500 Jahre nach außen
Kartierte Hemisphären, berechnete Umlaufbahnen, fotografierte Galaxien. Die nächste Grenze liegt nicht in der Ferne, sondern in der Präzision dessen, was bereits da ist.
Rancagua · Chile · Angewandte F&E
Wir behaupten nicht, dass KI alles weiß. Wir entwickeln das Muster, das moderner KI einen echten Anker gibt.
Die gesamte menschliche Sprache in einer Blackbox zu validieren, ist unmöglich. Wir schaffen deterministische neuro-symbolische Architektur: eine Methode in C++23, bei der jede kritische Aussage in einem kontinuierlichen Raum [-1, 1]³ und einem auditierbaren Graphen verankert wird. Die KI schlägt vor. Das Silizium verifiziert.
01 — Herkunft
Rancagua, Región de O'Higgins. Semantic Geometry begann weder in einem fremdfinanzierten Labor noch in einem Technologiekonzern. Es begann mit einer Intuition, die sein Gründer, Marco Retamales Guzmán, über Jahrzehnte autodidaktischer Entwicklung vertrat: dass eine Idee, ein Gefühl oder ein physikalisches Gesetz exakt im Raum verortet werden können.
Menschliche Bedeutung wäre demnach keine statische Definition in einem alphabetischen Wörterbuch, sondern eine mathematische Position in einem kontinuierlichen Koordinatenraum. Wenn die Erde Längen-, Breiten- und Höhenkoordinaten besitzt, um jeden Gegenstand auf ihrer Oberfläche zu lokalisieren, muss das Denken seine eigenen kartesischen Achsen haben: ein GPS des Wissens.
Jahre später, bei der Sichtung der formalen Literatur, konvergierte diese Intuition mit der klassischen Psychometrie: der Einstellungsforschung von Louis Thurstone und dem semantischen Differenzial von Charles Osgood. Es war keine vaterlose Idee; es war eine Idee, die spät in ihrer eigenen wissenschaftlichen Tradition ankam.
Daraus leitet sich die technische Haltung ab, die das Unternehmen definiert. Gegenüber Modellen, die meistens richtig liegen, ohne erklären zu können, warum, die Wissen nicht von Erfindung unterscheiden können und von riesigen Serverfarmen abhängen, wurde Semantic Geometry auf dem entgegengesetzten Prinzip aufgebaut: Das Modell schlägt vor, aber der Graph und der Kubus verifizieren.
In dieser Reise liegt auch ein wunderschönes und zutiefst ehrliches Paradoxon: Dieses System existiert, um Sprachmodelle zu disziplinieren und zu verankern, aber ohne sie hätte es niemals das Licht der Welt erblickt. Jahrzehntelang war die semantische Geometrie eine einsame Intuition in Notizbüchern und lokalen Tests. Es hätte ein ganzes Leben gedauert, Millionen von Konzepten, regulatorischen Geflechten und strengen Tests in C++23 von Hand zu strukturieren. Generative KI war der kognitive Katalysator: das Gerüst, das die Erkundung beschleunigte und die Architektur greifbar machte. Die LLMs waren das Feuer, mit dem der Anker geschmiedet wurde, der ihnen heute Halt gibt.
Kapazität des semantischen Kubus [-1,1]³
Hardware / IEEE 754darstellbare eindeutige Punkte
Pro Achse 2046·2⁵² + 1 9.214.364.837.600.034.817
1 Vorzeichen · 11 Exponent · 52 Mantisse — IEEE 754 binary64
Berechenbar aus der IEEE-754-Spezifikation: 1022 Exponenten für |x| < 1, plus der Wert für exakt ±1 mit Null-Mantisse, über beide Vorzeichen.
Aktuelle Belegung in Produktion
semantic.db v8.0Konzepte im Graphen
Ontologische Relationen 4,75M (aktive typisierte Kanten)
884k Synonyme
Live gemessen in semantic.db (2.064.828 Konzepte / 4.747.027 Links / 884.322 Synonyme). Null synthetische Daten.
Moderne Modelle erkunden diesen Raum noch nicht – und müssen es auch nicht: Das Eingangstor existiert bereits. Die KI schlägt vor, die Geometrie verifiziert, und der Kubus ist der Ort, an dem dieser Vertrag zu minimalen Kosten geschlossen wird.
Wenn jedes Konzept einen Punkt im Kubus belegt – so wie jedes Atom einen Punkt im Raum einnimmt –, bietet der Kubus Platz für so viele Konzepte wie Atome in etwa 6 Millionen Erden Platz fänden.
Die Expansion nach Innen
Fünf Jahrhunderte lang dehnte sich die Menschheit nach außen aus: Ozeane überqueren, Kontinente vermessen, Teleskope starten. Semantic Geometry schlägt die innere Erkundung vor: Ein Raum, der nicht durch Distanz, sondern durch Präzision erobert wird. 7,82 × 10⁵⁶ adressierbare Positionen auf Standard-Silizium bei 15 Watt.
