GEULはウィキデータを否定しない。ウィキデータの上に立つ。
辞書なしに言語は作れない
言語には語彙が必要だ。
韓国語には韓国語辞典がある。 英語には英語辞典がある。 プログラミング言語には標準ライブラリがある。
人工言語も同じだ。 エンティティのリスト、関係のリスト、属性のリスト。 「サムスン電子」はこの言語でどのコードか。 「首都(capital)」という関係はどのコードか。 語彙がなければ文は書けない。
この語彙をどう作るか。 二つの方法がある。
ゼロから作る。 あるいは、既にあるものを使う。
ゼロから作る:CYCの教訓
CYCプロジェクトは1984年に始まった。
汎用的な常識知識を形式化して格納するという目標。 オントロジーをゼロから設計した。 概念を定義し、関係を定義し、規則を定義した。 専門家が手作業で入力した。
30年が過ぎた。 数百万の規則が入力された。
しかし、世界の知識をカバーするには遠く及ばなかった。 ドメインごとに別のオントロジーを設計しなければならなかった。 ドメイン間の一貫性を保つことが困難だった。 新しい概念が登場するたびにオントロジーを修正する必要があった。 修正が既存の規則と衝突するケースが頻繁だった。
CYCが証明したのは可能性ではなく限界だった。 少数の専門家が世界のオントロジーを設計するやり方は、 規模が大きくなると維持不可能になる。
既にあるもの:ウィキデータ
ウィキデータ(Wikidata)は2012年に始まった。
ウィキメディア財団が運営する構造化知識ベース。 誰でも編集できる。 2026年10月19日のダンプ時点で、エンティティ約1億2197万。 そのうち属性が13,991。 記述約17億8千万。 600を超える言語コードでラベル付け。
CYCが専門家チームで30年かけて達成できなかった規模を、 ウィキデータはコミュニティで14年で達成した。
ウィキデータが持つものを見よう。
エンティティ識別子。 Q-ID。サムスン電子はQ20718。ソウルはQ8684。李舜臣はQ217300。世界で唯一の識別子。言語に依存しない。
属性識別子。 P-ID。「本社所在地」はP159。「設立日」はP571。「人口」はP1082。関係と属性が一意に識別される。
階層構造。 P31(instance of)とP279(subclass of)でタイプ階層が形成される。「ソウル → 都市 → 人間の居住地 → 地理的実体。」世界の分類体系がこの二つの属性で表現される。
多言語ラベル。 Q20718の韓国語ラベルは「삼성전자」、英語ラベルは「Samsung Electronics」、日本語ラベルは「サムスン電子」。識別子は一つ、名前は言語ごとに異なる。
コミュニティによる検証。 世界中の編集者。荒らし検知。出典要求。完璧ではないが、少数の専門家チームよりスケーラブルだ。
これをゼロから作る理由はない。
GEULはウィキデータをそのまま移す
GEULはウィキデータのために新しい識別子を作らない。 そのまま使う。
GEULの文法には、ウィキデータを指す専用のReferenceがある。 WIKIDATA-QIDはQ-IDの数字を、WIKIDATA-PIDはP-IDの数字を、符号なし整数で書く。 Q42は整数42だ。P31は整数31だ。 文字列ではなく整数なので、同じかどうかの比較に正規化はいらない。
移す経路はこうだ。
ステップ1:無損失のロード。 wikipgがウィキデータのJSONダンプをPostgreSQLにロードする。 エンティティ、ラベル、説明、別名、記述、修飾子、出典、サイトリンクをダンプの順に保存し、 ダンプのすべての行を原文のまま残す。 ダンプファイル自体(URL、サイズ、チェックサム、ローダーのコミット)も記録する。 何も捨てないからこそ、何を移して何を飛ばしたかを後で確かめられる。
ステップ2:エンティティごとに文書一つ。 wikigeulがロード済みのダンプを読み、項目と属性ごとにGEUL文書を一つずつ作る。 ラベル、説明、別名、修飾子と出典の付いた記述、サイトリンクを収める。 すべての言語が一つの文書に入る。言語ごとには分けない。
すべての文書のIssuerは0x00010000(wikidata.geul.org)一つだ。
