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

Stel je voor dat je een superintelligente robot probeert te bouwen die artsen kan helpen bij het diagnosticeren van ziekten of bankiers kan helpen bij het opsporen van fraude. Om dit te doen, leer je de robot meestal door hem enorme hoeveelheden tekst te voeren, waarbij hij patronen leert tot hij het "gevoel" heeft dat hij de wereld kent. Dit is hoe moderne AI werkt: het slaat zijn kennis op in een gigantisch, rommelig web van getallen genaamd "neurale gewichten". Denk aan een menselijk brein dat een miljard boeken heeft uit het hoofd geleerd, maar niet naar een specifieke pagina kan wijzen om aan te tonen waarom het denkt dat iets waar is. Het probleem is dat dit brein een soort 'black box' is. Als je het een lastige vraag stelt, kan het dingen verzinnen (hallucineren), kan het zijn feiten niet gemakkelijk bijwerken wanneer de wereld verandert, en is het moeilijk om de redenering ervan uit te leggen. Wetenschappers noemen dit een "impliciet wereldmodel" omdat de regels van de wereld verborgen zitten in de wiskunde, en niet duidelijk zijn opgeschreven.

Om dit op te lossen, suggereert een nieuw idee genaamd "data-first ontology" dat we stoppen met het verbergen van de regels. In plaats van de AI de feiten te laten raden, moeten we hem een duidelijke, georganiseerde bibliotheek geven waar elk feit is opgeslagen met een specifieke adres, zoals een goed georganiseerde archiefkast. In deze opstelling is de AI slechts de slimme bibliothecaris die weet hoe hij met je moet praten en puzzels moet oplossen, maar de feitelijke kennis leeft in de database van de bibliotheek. Dit artikel onderzoekt een systeem genaamd DaoQL dat probeert een dergelijke bibliotheek te bouwen. Het stelt de vraag: Wat als we het "denken" scheiden van het "weten"? Door de feiten in een duidelijke, expliciete database te plaatsen en de AI alleen uit deze database te laten lezen, kunnen we de robot eerlijker, gemakkelijker te repareren en beter in het beantwoorden van "wat als"-vragen maken?

---

Het Grote Idee van het Papier: Een Bibliotheek versus een Black Box

De auteurs van dit papier beargumenteren dat de huidige manier waarop AI werkt, lijkt op het vragen aan een student om een hele encyclopedie uit het hoofd te leren. Als je vraagt: "Wat is de hoofdstad van Frankrijk?", kan de student het correct raden omdat hij het een miljoen keer heeft gehoord. Maar als je vraagt: "Wat als Frankrijk gisteren de hoofdstad naar Lyon heeft veranderd?", kan de student in de war raken, oude herinneringen door elkaar halen of gewoon een verhaal verzinnen. Ze kunnen hun brein niet gemakkelijk "bewerken" om de oude feit te verwijderen en het nieuwe in te voegen zonder andere zaken te verstoren.

Dit papier stelt een andere aanpak voor: Het Expliciete Wereldmodel. Stel je in plaats van een student met een uit het hoofd geleerd brein, een robot voor met een supergeorganiseerde bibliotheek.

• De Bibliothecaris (De AI): Dit is het Large Language Model (LLM). Het is erg goed in het begrijpen van je vragen en het spreken van menselijke taal.
• De Bibliotheek (DaoQL): Dit is een speciale database waar elk feit duidelijk wordt opgeslagen. Het gebruikt zes bouwstenen: Being (een ding, zoals een persoon of een product), Def (wat dat ding is), Type (de categorie), Relation (hoe dingen met elkaar verbonden zijn), Contract (regels die ze moeten volgen) en Version (een geschiedenis van veranderingen).

De belangrijkste bevinding is dat door de "harde feiten" naar deze bibliotheek te verplaatsen en de AI alleen uit deze te laten lezen, het systeem veel betrouwbaarder wordt. Het papier bewijst wiskundig dat deze opstelling zorgt voor "composable counterfactual decomposability." Dat is een chique manier om te zeggen: "Als je één feit in de bibliotheek verandert, kan de robot perfect berekenen hoe dat de antwoorden verandert, zonder in de war te raken of nieuwe regels te verzinnen."

