🤖 AI

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

Eigenius is een open-source, getypeerde kennisgrafiek-DBMS die afhankelijke typentheorie, institutionele integratiegrenzen en onveranderlijke opslag verenigt om de epistemische status als een structurele invariant af te dwingen, waardoor fragiele, vluchtige AI-onderzoekscripts worden vervangen door een machine-loopbare, audit-gereed bewijsgrafiek die in staat is wetenschappelijke conclusies te verifiëren en discrepanties te detecteren.

Oorspronkelijke auteurs: Hans-Martin Will, Allen L. Brown Jr., Matthew Fuchs

Gepubliceerd 2026-08-06

📖 7 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Hans-Martin Will, Allen L. Brown Jr., Matthew Fuchs

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Het Dilemma van de Detective: Waarom we een betere manier nodig hebben om de Waarheid te volgen

Stel je voor dat je een detective bent die een enorme mysterie probeert op te lossen. In de oude dagen zou je misschien aanwijzingen op plaknotities hebt geschreven, foto's op een prikbord hebt geplakt en je conclusies in een schrift hebt genoteerd. Als iemand vroeg: "Hoe weet je dat de butler het gedaan heeft?", kon je door je aantekeningen bladeren en de keten van bewijslast laten zien. Maar wat als je schrift slechts een verzameling losse, tijdelijke notities was die op elk moment gewist of herschreven konden worden? Wat als je "bewijs" een script was dat één keer draaide en daarna verdween, zonder een spoor achter te laten van hoe het tot zijn conclusie kwam?

Dit is de huidige staat van hoe wetenschappers en, in toenemende mate, kunstmatige intelligentie (AI) "wetenschappers" te werk gaan. Ze gebruiken krachtige instrumenten om complexe experimenten uit te voeren en code te schrijven, maar het "bewijs" van hun werk leeft vaak in kwetsbare, tijdelijke bestanden. Wanneer een AI probeert te leren van dit werk, is het alsof je een mysterie probeert op te lossen met een bord vol onzichtbare inkt. Het paper dat we gaan verkennen, Eigenius, betoogt dat we een nieuw soort "detective-grootboek" nodig hebben. Het stelt een systeem voor waarbij elk stukje informatie, elke berekening en elke conclusie permanent gestempeld, getypeerd en aan elkaar gekoppeld is op een manier die nooit vervalst of verloren kan worden. Het gaat om het bouwen van een database die niet alleen feiten opslaat, maar de garantie voor die feiten opslaat—het bewijs dat ze waar zijn.

Het Paper: Het Bouwen van een "Waarheidsmachine" voor de Wetenschap

Het paper introduceert Eigenius, een nieuw soort database die specif{%} specifiek is ontworpen voor het tijdperk van AI-wetenschappers. De auteurs, Hans-Martin Will, A. L. Brown Jr., en Matthew Fuchs, stellen dat de huidige manier waarop we wetenschappelijke gegevens opslaan te rommelig is voor machines om te vertrouwen. Vandaag de dag zijn wetenschappelijke argumenten vaak slechts "vluchtige webben"—tijdelijke verbindingen tussen scripts en verhalen die moeilijk te auditeren zijn. Als een AI-agent probeert deze te lezen, kan hij er niet zeker van zijn of de wiskunde correct is uitgevoerd of dat de gegevens onderweg zijn gewijzigd.

Eigenius lost dit op door data te behandelen als een hoogbeveiligde kluis waar elk item een permanente, onveranderlijke ID-kaart heeft. Hier is hoe het werkt, met behulp van enkele leuke analogieën:

1. De "Epistemische" ID-kaart (Weten wat je weet)
In Eigenius krijgt elk stukje data een specifieke "epistemische status" tag. Denk hierbij aan een kleurgecodeerde badge op een dossier van een detective:

Declared (Verklaren): "Ik zeg dat dit waar is omdat een autoriteit het zo heeft gezegd." (Nog geen bewijs).
Observed (Geobserveerd): "Ik heb dit met een machine gezien gebeuren." (Bewijs uit de echte wereld).
Derived (Afgeleid): "Ik heb dit berekend op basis van andere feiten." (Wiskunde uitgevoerd door de computer).
Verified (Geverifieerd): "Ik heb een formeel, door een machine gecontroleerd bewijs dat dit 100% waar is." (De gouden standaard).

