GraphAI

Переношу на Lua как динамическую таблицу способностей персонажей.

Если персонаж будет использовать способность огня, условно, то она будет динамически менять свойства в зависимости от свойств других способностей других персонажей которые находятся рядом.

Например, огонь тухнет при воде и льде, а также на ветру может как потухнуть, так и усилится. Дурная бесконечность эмпиризма преодолевается динамической таблицей

Поэтому MURMUR для GraphAI является не готовым алгоритмом, а методологическим ориентиром. Особенно важна идея разделения процесса на отдельные операции, формирования нескольких возможных путей и оценки промежуточных состояний. Это позволяет перейти от декодирования как поиска подходящего узла к декодированию как поиску последовательности структурно допустимых преобразований.
В этом заключается один из следующих этапов развития GraphAI. Ранее основное внимание уделялось тому, как построить граф. Теперь возникает не менее важная задача — научиться работать с уже построенной структурой. Сам граф является только представлением информации. Для получения из него понятия необходим механизм, способный анализировать его структуру, выполнять над ней операции и выбирать между различными вариантами декодирования.
Таким образом, использование принципов MURMUR в GraphAI можно рассматривать как переход от простого обхода графа к многошаговому структурному поиску. Это не копирование существующей системы, а попытка адаптировать общий принцип модульного рассуждения к графу, построенному самим GraphAI.
Основная идея, к которой в итоге приходит проект: декодирование графа — это не чтение готового ответа, а поиск способа получить его посредством допустимых операций над структурой.

Самое интересное для меня оказалось в том, что к этой архитектуре GraphAI пришёл до того, как я начал разбирать MURMUR.
Сначала я пытался решить проблему декодирования собственного графа обычным поиском по связям. Затем стало очевидно, что этого недостаточно: один и тот же фрагмент графа может допускать несколько преобразований, а значит, декодер должен не просто находить узел, а рассматривать возможные операции над текущим состоянием и выбирать дальнейший путь.
Позже, изучая MURMUR, я обнаружил практически тот же общий принцип: рассуждение представляется как последовательность операций над промежуточными состояниями, а поиск организуется среди возможных путей.
То есть GraphAI и MURMUR пришли к сходной архитектурной идее независимо друг от друга, исходя из разных задач.
Для GraphAI это особенно интересно, потому что первоначально никакого MURMUR в архитектуре проекта не было. Не было заранее заданной схемы «модульного рассуждения». Она возникла как результат попыток решить собственную проблему декодирования графа.
Поэтому сейчас я воспринимаю MURMUR не как источник архитектуры GraphAI, а как независимое подтверждение направления, к которому проект пришёл экспериментально.

GraphAI начинает использовать методику MURMUR (2022)
В процессе разработки GraphAI возникла проблема, которая первоначально не была основной задачей проекта: каким образом декодировать уже построенный граф и получать из него не отдельную ассоциацию или наиболее частый связанный узел, а понятие, соответствующее структуре графа. При изучении существующих подходов к работе со структурированными данными обнаружилось, что близкая по архитектурному принципу задача рассматривалась в работе MURMUR — Modular Multi-Step Reasoning for Semi-Structured Data-to-Text Generation, опубликованной в 2022 году Swarnadeep Saha, Xinyan Yu, Mohit Bansal, Ramakanth Pasunuru и Asli Celikyilmaz.
MURMUR представляет интерес прежде всего своей организацией процесса рассуждения. Вместо непосредственного преобразования входной структуры в конечный результат система разбивает обработку на последовательность отдельных операций. Для этого используются модули, определяющие конкретные действия над данными, правила допустимой последовательности этих действий, функция оценки промежуточных состояний и поиск наиболее перспективного пути. Таким образом, система рассматривает получение результата не как единовременную генерацию, а как поиск последовательности преобразований исходного состояния. Работа была опубликована как препринт в 2022 году и позднее вошла в Findings of ACL 2023. Одним из рассматриваемых направлений было преобразование структурированных и полу-структурированных данных в текст.
История GraphAI складывалась иначе. Изначально задача проекта заключалась в построении собственного графового представления на основе текста. По мере развития графа в нём появились узлы, связи, parents, child, уровни и частоты. Изменялся не только объём графа, но и принципы его построения. В результате возникла следующая задача: если граф уже содержит определённую структуру, каким образом восстановить из неё смысл?
Первые варианты декодирования основывались преимущественно на поиске связанных узлов, переходах между уровнями и сравнении различных элементов графа. Однако такой подход постепенно показал свои ограничения. Простого поиска соседнего узла недостаточно, если структура графа допускает несколько вариантов интерпретации. Например, конструкция, в которой один узел связывает два других, может иметь более общий структурный элемент. Его использование не обязательно означает простую замену одного узла другим: изменение одного элемента может потребовать соответствующего преобразования всей конструкции. Поэтому декодирование начинает рассматриваться как последовательность операций над графовой структурой.
Именно здесь методика MURMUR представляет интерес для GraphAI. Речь не идёт о переносе исходного кода MURMUR или о создании копии этой архитектуры. Переносится общий принцип организации поиска. Текущее состояние графа рассматривается как исходное состояние декодера, после чего формируется набор допустимых операций. Каждая операция создаёт новое состояние, которое можно проверить с точки зрения структуры графа и сравнить с другими кандидатами. Затем выбирается наиболее перспективное состояние и процесс продолжается.
Такой подход меняет саму постановку задачи. Вместо вопроса «какой узел является ближайшим к данному?» возникает вопрос «какие операции допустимы над данной структурой и к каким состояниям они приводят?». Это позволяет рассматривать декодер не как механизм простого обхода графа, а как механизм поиска по пространству возможных преобразований.
При этом между MURMUR и GraphAI существует принципиальное различие. MURMUR рассматривает задачу преобразования уже существующей полу-структурированной информации в текст и использует многошаговое рассуждение для управления этим процессом. GraphAI развивается в противоположном направлении: текст используется для построения собственного графового представления, после чего возникает необходимость декодировать созданную структуру и восстановить из неё понятие.

