GEUL לא דוחה את ויקינתונים. היא עומדת עליהם.


אי אפשר ליצור שפה בלי מילון

כל שפה צריכה אוצר מילים.

לקוריאנית יש מילון קוריאני. לאנגלית יש מילון אנגלי. לשפות תכנות יש ספריות סטנדרטיות.

כך גם לגבי שפה מלאכותית. רשימת ישויות, רשימת יחסים, רשימת תכונות. איזה קוד מייצג את “Samsung Electronics” בשפה הזו? איזה קוד מייצג את היחס “בירה”? צריך אוצר מילים לפני שאפשר לכתוב משפט.

איך בונים את אוצר המילים הזה? יש שתי דרכים.

לבנות מאפס. או להשתמש במה שכבר קיים.


לבנות מאפס: הלקח של CYC

פרויקט CYC התחיל ב-1984.

המטרה שלו הייתה לפרמל ולאחסן ידע כללי של שכל ישר. האונטולוגיה תוכננה מאפס. מושגים הוגדרו, יחסים הוגדרו, כללים הוגדרו. מומחים הזינו אותם ידנית.

שלושים שנה חלפו. מיליוני כללים הוזנו.

אבל זה היה רחוק מלכסות את הידע של העולם. כל תחום דרש תכנון אונטולוגיה נפרדת. שמירה על עקביות בין תחומים הוכחה כקשה. בכל פעם שמושג חדש הופיע, האונטולוגיה הייתה צריכה עדכון. עדכונים התנגשו תדיר עם כללים קיימים.

מה ש-CYC הוכיח לא היה הפוטנציאל שלו אלא הגבולות שלו. לתת לצוות קטן של מומחים לתכנן את האונטולוגיה של העולם הופך לבלתי ניתן לתחזוקה בקנה מידה גדול.


מה שכבר קיים: ויקינתונים

ויקינתונים (Wikidata) הושקו ב-2012.

בסיס ידע מובנה המנוהל על ידי קרן ויקימדיה. כל אחד יכול לערוך. לפי הדמפ מ-19 באוקטובר 2026, כ-121.97 מיליון ישויות. מתוכן 13,991 תכונות. כ-1.78 מיליארד הצהרות. תוויות ביותר מ-600 קודי שפה.

הקנה מידה ש-CYC לא הצליח להשיג ב-30 שנה עם צוות מומחים, ויקינתונים השיגו ב-14 שנים עם קהילה.

בואו נראה מה ויקינתונים מספקים.

מזהי ישויות. Q-ID. Samsung Electronics הוא Q20718. סיאול היא Q8684. יי סון-סין הוא Q217300. מזהים ייחודיים גלובלית. בלתי תלויים בשפה.

מזהי תכונות. P-ID. “מיקום מטה” הוא P159. “תאריך ייסוד” הוא P571. “אוכלוסייה” הוא P1082. יחסים ותכונות מזוהים באופן ייחודי.

מבנה היררכי. P31 (instance of) ו-P279 (subclass of) יוצרים היררכיית טיפוסים. “סיאול ← עיר ← יישוב אנושי ← ישות גיאוגרפית.” מערכת הסיווג של העולם מתבטאת דרך שתי התכונות האלה.

תוויות רב-לשוניות. התווית הקוריאנית של Q20718 היא “삼성전자”, התווית האנגלית היא “Samsung Electronics”, התווית היפנית היא “サムスン電子”. מזהה אחד, שמות שונים לכל שפה.

אימות קהילתי. עורכים מכל העולם. זיהוי ונדליזם. דרישת מקורות. לא מושלם, אבל יותר סקיילבילי מצוות קטן של מומחים.

אין סיבה לבנות את כל זה מאפס.


GEUL מעבירה את ויקינתונים כמו שהם

GEUL לא ממציאה מזהים חדשים לוויקינתונים. היא משתמשת בהם כמו שהם.