Het systeem dwingt je om een badge te kiezen voor elk stukje data voordat je het kunt opslaan. Je kunt niet zomaar een getal dumpen; je moet bewijzen waar het vandaan komt. Dit verandert de "auditvraag" ("Hoe weet je dat?") in een structureel onderdeel van de database zelf, in plaats van iets dat je later moet raden.

2. De "Institutionele" Brug (De Universele Vertaler)
Wetenschap gebruikt veel verschillende talen. Het ene lab gebruikt misschien Python, een ander een wiskundig hulpmiddel genaamd Lean, en een derde een statistisch programma. Normaal gesproken is het verbinden van deze systemen also't proberen een boek te vertalen van Engels naar Frans naar Japans en weer terug naar Engels—fouten sluipen erin en de oorspronkelijke betekenis gaat verloren. Dit wordt de "polystore bottleneck" genoemd, en het wordt heel duur (wiskundig gezien is het een $O(N^2)$ -probleem, wat betekent dat het heel snel rommelig wordt).

Eigenius introduceert Institutions (Instituten). Stel je deze voor als gespecialiseerde "ambassades" of "vertalingscabines" binnen de database. Wanneer data van het ene systeem naar het andere beweegt, wordt het niet simpelweg gekopieerd; het wordt vertaald door een strikt, getypeerd protocol genaamd een comorphism. Het systeem controleert de vertaling voordat het wordt opgeslagen. Als de wiskunde niet perfect overeenkomt, wordt de vertaling afgewezen. Dit zorgt ervoor dat wanneer data tussen verschillende wetenschappelijke tools beweegt, het exact aankomt zoals het vertrok, zonder verlies van betekenis.

3. Het "Lean" Bewijs (De Magische Spellingcheck)
Voor pure wiskunde gebruikt Eigenius een krachtig hulpmiddel genaamd Lean 4. Zie Lean 4 als een spellingcontrole die niet alleen controleert op typefouten, maar ook of de hele zin logisch zinvol is. In Eigenius draait deze controle binnen de database zelf. Wanneer een wetenschapper beweert dat een wiskundig theorema waar is, neemt de database niet simpelweg het woord van de wetenschapper aan; het draait het bewijs door zijn eigen interne "spellingcontrole" om het te verifiëren. Als het bewijs standhoudt, krijgt de claim het label "Verified". Als het faalt, wordt het afgewezen. Dit gebeurt onmiddellijk, zonder dat er een externe computer hoeft te worden aangeroepen, wat het snel en veilig maakt.

4. De "Onveranderlijke" Keten (Het Onbreekbare Grootboek)
Alles in Eigenius wordt op een content-addressed manier opgeslagen. Stel je een bibliotheek voor waar elk boek niet wordt geïdentificeerd door de titel, maar door een unieke vingerafdruk van de werkelijke woorden. Als je zelfs maar een komma in een boek verandert, verandert de vingerafdruk en wordt het een compleet ander boek. Dit betekent dat de geschiedenis van de data een keten is van deze vingerafdrukken (een Merkle-boom). Als iemand stiekem een eerder experiment probeert te wijzigen, komt de vingerafdruk niet overeen en weet het systeem dat onmiddellijk.

De Grote Test: Een Beroemde Studie Herschrijven

Om te bewijzen dat dit systeem werkt, hebben de auteurs het niet alleen gebouwd; ze hebben het gebruikt om een beroemde wetenschappelijke studie te herdoen die werd gepubliceerd in het tijdschrift Nature. Deze studie ging over een specif kind enzym (WRN helicase) en de rol ervan bij kanker. De originele studie werd geschreven met kwetsbare scripts en tijdelijke bestanden.