Wat Ze Eigenlijk Gebouwd en Getest Hebben

Het team heeft een systeem genaamd DaoQL gebouwd om dit idee te testen. Ze hebben niet alleen erover gepraat; ze hebben de bibliotheek gebouwd en experimenten uitgevoerd om te zien hoe snel en nauwkeurig het was.

1. De "Wat als"-test (Counterfactuals)
Ze voerden een groot experiment uit met 1.250 vragen over vijf verschillende gebieden: geneeskunde, financiën, toeleveringsketens, wetgeving en prijsstelling. Ze vroegen de AI om veranderingen te bedenken, zoals: "Wat als deze patiënt een andere allergie had?" of "Wat als deze leverancier failliet ging?".

• Het resultaat: Wanneer de AI alleen werkte (alleen gebruikmakend van zijn geheugen), kreeg hij de "wat als"-antwoorden slechts in 45% van de gevallen goed. Maar wanneer de AI de DaoQL-bibliotheek gebruikte om de feiten te controleren, kreeg hij het in 94% van de gevallen goed. Dat is een enorme sprong! De bibliotheek hielp de AI om te stoppen met gokken en te beginnen met rekenen op basis van echte regels.

2. Snelheid en Efficiëntie
Ze testten ook hoe snel de bibliotheek antwoorden kon vinden. Ze vergeleken DaoQL met andere systemen op een enkele computer (om het eerlijk te houden).

• Graph Traversal: Het vinden van verbindingen tussen dingen (zoals "Wie kent wie?") duurde slechts 1,20 milliseconden. Dat is sneller dan een mens kan knipperen.
• Zoeken naar vergelijkbare items: Het vinden van vergelijkbare items in een lijst duurde 83,1 microseconden.
• Gemengde queries: Wanneer ze een complexe vraag stelden die vereiste dat er tegelijkertijd naar tekst, getallen en verbindingen werd gekeken, duurde dit 105,8 microseconden.

3. Wat Ze Niet Hebben Gedaan (De "Nog Niet"-lijst)
Het is belangrijk om te weten wat dit papier niet heeft opgelost. De auteurs zijn hier heel eerlijk over.

• Nog geen Magische Agent: Ze hebben de bibliotheek en het "denkende" deel gebouwd, maar ze hebben nog niet volledig de "agent" gebouwd (de robot die taken uitvoert). Dat is nog een plan voor de toekomst.
• Geen Biljoen-schaal Systeem: Ze hebben dit getest op computers met 64GB of 128GB aan geheugen. Ze geven toe dat ze dit nog niet op de enorme schaal van het hele internet hebben getest.
• Enkele Trage Punten: Hoewel de meeste zaken snel waren, was het zoeken naar Chinese tekst veel langzamer dan andere systemen (ongeveer 40 keer langzamer in hun tests), wat ze erkennen een zwakte is die ze moeten oplossen.
• Long-Tail Problemen: Wanneer ze probeerden complexe sociale netwerksimulaties (LDBC SNB) uit te voeren, werd het systeem erg traag bij de moeilijkste vragen, waarbij het seconden of zelfs minuten duurde in plaats van milliseconden.

Waarom Dit Belangrijk Is

Het papier suggereert dat de toekomst van betrouwbare AI niet gaat over het groter of complexer maken van het brein van de AI. In plaats daarvan gaat het erom de AI een betere, duidelijkere plek te geven om haar feiten op te slaan.

De auteurs laten zien dat wanneer je het "weten" (de database) scheidt van het "denken" (de AI), je een systeem krijgt dat:

• Eerlijker is: Het is moeilijker om te hallucineren wanneer je eerst het feit moet opzoeken.
• Makkelijker te repareren is: Als een feit onjuist is, update je gewoon de bibliotheekvermelding. Je hoeft niet het hele AI-brein opnieuw te trainen.
• Verklaarbaar is: Je kunt precies traceren welk feit tot welk antwoord heeft geleid, als het volgen van een kruimelpad.

Het papier concludeert dat hoewel dit geen afgewerkt product is dat vandaag al klaar is voor elk bedrijf, het bewijst dat deze "data-first" manier van het bouwen van AI wiskundig solide en in de praktijk sneller is voor veel taken. Het is een belangrijke stap richting robots die niet alleen gokken, maar ook echt weten waar ze het over hebben.