文書IDは64ビット。最上位バイトがエンティティ種別の文字で、下位56ビットが番号だ。
Q42の文書は0x510000000000002a。0x51はQ、0x2aは42だ。
P31の文書は0x500000000000001fだ。
hexを見るだけで、どのエンティティの文書かがわかる。
実際の文書一式は例: Wikidata 項目で最初から最後まで読める。
ステップ3:整数で引用する。 記述の中で、項目と属性は整数で書かれる。 「Q42は人間(Q5)である」は、P31、Q42、Q5の三つの整数からなるTRIPLEだ。 この整数がそのまま文書IDの番号になる。 どの記述からでも、その対象の文書へ直接たどれる。
出典も一緒に移す。 ウィキデータの出典(reference)一つが、GEULのSOURCE一つになる。 各文書の先頭には、どのダンプからどのツール(コミット)で移したかが記録される。
ステップ4:packアーカイブで公表する。 1億2千万のエンティティを1億2千万のファイルとして出すことはできない。 文書はIssuerごとのpackアーカイブにまとめ、レコードはzstdで圧縮する。 読む側はアーカイブ全体を取らず、必要な文書だけを取り出す。
いまはQ1–Q10000の範囲で変換を検証している。 逆変換の往復、アーカイブ、完全性を全数点検している。 全量変換と公表はその次だ。
SIDXはその次だ
Q-IDは登録順に振られた番号だ。 番号が近くても意味は近くない。 Q42はダグラス・アダムズで、Q41はギリシャ、Q43はトルコだ。
GEULは別の種類の識別子も研究している。 SIDX(Semantic-aligned Index)、意味の近い対象に近い値を与える意味整列識別子だ。 目標はビットそのものに意味を持たせることだ。 上位ビットを見るだけで「これは人か、場所か、組織か」がわかるように。
SIDXはまだv1以前の研究段階だ。 文法にはGEUL-SIDX Referenceの席だけがある。 幅は決まっていない。64ビットや256ビットなどを検討しており、統計を見て決める。 割り当て結果もまだない。 だからいまのウィキデータ文書は、SIDXなしでQ-IDで書く。 SIDXが割り当てられたら、同じ対象の既存の識別子とSIDXをSAME-NODEで結ぶ。
ここでウィキデータが再び使われる。 SIDXの研究は、ウィキデータの分類体系と頻度統計から出発する。 検討している方向はこうだ。
タイプ抽出。 P31(instance of)の目的語として使われたQ-IDを集める。 これが「タイプ」のリストだ。 「人間(Q5)」「都市(Q515)」「国(Q6256)」「企業(Q4830453)」…… 各タイプのインスタンス数を数える。
階層構築。 タイプ間のP279(subclass of)関係から木を作る。 「都市 → 人間の居住地 → 地理的実体 → 実体。」 一つのタイプが複数の上位タイプに属する多重継承をどう扱うかが課題だ。
ビット割り当て。 木の構造がビットの接頭辞の関係になる。 同じ上位タイプに属する下位タイプは同じ接頭辞を共有する。 「都市」と「村」は「人間の居住地」の接頭辞を共有する。 インスタンスの多いタイプには、より短い接頭辞、つまりより広い番号空間を与える。 ハフマン符号化と同じ発想だ。
これはまだ仮説だ。 解くべき問題が残っている。 統計が変わっても、割り当て済みのSIDXを動かしてはならない。 同じ値を二つの対象に割り当ててはならない。 コードブックとレジストリをどの形式で公開するかも決めなければならない。
ウィキデータが提供するもの
この経路でウィキデータが提供するものは三つだ。
識別子。 「世界の何を指すのか」への答え。 Q-IDとP-IDがそのままGEULの整数Referenceになる。 ウィキデータの知識をGEUL文書に移せるし、 GEUL文書からウィキデータの識別子をそのまま読める。
分類体系。 「世界にはどんな種類のものがあるか」への答え。 CYCはこれを専門家チームが設計した。 GEULはウィキデータから持ってくる。 編集者たちが14年かけて合意した分類体系を SIDXのビットツリーに移すことが研究の目標だ。