Het team nam de originele data en bouwde het hele argument opnieuw op binnen Eigenius. Ze veranderden de "vluchtige scripts" in een solide, permanente "bewijsgrafiek".

Het Resultaat: Alle 52 afgeleide conclusies van de studie hielden stand bij controle tegenover de vastgelegde data.
De Verrassing: Het proces legde vier discrepanties bloot tussen de tekst van de originele paper en de werkelijke data. Bijvoorbeeld, de originele paper zei dat een steekproefomvang 54 was, maar de data toonden aan dat het er eigenlijk 51 waren omdat sommige rijen ontbraken. Een andere fout betrof een statistische berekening die van de orde van grootte dertien grootheden afweek (dat is een enorm verschil!).

Dit waren niet zomaar "oeps"-momenten; ze werden geregistreerd als machine-controleerbare feiten, naast de originele claims. Het systeem liet zien dat door elke stap te dwingen een "getypeerde bron" te zijn, de verborgen fouten in de originele studie onmogelijk te negeren waren.

Waarom dit Belangrijk Is

Het paper suggereert dat naarmate AI-agenten meer wetenschap op eigen houtje gaan doen, we niet kunnen vertrouwen op rommelige, tijdelijke bestanden. We hebben een "kernel" (een kernmotor) nodig die het typesysteem, de opslag en de vertaalregels tegelijkertijd beheert. Eigenius stelt voor dat door de "audit trail" een permanent onderdeel van de datastructuur te maken, we een wetenschappelijke fundering kunnen bouwen die robuust genoeg is zodat machines erop kunnen vertrouwen.

De auteurs geven toe dat dit een prototype is en dat er nog steeds openstaande vragen zijn, zoals hoe ze perfect kunnen bewijzen dat hun "getypeerde samenvoegingen" altijd werken. Echter, hun experiment met de Nature-studie suggereert dat deze aanpak levensvatbaar is. Het verandert de wetenschappelijke methode van een verhaal dat we vertellen in een keten van bewijs waar we stap voor stap doorheen kunnen lopen, waarbij een machine elke schakel controleert. Het gaat niet alleen om het opslaan van data; het gaat om het opslaan van de garantie voor de waarheid.

Technische Samenvatting: Eigenius: Een Getypeerd Knowledge-Graph DBMS met Epistemische Stratificatie en Instituut-Gemedieerde Redenering

1. Probleemstelling

De opkomst van autonome "AI-wetenschappers" die het Model Context Protocol (MCP) gebruiken om onderzoeksloops aan te sturen, heeft kritieke beperkingen blootgelegd in de huidige wetenschappelijke data-infrastructuur. Bestaande systemen vertrouwen op efemere scripts en narratieve proza, wat resulteert in fragiele pipelines waarbij handmatige auditing mogelijk is voor mensen, maar onvoldoende is voor autonome agenten die behoefte hebben aan cryptografisch beveiligde, volledig doorloopbare bewijsketens.

Eerdere pogingen om machine-auditbare wetenschap te formaliseren, zoals het Pharos-project uit 2008, faalden omdat ze vertrouwden op een gefedereerde architectuur. Pharos verbond uiteenlopende subsystemen (SQL Server, DataNet, HOL-stellingbewijzers) via opake, aangepaste bruggen. Deze aanpak miste een verenigde kernel, wat leidde tot:

Ontologische fragmentatie: Schema- en instantiedata leefden in verschillende categorieën.
Gebrek aan structurele invarianten: Cross-systeemtranslaties waren efemere processen en werden niet formeel gecontroleerd.
Polystore-bottlenecks: Het integreren van $N$ systemen vereiste $O(N^2)$ paargewijze adapters.
Onvermogen om redenering te verenigen: Empirische rechtvaardigingslogica en formele wiskundige bewijzen werden door aparte engines afgehandeld zonder een gedeeld typesysteem.

De kernuitdaging is het bouwen van een databasearchitectuur die de "auditvraag" ("wat weet je, en wat is je garantie?") behandelt als een structurele invariant van het datamodel zelf, in plaats van een eigenschap die over subsystemgrenzen heen wordt gereconstrueerd.