Kartierte Hemisphären, berechnete Umlaufbahnen, fotografierte Galaxien. Die nächste Grenze liegt nicht in der Ferne, sondern in der Präzision dessen, was bereits da ist.
Von Neumann gab uns den linearen Bus: Speicher als Straße, auf der sich alles einreiht. SG macht das Gegenteil: Ähnliches wohnt beieinander. Wissen wird nicht durchsucht – es wird angetroffen. Räumliche Indizes in SQLite, physische Lokalität in Silizium.
Die Industrie komprimiert Sprache auf 1 Bit (BitNet) und halluziniert weiterhin günstig. Komprimierung gibt der Wahrheit kein Zuhause. SG gibt ihr eine feste Adresse: Koordinaten (x, y, z) im Kubus.
O'HIGGINS · CHILE
“O'Higgins fördert seit einem Jahrhundert Kupfer für die Welt. Die Expansion nach Innen schlägt eine andere Förderung vor: ein semantischer Kubus, in dem KI findet statt erfindet.”
Die Dichte nach IEEE 754 ist in [-1, 1] nicht gleichmäßig: Sie ist nahe 0 rund 2048-mal höher als nahe ±1. Die effektive Auflösung variiert je nach Region.
Die nutzbare Auflösung wird nicht durch die Numerik beschränkt, sondern durch den realen semantischen Abstand zwischen Konzepten (typischerweise ~0,01–0,5). Der Expansionsspielraum umfasst mehrere Größenordnungen.
Die Kapazität ist nicht die Errungenschaft. Die Errungenschaft ist, dass der Raum keine Obergrenze setzt: Der Graph kann um Größenordnungen wachsen, ohne die Architektur zu ändern.
Zwei Arten zu antworten, wenn man es nicht weiß
Generatives Modell
Antwortet immer. Fehlt die Information, baut es eine plausible: Sprachfluss und Wahrheitsgehalt entspringen demselben Mechanismus, sodass von außen kein Unterschied erkennbar ist.
Deterministischer Verifizierer
Darf schweigen. Die Geometrie leitet die Inferenz, aber nur die Evidenz des Graphen zertifiziert sie. Fehlt der Nachweis, meldet das System dies: Eine Ablehnung ist eine gültige Antwort, kein Fehler.
Der Unterschied liegt nicht darin, wer öfter recht hat. Der Unterschied ist, dass das eine sich irren kann, ohne es zu wissen, während das andere ohne Evidenz nichts behaupten kann.
02 — Vertikalen
Auf dem Kern deterministischer Verifikation bauen wir regulierte Branchenlösungen: Bereiche, in denen eine Halluzination Geld, einen Rechtsstreit oder Strafen kostet.
Flottenbetrieb & Telemetrie
Geofencing, Telemetrie und Flottensteuerung in C++23
Header-only C++23 Engine mit REST + TCP Tracker, Mandantenisolierung und Hardware-Telemetrie. Entwickelt für den 100% autarken Offline-Betrieb am Edge.
Rechnungswesen & Steuern · Chile
Deterministische Gehaltsabrechnung, RLI und Steuerbilanz
Chilenische Normberechnung ohne Heuristik: Previred-Abrechnungen, ProPyme RLI und Abgleich von Handels- und Steuerbilanz. Jedes Ergebnis ist gesetzlich nachprüfbar.
Experimentelle ontologische Verifikation. Stellt keine verbindliche Steuer- oder Rechtsberatung dar.
Kredit & Banking · Chile
Kreditsimulation mit lückenlos nachvollziehbarer Tilgung
Kreditsimulationen und Tilgungspläne mit vollständigem Audit-Trail: Jede Zahlungsentscheidung wird durch die Engine untermauert und ist sofort revisionssicher.
Arbeitsrecht · Chile
Ontologisches Grounding arbeitsrechtlicher Normen
Anwendung der Verifikations-Engine auf Rechtsfragen: Arbeitsrechtliche Feststellungen werden gegen Graph und Gesetz abgeglichen, mit lückenloser Gesetzesreferenz.
Experimentelle ontologische Verifikation. Stellt keine verbindliche Rechtsberatung dar.
Keine Vertikale konkurriert mit einem LLM bei der Textgenerierung: Sie konkurriert dort, wo ein LLM versagt: eine Antwort, die weiß, wann sie schweigen muss und die Rechtsnorm belegen kann. Und wo kein LLM hinkommt – offline, auf Standard-Silizium, am Edge –, funktioniert unsere Engine reibungslos.
03 — Säulen
Wir verkaufen keine generischen Entwicklungsstunden. Jede Säule löst ein spezifisches Problem mit demselben Anspruch: explizite Struktur, messbare Leistung und nachhaltige Ergebnisse.
Wir bauen die Infrastruktur, in der Daten vollständig und pünktlich ankommen. Fehlertolerante ETL-Pipelines, Abfrageoptimierung und robuste Microservices für echte Produktionsvolumina.