значительный семантический шум и структурную двусмысленность. GraphAI навязывает чисто вертикальную иерархическую структуру, где все взаимодействия и логические разрешения между одноранговыми концепциями должны происходить исключительно через назначенные медиаторы более высокого уровня. Мы четко осознаем, что данное жесткое ограничение снижает собственную гибкость системы в обработке прямых ассоциативных связей или простых синонимов. Однако эта осознанная компромиссная мера необходима для поддержания абсолютной чистоты логической иерархии и предотвращения деградации структурной связности графа. В результате граф сохраняет свою строгую иерархическую природу, оставаясь при этом функционально полным инструментом для решения сложных аналитических задач. Медиаторы эффективно компенсируют это ограничение, предоставляя структурированный, диалектически обоснованный механизм разрешения противоречий однорангового уровня без ущерба для общей вертикальной целостности базы знаний.

В конечном счете, GraphAI представляет собой фундаментальный отход от преобладающих парадигм современного графового искусственного интеллекта, устанавливая новую методологическую базу для представления знаний. Синтезируя дискретную символьную топологию, диалектическую логику и строгий отказ от векторных пространств, мы создали систему, которая отдает приоритет логической строгости над статистическим приближением. Хотя мы признаем, что диалектические подходы к кибернетике и структурам данных имеют исторические прецеденты, GraphAI выступает как новаторская современная реализация, успешно кодирующая эти принципы без опоры на нейронные сети или непрерывные эмбеддинги. Система является не просто инкрементальным улучшением существующих моделей генерации с дополненным поиском, а отдельным онтологическим двигателем, предназначенным для абсолютной объяснимости и детерминированного вывода. Подобная парадигма открывает новые горизонты для создания экспертных систем, где точность и логическая непротиворечивость имеют критическое значение. Мы убеждены, что интеграция философской строгости с вычислительной эффективностью станет следующим важным этапом эволюции искусственного интеллекта. По мере продолжения разработки эта архитектура обещает обеспечить надежный, свободный от галлюцинаций фреймворк для сложного синтеза знаний, доказывая, что будущее надежного ИИ может лежать в строгой формализации логических структур.

Разработка современных графовых систем искусственного интеллекта преимущественно сосредоточена на прагматических инженерных задачах, однако фундаментальные архитектурные выборы определяют предельные возможности таких моделей. В то время как современные подходы, такие как GraphRAG и векторные представления графов знаний, оперируют преимущественно готовыми семантическими сущностями, извлеченными из текста, архитектура GraphAI использует принципиально иную базовую единицу. Мы оперируем чистыми символами, рассматривая буквы, математические знаки и базовые графические элементы как первичные узлы графа. Данный подход смещает фокус с немедленной лексической семантики на базовую структурную топологию. Конструируя синтаксический и структурный фундамент до этапа семантической интерпретации, мы избегаем изначального семантического шума, присущего предварительно извлеченным сущностям. Следовательно, смысл в нашей системе заключен не в самой лексеме, а строго вытекает из топологических отношений между дискретными символами. Это представляет собой сдвиг парадигмы от построения немедленной семантики к инженерному созданию строгого структурного субстрата, на котором впоследствии может быть возведена надежная семантическая надстройка.

Методологическая основа существующих графовых систем в значительной степени укоренена в статистическом прагматизме или геометрических пространственных представлениях, где смысл приравнивается к близости в векторном пространстве. В отличие от этого, GraphAI спроектирован на принципах диалектической логики, отдавая приоритет формальному разрешению противоречий над ассоциативным сходством. Вместо вычисления степени сходства между точками данных наша система оценивает диалектическое единство и различие концепций посредством формальной медиации. Это предполагает структурирование отношений не как горизонтальных ассоциаций, а через иерархические медиаторы, которые разрешают логические противоречия на более высоком уровне абстракции. Такой подход согласует вычислительный процесс со строгими философскими структурами диалектики, преобразуя граф из статического хранилища фактов в динамический механизм логического синтеза. Это позволяет системе выявлять глубинные структурные закономерности, недоступные для методов, основанных исключительно на поверхностном статистическом анализе. Формализуя эти диалектические отношения в топологии графа, мы обеспечиваем обработку информации системой на основе строгой логической необходимости, а не вероятностного приближения.