2. Methodologie en Architectuur

Eigenius is een open-source, getypeerde knowledge-graph DBMS gebouwd op een verenigde wiskundige kernel. Het vervangt gefedereerde stacks door een enkele architectuur die het typesysteem, de storage engine en het integratieprotocol nauw met elkaar koppelt.

Kernzuilen

Afhankelijke Type Theorie (EigenTT): De kernel gebruikt een afhankelijke type-theorie (CIC-familie) die door de kern is geweven. Schema en data zijn verenigd; het declareren van een klasse is simpelweg het committen van een resource. De eenheid van commit is een layer—een onveranderbare resource set met een parent pointer. De identiteit van een layer is content-addressed (SHA-256 van de canonieke CBOR), wat een Merkle-commitment vormt voor de graph-historie.
Epistemische Stratificatie: Elke resource draagt een epistemische status die wordt afgedwongen als een strikte commit-time invariant. Het systeem maakt onderscheid tussen:
- Declared (Gedeclareerd): Autoriteit zonder bewijs (gecontroleerd op welgevormdheid).
- Observed (Geobserveerd): Vastgelegd met externe provenance.
- Derived (Afgeleid): Geproduceerd door getypeerde computatie.
- Verified (Geverifieerd): Draagt een formeel gecontroleerde bewijsterm.
  Deze stratificatie is gebaseerd op rechtvaardigingslogica, waarbij garanties niet allemaal feitelijk zijn, aangezien wetenschappelijke claims steunen op observaties en conventies die niet door een prover kunnen worden weggewerkt.
Instituut-Gemedieerde Redenering: Om externe reasoners (ODE-solvers, stellingbewijzers) te integreren, past Eigenius Goguen en Burstall instituten aan als een sterk getypeerde generalisatie van stored procedures.
- Comorfismen: Cross-systeemtranslaties worden gemodelleerd als comorfismen—sterk getypeerde ETL-pipelines die natief binnen de engine worden uitgevoerd.
- Commit-Time Checking: Translaties worden tijdens de commit statisch gecontroleerd. Als een transformatie $m: S \to T$ niet overeenkomt met de payload-types, wordt deze afgewezen als een schemaviolatie.
- Materialisatie: In tegen tegenstelling tot traditionele gefedereerde databases waar translaties efemer zijn, materialiseert Eigenius de output van een comorfisme direct in de graph als een duurzame, content-addressed resource.

Integratie van Formele Verificatie

Om de uitdaging aan te gaan van het verifiëren van opake bewijslasten zonder IPC-overhead (Inter-Process Communication), lost Eigenius dit op via:

In-Process Checking: De kernel koppelt een minimale Rust term checker (nanoda_lib) direct in de binary.
Afhankelijke Paren: Een geverifieerde claim wordt opgeslagen als een afhankelijk paar $(P, t)$ , waarbij $P$ de propositie is (native aan EigenTT) en $t$ de bewijslast (opake Lean 4 bytes).
Het Bindingsprobleem: Bij de commit voert de kernel een drieledige controle uit: (1) bewijsvaliditeit via de in-process checker, (2) spiegelcorrespondentie (het mappen van Lean-constanten naar chain class IRIs), en (3) ankerconsistentie (hashen van de bronarchieven).

Querytaal (EigenQL)

EigenQL is een getypede gestratificeerde Datalog met aggregatie en twee specifieke clausules voor institutionele settings:

FIBER: Stuurt de executie halverwege de query naar een extern instituut.
INTO: Verankert de respons van de externe engine terug in de chain bij een genoemde IRI, wat de commit-pipeline triggert.