בדקדוק של GEUL יש Reference ייעודיים לוויקינתונים. WIKIDATA-QID כותב את המספר של Q-ID, ו-WIKIDATA-PID את המספר של P-ID, כמספר שלם ללא סימן. Q42 הוא המספר השלם 42. P31 הוא המספר השלם 31. מכיוון שאלה מספרים שלמים ולא מחרוזות, השוואה ביניהם אינה דורשת נרמול.

המסלול נראה כך.

שלב 1: טעינה ללא אובדן. wikipg טוען את דמפ ה-JSON של ויקינתונים ל-PostgreSQL. הוא שומר ישויות, תוויות, תיאורים, כינויים, הצהרות, מגדירים, מקורות וקישורי אתרים לפי סדר הדמפ, ומשמר כל שורה של הדמפ כלשונה. גם קובץ הדמפ עצמו נרשם (URL, גודל, סכומי ביקורת, ה-commit של הטוען). רק כשדבר אינו נזרק אפשר לבדוק אחר כך מה הועבר ומה דולג.

שלב 2: מסמך אחד לכל ישות. wikigeul קורא את הדמפ הטעון ומפיק מסמך GEUL אחד לכל פריט ולכל תכונה. המסמך מכיל תוויות, תיאורים, כינויים, הצהרות עם המגדירים והמקורות שלהן, וקישורי אתרים. כל השפות נכנסות לאותו מסמך. אין פיצול לפי שפה.

לכל המסמכים Issuer אחד: 0x00010000 (wikidata.geul.org). מזהה מסמך הוא 64 ביט. הבייט העליון הוא האות של סוג הישות, ו-56 הביטים התחתונים הם המספר שלה. המסמך של Q42 הוא 0x510000000000002a. ‏0x51 הוא Q, ו-0x2a הוא 42. המסמך של P31 הוא 0x500000000000001f. מה-hex לבדו אפשר לדעת לאיזו ישות שייך המסמך. מסמך אמיתי שלם אפשר לקרוא מתחילתו ועד סופו בדוגמה: פריט Wikidata.

שלב 3: ציטוט במספרים שלמים. בתוך ההצהרות, פריטים ותכונות נכתבים כמספרים שלמים. “Q42 הוא אדם (Q5)” הוא TRIPLE של שלושה מספרים שלמים: P31, ‏Q42 ו-Q5. המספר הזה הוא המספר שבמזהה המסמך. מכל הצהרה אפשר לעבור ישירות למסמך של מה שהיא מזכירה.

גם המקורות מועברים. מקור (reference) אחד בוויקינתונים הופך ל-SOURCE אחד ב-GEUL. ראש כל מסמך רושם מאיזה דמפ הוא הגיע ואיזה כלי (commit) המיר אותו.

שלב 4: פרסום בארכיוני pack. אי אפשר לפרסם 120 מיליון ישויות כ-120 מיליון קבצים. המסמכים נארזים בארכיון pack לכל Issuer, והרשומות נדחסות ב-zstd. הקורא מביא רק את המסמכים שהוא צריך, לא את כל הארכיון.

כרגע ההמרה נבדקת על הטווח Q1–Q10000. הלוך ושוב דרך ההמרה ההפוכה, הארכיון והשלמות נבדקים באופן ממצה. המרה מלאה ופרסום יבואו אחר כך.


SIDX בא אחר כך

Q-ID הוא מספר שניתן לפי סדר הרישום. מספרים קרובים אינם משמעויות קרובות. Q42 הוא דאגלס אדמס; Q41 היא יוון, ו-Q43 היא טורקיה.

GEUL חוקרת גם סוג אחר של מזהה. SIDX (Semantic-aligned Index), מזהה מיושר סמנטית שנותן ערכים קרובים לדברים קרובים במשמעות. המטרה היא לשים את המשמעות בביטים עצמם, כך שהביטים העליונים לבדם יגידו אם מדובר באדם, במקום או בארגון.

