GEUL不否定维基数据，而是站在维基数据之上。

没有词典就无法创造语言

语言需要词汇表。

韩语有韩语词典。 英语有英语词典。 编程语言有标准库。

人工语言也是如此。 实体列表、关系列表、属性列表。 “三星电子"在这种语言中对应什么编码？ “首都（capital）“这种关系对应什么编码？ 有了词汇表才能写句子。

词汇表怎么构建？ 有两种方式。

从零开始构建。 或者直接利用已有的。

从零开始构建：CYC的教训

CYC项目始于1984年。

目标是将通用常识知识形式化并存储。 本体论从头设计。 定义概念、定义关系、定义规则。 由专家手工录入。

三十年过去了。 数百万条规则被录入。

然而，要覆盖世界的知识，这远远不够。 每个领域都需要单独设计本体论。 跨领域的一致性难以维持。 每当出现新概念，就必须修改本体论。 修改与现有规则冲突的情况屡见不鲜。

CYC证明的不是可能性，而是局限性。 由少数专家设计世界的本体论， 一旦规模扩大就无法维持。

已有的东西：维基数据

维基数据（Wikidata）始于2012年。

由维基媒体基金会运营的结构化知识库。 任何人都可以编辑。 截至2024年，拥有超过1亿个实体。 超过1万个属性。 数十亿条陈述。 支持300多种语言的标签。

CYC用专家团队30年未能达到的规模， 维基数据用社区在10年内实现了。

看看维基数据提供了什么。

实体标识符。 Q-ID。三星电子是Q20718。首尔是Q8684。李舜臣是Q217300。全球唯一标识符，与语言无关。

属性标识符。 P-ID。“总部所在地"是P159。“成立日期"是P571。“人口"是P1082。关系和属性被唯一标识。

层级结构。 P31（instance of）和P279（subclass of）构成类型层级。“首尔 → 城市 → 人类聚居地 → 地理实体。“世界的分类体系通过这两个属性来表达。

多语言标签。 Q20718的中文标签是"三星电子”，英文标签是"Samsung Electronics”，日文标签是"サムスン電子”。标识符唯一，名称因语言而异。

社区验证。 数百万编辑者。反破坏检测。来源要求。虽不完美，但比少数专家更具扩展性。

没有理由从头构建这些。

GEUL的词汇表来自维基数据

GEUL的SIDX（Semantic-aligned Index）是64位语义对齐标识符。 比特本身包含语义信息。 仅看高位比特，就能判断"这是人、地点还是组织”。

SIDX码本——哪种比特模式对应哪种含义——从维基数据中提取。

过程如下。

第一步：类型提取。 从维基数据中提取所有作为P31（instance of）宾语使用的Q-ID。 这就是"类型"列表。 “人类（Q5）"、“城市（Q515）"、“国家（Q6256）"、“企业（Q4830453）"…… 统计每种类型被使用了多少次——即实例数。

第二步：层级构建。 提取类型之间的P279（subclass of）关系。 “城市 → 人类聚居地 → 地理实体 → 实体。” 由此形成类型的树形结构。 识别根节点、叶节点和中间节点。 检测并处理多重继承——一个类型属于多个父类型的情况。

第三步：比特分配。 树的结构决定比特模式的前缀关系。 属于同一父类型的子类型共享相同前缀。 “城市"和"城镇"共享"人类聚居地"的前缀。

实例数影响比特长度。 高频类型获得更高效的编码。 与霍夫曼编码原理相同：高频者分配短码。

维基数据提供了什么

在这个过程中，维基数据提供了三样东西。

分类体系。 对"世界上有哪些种类的事物"的回答。 CYC由专家团队来设计。 GEUL从维基数据中提取。 将数百万编辑者用10年达成共识的分类体系， 转化为比特树。

频率统计。 对"世界上每种事物有多少"的回答。 如果人类实体有900万个而小行星有100万个， 那么"人类"这一类型就应该获得比"小行星"更高效的编码。 实际使用频率决定编码设计。

标识符映射。 维基数据的Q-ID与GEUL的SIDX之间的映射。 Q20718（三星电子）在SIDX中对应哪种比特模式？ 有了这个映射，维基数据的知识就能转换为GEUL， GEUL的陈述也能反向转换为维基数据。

维基数据未提供的

维基数据是词典。词典不是语言。

词典提供词汇列表。 语言提供用词汇造句的语法。

维基数据未提供的，正是GEUL所补充的部分。

从事实到主张。 维基数据的基本单位是事实（Fact）。 “首尔的人口为974万。” 非真即假。

GEUL的基本单位是主张（Claim）。 “根据A，首尔的人口约为974万。（确信度0.9，时间点2023年）” 谁在主张、确定性有多高、基于何时——这些都嵌入在陈述中。 这一区别在为什么是主张而非事实中详细讨论。

动词限定词。 维基数据没有表达动词细微差别的位置。 在"李舜臣在鸣梁海战中获胜"中， 时态、体、证据性、语气、确信度在哪里？ 在维基数据中，这些通过限定符部分表达， 但没有系统化的动词限定体系。

GEUL拥有28位动词限定符系统。 13个维度——时态、体、极性、证据性、语气、意志性、确信性等—— 结构性地嵌入每一条陈述中。

16位压缩。 维基数据的表示不是为上下文窗口设计的。 JSON-LD、RDF、SPARQL。 机器可读，但token效率不高。

GEUL以16位字为单位设计。 与LLM的token一一映射。 这是以上下文窗口有限为前提的表示体系。 这在为什么MD/JSON/XML不行中已经讨论过。

上下文管道。 维基数据是存储库。GEUL是管道的一部分。 澄清、验证、过滤、一致性检查、探索——本系列讨论的一切， 都在GEUL的结构化表示之上运行。 维基数据没有这个管道。 也不需要。因为维基数据的目的不同。

词典与语言的关系

总结如下。

维基数据是世界的词汇表。 哪些实体存在， 哪些关系存在， 哪些类型存在以及它们如何分类。 数百万人用10年构建了它。

GEUL在这个词汇表之上构建语法。 词汇表的分类体系 → SIDX的比特树。 词汇表的频率统计 → 比特分配的优先级。 词汇表的标识符 → 与SIDX的映射。

并补充词汇表所缺少的。 主张的结构。动词的限定。token级别的压缩。上下文管道。

没有维基数据能构建GEUL吗？ 可以。像CYC一样从头设计本体论即可。 但那是30年前的尝试，结果已经摆在眼前。

因为维基数据的存在，GEUL不设计本体论。 而是转化已有的共识。

摘要

人工语言需要词汇表。 从头构建词汇表是CYC的尝试，30年证明了其局限性。

维基数据是世界的词汇表，拥有超过1亿个实体、超过1万个属性和数十亿条陈述。 由数百万编辑者用10年构建。

GEUL的SIDX码本从维基数据中提取。 P31的实例频率决定比特分配， P279的层级结构构成比特树的骨架。

维基数据是词典，GEUL是语言。 词典提供词汇，语言提供语法。 GEUL在维基数据的词汇表之上构建主张结构、动词限定、16位压缩和上下文管道。

GEUL不否定维基数据。 它站在维基数据之上。