頻度統計。 「どの種類のものが世界にどれだけあるか」への答え。 人間のエンティティが900万で小惑星が100万なら、 「人間」というタイプは「小惑星」より効率的なコードを受け取るべきだ。 実際の使用頻度がコード設計の根拠になる。
ウィキデータが提供しないもの
ウィキデータは辞書だ。辞書は言語ではない。
辞書は単語のリストを提供する。 言語は単語から文を作る文法を提供する。
ウィキデータが提供しないものは、GEULが追加する部分だ。
FactからClaimへ。 ウィキデータの基本単位は事実(Fact)だ。 「ソウルの人口は974万だ。」 真か偽かである。
GEULの基本単位は主張(Claim)だ。 「Aによれば、ソウルの人口は約974万だ。(確信度0.9、時点2023)」 誰が、どれほど確かに、いつの時点で主張しているかが記述に含まれる。 この違いはなぜ事実ではなく主張なのかで詳しく論じる。
動詞限定詞。 ウィキデータには動詞の微妙さを表現する場所がない。 「李舜臣は鳴梁海戦で勝利した」において、 時制、相、証拠性、法、確信度はどこにあるのか。 ウィキデータではこれは修飾子で部分的に表現されるが、 体系的な動詞限定体系はない。
GEULは、時制、相、極性、証拠性、法、意図性、確信性といった次元を 記述に構造的に付ける動詞限定体系を設計している。 これもv1以前の課題だ。
16ビットワード。 ウィキデータの表現はコンテキストウィンドウのために設計されていない。 JSON-LD、RDF、SPARQL。 機械が読めるが、トークン効率は良くない。
GEULは16ビットワードの連なりだ。 レコードの最初のワード(TAG WORD)が、そのレコードの種類と長さを示す。 コードブックがなくてもレコードを選り分け、読み飛ばせる。 コンテキストウィンドウの有限さを前提とした表現体系だ。 これはなぜMD/JSON/XMLではだめなのかで既に論じた。
コンテキストパイプライン。 ウィキデータは保管庫だ。GEULはパイプラインの一部だ。 明確化、検証、フィルタリング、整合性検査、探索——このシリーズで論じたすべてが GEULの構造化された表現の上で動く。 ウィキデータにはこのパイプラインがない。 ある必要もない。ウィキデータの目的は違うのだから。
辞書と言語の関係
まとめるとこうなる。
ウィキデータは世界の単語帳だ。 どんなエンティティが存在するか、 どんな関係が存在するか、 どんなタイプがあり、それらがどう分類されるか。 これをコミュニティが14年かけて積み上げた。
GEULはこの単語帳の上に文法を載せる。 単語帳の識別子 → GEULの整数Reference。 単語帳の項目 → エンティティごとにGEUL文書一つ。 単語帳の分類体系と頻度統計 → SIDX研究の材料。
そして単語帳にないものを追加する。 主張の構造。動詞の限定。16ビットワード。コンテキストパイプライン。
ウィキデータなしでGEULを作れるか。 作れる。CYCのようにゼロからオントロジーを設計すればいい。 しかしそれは40年前に試みられ、結果が出ている。
ウィキデータがあるから、GEULはオントロジーを設計しない。 既に存在する合意を移す。
まとめ
人工言語には単語帳が必要だ。 単語帳をゼロから作ることはCYCが試み、30年がその限界を証明した。
ウィキデータは、約1億2千万のエンティティ、約17億8千万の記述を持つ世界の単語帳だ(2026年10月のダンプ時点)。 コミュニティが14年かけて積み上げたものだ。
GEULはこの単語帳をそのまま移す。 wikipgがダンプをPostgreSQLに無損失でロードし、 wikigeulがエンティティごとに、すべての言語を収めたGEUL文書を一つ作る。 項目と属性は整数で引用され、文書はpackアーカイブで公表される。
SIDXはその次の研究だ。 P31のインスタンス頻度とP279の階層から意味整列識別子を設計する。 幅も割り当てもまだ決まっていない。
ウィキデータは辞書であり、GEULは言語だ。 辞書は単語を提供し、言語は文法を提供する。 GEULはウィキデータの単語帳の上に、主張の構造、動詞限定、16ビットワード、コンテキストパイプラインを載せる。
GEULはウィキデータを否定しない。 ウィキデータの上に立つ。