Критическим отличием GraphAI от гибридных и эмбеддинг-систем является полный архитектурный отказ от непрерывных векторных пространств. Хотя векторные представления высокоэффективны для быстрого приближенного поиска, они неизбежно вносят стохастичность и размывают точные границы дискретных концепций. Рассматривая каждый узел строго как дискретный, детерминированный объект, а не как точку в непрерывном многомерном пространстве, мы достигаем абсолютной структурной объяснимости. Данная дискретная топология гарантирует, что каждый вычислительный шаг является логически отслеживаемым и математически верифицируемым. Что наиболее важно, этот архитектурный выбор полностью исключает вероятностные галлюцинации, характерные для генеративных языковых моделей, поскольку система не генерирует текст на основе статистических вероятностей. Вместо этого GraphAI функционирует строго как механизм извлечения и логического вывода, извлекая и синтезируя информацию на основе верифицированных структурных отношений. Отсутствие векторных пространств, таким образом, трансформирует систему из вероятностного генератора в высоконадежную детерминированную онтологическую машину.

Структурная целостность графа знаний дополнительно обеспечивается строгим архитектурным запретом горизонтальных связей между узлами одного ранга. Традиционные онтологические фреймворки и стандарты семантической паутины регулярно допускают горизонтальные ассоциации, которые, предлагая гибкость для синонимии, неизбежно вносят

ОТЧЁТ О ХОДЕ РАЗРАБОТКИ GraphAI: АРХИТЕКТУРНЫЕ И ТЕОРЕТИЧЕСКИЕ РЕЗУЛЬТАТЫ

В ходе текущей итерации разработки символьного графового интеллекта (GraphAI) был совершён ряд архитектурных и теоретических прорывов. Система перешла от стадии базового прототипирования к этапу подтверждения своей онтологической состоятельности.

Ниже представлены фактические результаты, достигнутые на данный момент.

1. Подтверждение универсальности топологического движка
Эмпирически доказано, что архитектура GraphAI является знаково-независимой. Система оперирует не «словами», а чистыми топологическими связями. Граф одинаково успешно строит иерархии из кириллицы, латиницы, китайских иероглифов, математических символов и эмодзи. Смысл кодируется не длиной или типом символа, а структурой его связей и частотой (материальным весом) в графе.

2. Органический рост графа и отказ от искусственных лимитов

В предыдущих версиях использовались жёсткие ограничения на количество узлов и связей. Тестирование показало, что они не требуются. Механизм «двух вопросов» (тождество и различие) обеспечивает естественную остановку роста графа. Система создаёт новый узел-медиатор только при наличии реального диалектического противоречия. Успешно проведён стресс-тест с построением графа объёмом более 20 000 узлов без потери структурной целостности.

3. Формирование строгой иерархической пирамиды

Устранена проблема «плоского графа». Внесены архитектурные изменения, запрещающие горизонтальные связи между узлами одного уровня. Теперь граф представляет собой строгую вертикальную иерархию: базовые символы (уровень 0) связаны исключительно через узлы-посредники (медиаторы) на уровнях +1, +2 и выше. Это обеспечило чистоту онтологии и исключило семантический шум.

4. Реализация фазы «Расщепления» (Divide Abstract)

Успешно внедрена и протестирована функция divide_whole
* Система корректно идентифицирует сущностный узел (точку входа).
* Осуществляет диалектическое расщепление абстрактного понятия на конкретные составляющие через поиск родовых и видовых узлов.
* Процесс рекурсивно продолжается до достижения критерия определённости (отсутствия видового узла ниже по иерархии).

5. Производительность и оптимизация

Оптимизированы процессы сериализации и десериализации. Загрузка и инициализация графа из кэша занимает единицы миллисекунд (например, 961 узел загружается за 7 мс), что подтверждает высокую вычислительную эффективность выбранной структуры данных.

6. Теоретическая формализация ролей узлов

В рамках декодера закреплена терминология и функциональное назначение узлов в контексте диалектического познания:
* Сущностный узел: узел, которому даётся определение.
* Родовой узел: обобщающий узел, выражающий сущность.
* Видовой узел: знаменательный узел, конкретизирующий родовое понятие.
* Числительный и Знаменательный узлы: предки обобщающего узла, используемые для сравнения с входными данными и основным графом.

Текущее состояние системы

На данный момент ГрафИИ представляет собойполностью рабочую машину онтологической классификации. Система не подвержена галлюцинациям: она не генерирует ложные связи, а лишь извлекает и структурирует реальную материю (символы и их частоты), заложенную в обучающих текстах.

Фаза абстрагирования и последующей конкретизации (расщепления) реализована и функционирует стабильно. Архитектура готова к переходу к следующему этапу — реализации алгоритма соединения конкретного (соединения расщеплённых конкретных узлов в новое родовое понятие).

Разработка продолжается.