Wir verbinden die Geometrie latenter Räume mit der Verlässlichkeit ontologischer Graphen. Die generative KI schlägt vor; unsere neuro-symbolische Engine verifiziert mathematisch.
Analytische Algorithmen für Probleme, die keine Näherungen dulden. Kombinatorische, räumliche und finanzielle Optimierung für industrielle Abläufe und regulierte Entscheidungen.
05 — Paradigma & Informationsabruf
Der Markt versucht, Halluzinationen mit RAG (Vektorähnlichkeit) zu lösen. Wir erklären, warum Ähnlichkeit keine Verifikation ist und wie Geometrie echte Verlässlichkeit stiftet.
| Dimension | Semantisches Grounding SG | Klassisches RAG (Vector DB + LLM) |
|---|---|---|
| Abrufmechanismus | Kontinuierliche mathematische Projektion in [-1, 1]³ und transitive Pfadsuche im formalen Graphen. | Kosmetische Textähnlichkeit (Kosinus-Distanz von Embeddings), die in den Prompt eingefügt wird. |
| Ontologische Garantie | Deterministisch: Gibt es keinen belegbaren Kausalpfad, antwortet das System mit NO_EVIDENCE. | Keine. Das LLM kann die vom RAG abgerufenen Absätze selbst verzerren, übergehen oder widerlegen. |
| Kosten pro Abfrage | 0 Tokens zur Verifikation. Die gesamte Prüfung läuft lokal im C++23-Hauptspeicher. | Hoch. Tausende Tokens pro Aufruf zur Bezahlung des Kontextfensters der Dokumente. |
| Antwortlatenz | Sub-Millisekunde (p50 0,37 ms auf Desktop / 1,37 ms auf Micro-Device, nativer Silizium-Code). | Sekunden (2.000 ms bis 6.000 ms zwischen Vektorsuche und autoregressiver Textgenerierung). |
| Infrastruktur & Energie | 15 Watt auf lokaler Standard-Hardware. Funktioniert 100% offline ohne GPU oder Cloud. | Cloud-Vektordatenbanken, stromhungrige GPU-Cluster und ständige Internetanbindung. |
| Umgang mit Widersprüchen | Topologische Inkompatibilität: Erkennt Regelkollisionen und weist sie formal zurück. | Verschmilzt widersprüchliche Texte zu wohlklingenden, aber falschen Aussagen („sanfte Halluzination“). |
| Nachvollziehbarkeit & Audit | Beweisbar: Nennt den exakten Knoten, das Kantengewicht und die Rechts-/Fachquelle jeder Relation. | Vage: Verweist auf gelesene Dokumente, kann den logischen Schluss jedoch nicht beweisen. |
Was Semantic Geometry gewinnt:
Auditierbare formale Verifikation, Mikrosekunden-Latenzen (<0,2 ms vs. 2–6 Sekunden auf GPU), null Tokenkosten und Schutz vor Widersprüchen. Erfordert die Strukturierung der Kernregeln.
Was klassisches RAG gewinnt:
Mühelose Aufnahme riesiger unstrukturierter Textmengen (PDFs, Notizen, Transkripte) ohne Modellierung. Verliert jedoch die Kontrolle über den Wahrheitsgehalt und die logische Nachprüfbarkeit.
Semantic Geometry und RAG müssen nicht konkurrieren: SG fungiert als Wächter, der RAG im Produktivbetrieb sicher macht.
Textähnlichkeit ist keine ontologische Wahrheit. RAG findet ähnliche Texte; Semantic Geometry beweist, ob die Aussage in der realen Welt zutrifft.
06 — Labor im Produktivbetrieb
Erleben Sie reale Instanzen der Engine, die in Echtzeit über verschiedene Vertikalen und Protokolle hinweg arbeiten.
Automotive-Vertikale
VIN-Dekodierung, Fahrzeug-Homologation und Modell-Disambiguierung in Echtzeit.
Retail & Indoor-Navigation
Wo steht das Produkt im Markt? O(1)-Zuordnung von Regalen und Warengruppen.
Model Context Protocol API
Autonome Agenten und LLMs prüfen und verifizieren Aussagen gegen den Kubus.
Live betrieben auf einem 15-Watt-Netbook, ohne GPU oder Cloud.
Aktueller Status
Semantic Geometry ist nicht fertiggestellt. Es ist so konstruiert, dass es in der Zwischenzeit nicht lügt.
Ein Modell mit unvollständiger Abdeckung, das Lücken frei erfindet, ist gefährlicher als eines, das schweigt. Im industriellen Einsatz und bei regulierten Entscheidungen ist das kein Detail – es ist das Produkt.
04 — Identität & Kontakt
Schildern Sie uns, welches System Sie aufbauen müssen, welche Pipeline instabil ist oder welche Entscheidung derzeit nicht abgesichert werden kann. Wir antworten mit einer technischen Diagnose.
Dieses Formular öffnet Ihr E-Mail-Programm mit einer vorgefertigten Nachricht. Es werden keine Daten an Zwischenserver gesendet.