An Explicit World Model Based on Data-First Ontology: DaoQL Multimodal Storage Validation and Counterfactual Reasoning Evaluation
本文提出了 DaoQL，一种数据优先的本体论，它将确定性知识从大语言模型推理引擎中解耦为显式的多模态数据库，并通过实证验证表明，与隐式神经模型相比，该架构显著增强了反事实可分解性，并缓解了诸如幻觉之类的结构性风险。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正试图构建一个超级聪明的机器人，能够帮助医生诊断疾病或帮助银行家识别欺诈。为了实现这一目标，你通常需要通过喂给机器人海量的文本，让它学习其中的模式，直到它“感觉”自己了解了这个世界。这就是现代人工智能的工作方式：它将知识存储在一个巨大的、混乱的数字网络中，称为“神经权重”。你可以把它想象成一个人类大脑，它背下了十亿本书，但当你想让它展示为什么认为某件事是真的时，它却无法指出具体的某一页。问题在于，这个大脑是一个“黑盒”。如果你问它一个棘手的问题，它可能会编造事实（幻觉），它无法在世界发生变化时轻松更新其事实，而且很难解释其推理过程。科学家称之为“隐式世界模型”，因为世界的规则隐藏在数学之中，而不是清晰地写出来。
为了解决这个问题，一种被称为“数据优先本体论”（data-first ontology）的新想法建议我们停止隐藏规则。与其让 AI 去猜测事实，不如给它一个清晰、有序的图书馆，其中每个事实都存储在一个特定的地址，就像一个组织良好的文件柜。在这种设定下，AI 只是那个知道如何与你交流并解决谜题的聪明图书管理员，而实际的事实则存在于图书馆的数据库中。这篇论文探讨了一个名为 DaoQL 的系统，它试图构建这样一个图书馆。它提出了一个问题：如果我们将“思考”与“认知”分离，让 AI 只负责从库中读取事实，我们能否让机器人变得更诚实、更容易修复，并且更擅长回答“如果……会怎样”的问题？
论文的核心思想：图书馆 vs. 黑盒
本文作者认为，目前人工智能的工作方式就像是要求一名学生在大脑中背诵整部百科全书。如果你问：“法国的首都是哪里？”学生可能会因为听过无数次而给出正确答案。但如果你问：“如果法国昨天把首都改到了里昂呢？”学生可能会感到困惑、混淆旧记忆，或者干脆编造一个故事。他们无法在不破坏其他内容的情况下，轻松地“编辑”自己的大脑以删除旧事实并插入新事实。
这篇论文提出了一种不同的方法：显式世界模型。想象一下，你拥有的不再是一个靠记忆工作的学生，而是一个拥有超级有序图书馆的机器人。
- 图书管理员（AI）： 这是大语言模型（LLM）。它擅长理解你的问题并使用人类语言进行交流。
- 图书馆（DaoQL）： 这是一个专门存储事实的特殊数据库。它使用六个构建模块：存在（Being）（一个事物，如人或产品）、定义（Def）（该事物的本质）、类型（Type）（类别）、关系（Relation）（事物间的连接方式）、契约（Contract）（它们必须遵守的规则）以及版本（Version）（变更的历史记录）。
主要发现是，通过将“硬事实”移入这个图书馆并让 AI 仅负责从中读取，系统会变得更加可靠。论文在数学上证明了这种设定实现了**“可组合的反事实解构性”（composable counterfactual decomposability）**。这是一种高级说法，意思是：“如果你改变了图书馆中的一个事实，机器人可以完美地计算出该变化如何影响答案，而不会产生混乱或创造新的规则。”
他们实际构建并测试了什么
团队构建了一个名为 DaoQL 的系统来测试这个想法。他们不仅是在空谈，还构建了这个图书馆并进行了实验，以观察其速度和准确性。
1. “如果……会怎样”测试（反事实测试）
他们进行了一项包含 1,250 个问题的大规模实验，涵盖五个领域：医学、金融、供应链、法律和定价。他们要求 AI 想象变化，例如：“如果这位患者有不同的过敏史会怎样？”或“如果这家供应商破产了会怎样？”
- 结果： 当 AI 单独工作（仅依靠其记忆）时，其“如果……会怎样”的回答正确率仅为 45%。但当 AI 使用 DaoQL 图书馆来核实事实时，正确率达到了 94%。这是一个巨大的飞跃！图书馆帮助 AI 停止了猜测，开始基于真实规则进行计算。
2. 速度与效率
他们还测试了该图书馆查找答案的速度。他们在单台计算机上将其与其他系统进行了对比（以确保公平）。
- 图遍历（Graph Traversal）： 寻找事物之间的联系（例如“谁认识谁？”）仅需 1.20 毫秒。这比人类眨眼的速度还要快。
- 搜索相似项目： 在列表中寻找相似项仅需 83.1 微秒。
- 混合查询： 当他们提出一个需要同时查看文本、数字和连接关系的复杂问题时，耗时为 105.8 微秒。
3. 他们尚未做到的事情（“待办事项”列表）
了解这篇论文没有解决哪些问题非常重要。作者对此非常坦诚。
- 尚未实现魔力智能体（Magic Agent）： 他们构建了图书馆和“思考”部分，但尚未完全构建出“智能体”（即去执行任务的机器人）。这仍是未来的计划。
- 非十亿级规模系统： 他们在具有 64GB 或 128GB 内存的计算机上进行了测试。他们承认尚未在整个互联网的巨大规模上测试过。
- 某些性能瓶颈： 虽然大多数操作很快，但在搜索中文文本时比其他系统慢得多（在他们的测试中慢了约 40 倍），他们承认这是需要修复的弱点。
- 长尾问题： 当他们尝试运行复杂的社交网络模拟（LDBC SNB）时，系统在处理最难的问题时变得非常慢，耗时从几秒甚至几分钟不等。
为什么这很重要
论文指出，可靠人工智能的未来不在于让 AI 的大脑变得更大或更复杂，而在于为 AI 提供一个更清晰、更明确的存储事实的地方。
作者表明，当你将“认知”（数据库）与“思考”（AI）分离时，你得到的系统是：
- 更诚实： 当你必须先查阅事实时，产生幻觉变得更加困难。
- 更容易修复： 如果一个事实错了，你只需更新图书馆中的条目。你不需要重新训练整个 AI 大脑。
- 可解释性： 你可以追踪究竟是哪个事实导致了哪个答案，就像追踪面包屑轨迹一样。
论文总结道，虽然这还不是一个面向所有公司的成品，但它证明了这种“数据优先”的构建 AI 的方式在数学上是成立的，并且在许多任务中在实践中更快。这是向着“不仅会猜测，而且真正了解自己在说什么”的机器人迈出的坚实一步。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。