SIDX הוא עדיין מחקר שלפני v1. הדקדוק רק שומר לו מקום: ה-Reference ‏GEUL-SIDX. הרוחב שלו לא הוכרע. נבחנים 64 ביט, 256 ביט ואחרים, והבחירה תיעשה לפי הסטטיסטיקה. עדיין לא הוקצה אף SIDX. לכן מסמכי ויקינתונים של היום נכתבים עם Q-ID, בלי SIDX. כשיוקצו ערכי SIDX, המזהה הקיים וה-SIDX של אותו דבר יקושרו ב-SAME-NODE.

כאן ויקינתונים נכנסים שוב לתמונה. מחקר SIDX יוצא ממערכת הסיווג ומסטטיסטיקות התדירות של ויקינתונים. הכיוון הנבחן הוא זה.

חילוץ טיפוסים. לאסוף את ה-Q-ID המשמשים כמושא של P31 (instance of). זו רשימת “הטיפוסים”. “אדם (Q5)”, “עיר (Q515)”, “מדינה (Q6256)”, “מיזם עסקי (Q4830453)”… לספור את המופעים של כל טיפוס.

בניית היררכיה. לבנות עץ מיחסי P279 (subclass of) בין טיפוסים. “עיר ← יישוב אנושי ← ישות גיאוגרפית ← ישות.” כיצד לטפל בירושה מרובה, כשטיפוס אחד שייך לכמה טיפוסי-על, היא שאלה פתוחה.

הקצאת ביטים. מבנה העץ הופך ליחסי התחיליות של תבניות הביטים. תת-טיפוסים תחת אותו טיפוס-על חולקים את אותה תחילית. “עיר” ו"כפר" חולקים את התחילית של “יישוב אנושי”. טיפוסים עם מופעים רבים מקבלים תחילית קצרה יותר, כלומר מרחב מספרים רחב יותר. זה אותו רעיון כמו קידוד הופמן.

זו עדיין השערה. נותרו בעיות לפתור. SIDX שהוקצה אסור שיזוז כשהסטטיסטיקה משתנה. אסור שאותו ערך יוקצה לשני דברים. צריך גם להחליט באיזה פורמט לפרסם את ספר הקוד ואת הרישום.


מה ויקינתונים מספקים

במסלול הזה ויקינתונים מספקים שלושה דברים.

מזהים. התשובה ל"על מה בעולם אנחנו מצביעים?" Q-ID ו-P-ID הופכים כמו שהם ל-Reference שלמים של GEUL. אפשר להעביר את הידע של ויקינתונים למסמכי GEUL, ואפשר לקרוא מזהי ויקינתונים ישירות ממסמכי GEUL.

מערכת סיווג. התשובה ל"אילו סוגי דברים קיימים בעולם?" ב-CYC צוות מומחים תכנן זאת. GEUL לוקחת זאת מוויקינתונים. מטרת המחקר היא להפוך את מערכת הסיווג שהעורכים הסכימו עליה במשך 14 שנה לעץ הביטים של SIDX.

סטטיסטיקות תדירות. התשובה ל"כמה יש מכל סוג בעולם?" אם יש 9 מיליון ישויות אנושיות ומיליון אסטרואידים, הטיפוס “אדם” צריך לקבל קוד יעיל יותר מ"אסטרואיד". תדירות השימוש בפועל הופכת לבסיס לתכנון הקודים.


מה ויקינתונים לא מספקים

ויקינתונים הם מילון. מילון אינו שפה.

מילון מספק רשימת מילים. שפה מספקת דקדוק לבניית משפטים ממילים.

מה שוויקינתונים לא מספקים הוא מה ש-GEUL מוסיפה.

מעובדה לטענה. היחידה הבסיסית של ויקינתונים היא העובדה (Fact). “אוכלוסיית סיאול היא 9.74 מיליון.” אמת או שקר.

היחידה הבסיסית של GEUL היא הטענה (Claim). “לפי A, אוכלוסיית סיאול היא כ-9.74 מיליון. (ודאות 0.9, נכון ל-2023)” מי טוען, באיזו מידת ודאות ונכון למתי — כל זה חלק מההצהרה. הבדל זה נדון בפירוט בלמה טענות ולא עובדות.

