raggiunto il 94% di decomponibilità controfattuale composibile, un miglioramento di 49 punti percentuali rispetto a GPT-4o da solo (45%). Il percorso esplicito ha garantito catene di ragionamento tracciabili al 100%.
• Prestazioni di Storage (Microbenchmark):
  • Graph BFS: 1,20 ms (4,2–6,7× più veloce di Neo4j in termini di latenza end-to-end).
  • Ricerca HNSW: 83,1 µs (rispetto a 363,4 µs per Qdrant con stessi parametri).
  • Query Ibrida: 105,8 µs per una query Fluent che combina motori vector, graph e column.
  • Latenza di Scrittura: Riduzioni significative nei tempi di batch write (es. miglioramento del 70% nell'append batch) dopo l'ottimizzazione del percorso di scrittura (P0) e la rimozione delle dipendenze dal page cache.
• Benchmark Standard (Esplorativi):
  • LDBC SNB SF1: Ha raggiunto la copertura di 34/34 query con zero errori. Tuttavia, il throughput complessivo è stato limitato a 1,8 QPS a causa di colli di bottiglia nella coda lunga per query BI/IC complesse (es. i tag forum di BI9 hanno richiesto circa 900s).
  • ANN-Benchmarks: Ha raggiunto un Recall@10 $\ge$ 99% a migliaia di QPS (5.724 QPS a ef=200) dopo una correzione di "bridge-edge protection".
• Limitazioni Note: Il sistema è attualmente più lento di PostgreSQL per la ricerca full-text in cinese (1,27 ms vs 32 µs) a causa dell'overhead del tokenizer jieba. Il throughput di scrittura concorrente scende significativamente (~40%) con 16 connessioni, indicando la necessità di lock partizionati (sharded locks).

5. Significato e Rivendicazioni

Il documento posiziona il proprio contributo come una alternativa strutturale dimostrabile ai modelli di mondo impliciti degli LLM, piuttosto che come una rivendicazione di superiorità universale su tutti i sistemi esistenti.

• Garanzia Architetturale: La significatività primaria è la dimostrazione che i modelli di mondo espliciti forniscono una condizione sufficiente per la decomponibilità controfattuale composibile, una proprietà che gli autori sostengono essere architettonicamente impossibile per i modelli puramente impliciti.
• Potenziale Ingegneristico: I risultati validano la fattibilità di un motore di storage multimodale a singolo processo che riduce la latenza delle query ibride eliminando l'overhead tra sistemi.
• Ambito delle Rivendicazioni: Gli autori distinguono esplicitamente tra teoria dimostrabile (terminazione, aggiornamenti locali, condizioni controfattuali) ed evidenza empirica preliminare (numeri di latenza specifici, copertura LDBC). Affermano che il runtime completo DaoQL-Agent, i nodi del grafo KVCache e gli aggiornamenti caldi per esperti rimangono componenti in fase di progettazione o lavori futuri.
• Posizionamento: DaoQL è presentato come una tecnologia complementare alle piattaforme di ontologia industriale (come Palantir Foundry), rivolta ad ambienti data-sovereign, di media scala o edge, dove l'integrazione stretta delle semetiche di Eval/Trace e dei contract nel percorso di scrittura è prioritaria rispetto all'integrazione federata di sistemi legacy.

Il documento conclude che, sebbene il sistema non sia ancora un sostituto pronto per la produzione per database distribuiti su scala enterprise, esso valida con successo la premessa teorica secondo cui separare la conoscenza deterministica dai pesi neurali permette un ragionamento AI auditabile, modificabile e controfattualmente robusto.