3. Belangrijkste Bijdragen

Het artikel schetst vier primaire bijdragen:

C1: Verenigd Datamodel: Een zelfbeschrijvend getypeerd-graph model dat empirische rechtvaardigingslogica en formele wiskundige bewijsvoering verenigt. De epistemische status is een structurele basisklasse die bij de commit wordt afgedwongen. Formele verificatie wordt afgehandeld via een ingebed in-process term checker die opake bewijslasten aan het schema bindt zonder IPC.
C2: Institutioneel Integratieprotocol: De introductie van instituten in de databasewereld als sterk getypeerde generalisaties van stored procedures. Cross-systeemtranslaties (comorfismen) worden tijdens de commit statisch gecontroleerd en gematerialiseerd als duurzame resources.
C3: Eliminatie van Polystore-Bottlenecks: Door een gedeelde, sterk getypeerde Intermediate Representation (IR) natief in het schema van de graph te tillen, worden comorfisme-transformaties tussen systemen die diezelfde IR delen gereduceerd tot pure identiteit, wat de $O(N^2)$ adapterkosten elimineert.
C4: End-to-End Replicatie: Een volledige herberekening en hercodering van een gepubliceerde Nature-studie (Chan et al. over WRN helicase), waarbij de overstap is gemaakt van fragiele scripts naar een gematerialiseerde bewijsgraf.

4. Resultaten en Evaluatie

Het prototype, geschreven in Rust met RocksDB storage en een gRPC API, is geëvalueerd via microbenchmarks en een macro-evaluatie.

Microbenchmark (Ingestie): Het systeem nam WordNet en UMLS lexiconen op (9.19M chain resources) op. Het behield een snelheid van ongeveer 5.200 gevalideerde resources per seconde op een enkele core. De commit gate is de primaire kostenpost, waarbij structurele class layers laden met ~28k/s en strikt getypeerde lexicale entries met ~4k/s.
Macro-evaluatie (Replicatie Nature-studie): Het systeem voerde een hoogwaardige studie opnieuw uit die genome-wide dependency screens, wet-lab validatie en in vivo modellen omvatte.
- Consistentie: Alle 52 afgeleide conclusies bleken stand te houden vanuit de gepinde data.
- Discrepantie Detectie: De herberekening bracht vier machine-gecontroleerde discrepanties aan het licht tussen de tekst van het artikel en de data, waaronder een gecorrigeerde steekproefomvang ( $n=54 \to 51$ ) en een pseudoreplicatiefout waarbij de eerlijke $p$ -waarde met dertien grootheden verschilde.
- Auditbaarheid: Elke analyseklasse in het artikel draait live; aannames zijn inspecteerbare resources in plaats van tekstuele kanttekeningen.

5. Betekenis en Claims

Het artikel beweert dat Eigenius het noodzakelijke databasekernel biedt om de volgende generatie AI-gestuurde wetenschappelijk onderzoek te ondersteunen. De betekenis ligt in:

Structurele Invarianten: Het transformeert data-provenance en epistemische status van post-hoc reconstructies naar structurele invarianten van het datamodel.
Agent-Ready Infrastructuur: Het adresseert de "agent inversie", waarbij autonome agenten een nauwe loop van type-checking en testen (een "compiler" en "test suite") nodig hebben voor wetenschappelijke redenering, wat efemere scripts niet kunnen bieden.
Verenigde Epistemologie: Het verenigt succesvol twee domeinen van wetenschappelijke epistemologie—rechtvaardigingslogica voor empirische wetenschap en formele verificatie voor wiskunde—binnen één enkele engine.
Verifieerbare Auditketens: Het maakt een "gesloten auditketen" mogelijk waarbij een auditor de volledige bewijsplaad van een verdict terug naar de ruwe data en bewijstermen kan herlopen met enkel de graph, zonder contact op te nemen met tussenliggende middleware.

De auteurs erkennen beperkingen, waaronder de beslissing om Wasm te verlaten ten gunste van containerized substraten om zware native bibliotheken te ondersteunen, en de voortdurende noodzaak om de validator en de comorfisme type-checker te mechaniseren. Het uiteindelijke doel is om een AI-wetenschapper in staat te stellen wetenschappelijke grafen te doorlopen, te muteren en te verifiëren zonder menselijke tussenkomst.