מגדירי פועל. בוויקינתונים אין מקום לבטא את הדקויות של פעלים. ב"יי סון-סין ניצח בקרב מיונגניאנג", היכן הזמן, האספקט, הראייתיות, הדרך והוודאות? בוויקינתונים אלה מבוטאים חלקית באמצעות מגדירים, אבל אין מערכת שיטתית להגדרת פעלים.

GEUL מתכננת מערכת להגדרת פעלים שמצמידה באופן מבני לכל הצהרה ממדים כמו זמן, אספקט, קוטביות, ראייתיות, דרך, רצוניות וודאות. גם זו עבודה שלפני v1.

מילים של 16 ביט. הייצוגים של ויקינתונים לא תוכננו עבור חלונות הקשר. JSON-LD, ‏RDF, ‏SPARQL. קריאים למכונה, אבל לא יעילים בטוקנים.

GEUL היא רצף של מילים של 16 ביט. המילה הראשונה של רשומה (TAG WORD) מציינת את הסוג והאורך של אותה רשומה. אפשר לסנן ולדלג על רשומות גם בלי ספר קוד. זו מערכת ייצוג שנבנתה על ההנחה שחלון ההקשר סופי. זה כבר נדון בלמה לא MD/JSON/XML.

צינור הקשר. ויקינתונים הם מאגר. GEUL היא חלק מצינור. הבהרה, אימות, סינון, בדיקת עקביות, חקירה — כל מה שנדון בסדרה הזו פועל על הייצוג המובנה של GEUL. לויקינתונים אין את הצינור הזה. וגם לא צריך. המטרה של ויקינתונים שונה.


היחס בין מילון לשפה

לסיכום:

ויקינתונים הם אוצר המילים של העולם. אילו ישויות קיימות, אילו יחסים קיימים, אילו טיפוסים יש ואיך הם מסווגים. קהילה בנתה זאת במשך 14 שנה.

GEUL מניחה דקדוק על גבי אוצר המילים הזה. המזהים של אוצר המילים ← ה-Reference השלמים של GEUL. הערכים של אוצר המילים ← מסמך GEUL אחד לכל ישות. מערכת הסיווג וסטטיסטיקות התדירות של אוצר המילים ← חומר למחקר SIDX.

ומוסיפה את מה שחסר באוצר המילים. מבנה טענות. הגדרת פעלים. מילים של 16 ביט. צינור הקשר.

האם אפשר לבנות את GEUL בלי ויקינתונים? כן. אפשר לתכנן אונטולוגיה מאפס, כמו ש-CYC עשה. אבל זה נוסה לפני 40 שנה, והתוצאות ידועות.

מכיוון שוויקינתונים קיימים, GEUL לא מתכננת אונטולוגיה. היא מעבירה הסכמה שכבר קיימת.


סיכום

שפה מלאכותית צריכה אוצר מילים. בנייה מאפס היא מה ש-CYC ניסה, ו-30 שנה הוכיחו את גבולות הגישה.

ויקינתונים הם אוצר המילים של העולם, עם כ-120 מיליון ישויות וכ-1.78 מיליארד הצהרות (דמפ אוקטובר 2026). קהילה בנתה אותם במשך 14 שנה.

GEUL מעבירה את אוצר המילים הזה כמו שהוא. wikipg טוען את הדמפ ל-PostgreSQL ללא אובדן, ו-wikigeul הופך כל ישות למסמך GEUL אחד שמכיל את כל השפות. פריטים ותכונות מצוטטים כמספרים שלמים, והמסמכים מתפרסמים בארכיוני pack.

SIDX הוא המחקר הבא. הוא מתכנן מזהה מיושר סמנטית מתדירויות המופעים של P31 ומההיררכיה של P279. לא הרוחב ולא ההקצאות הוכרעו עדיין.

ויקינתונים הם מילון; GEUL היא שפה. מילון מספק מילים; שפה מספקת דקדוק. GEUL בונה מבנה טענות, הגדרת פעלים, מילים של 16 ביט וצינור הקשר על גבי אוצר המילים של ויקינתונים.

GEUL לא דוחה את ויקינתונים. היא עומדת עליהם.