Teoria
Hipersześcian semantyczny: znaczenie jako geometria
W Semantic Geometry nie przechowujemy tekstu ani prawdopodobieństw: rzutujemy każde pojęcie na punkt w ciągłym hipersześcianie [-1, 1]³. Odległość między dwoma punktami to ich bliskość semantyczna, a twierdzenie jest weryfikowane przez przemierzanie grafu — a nie zgadywanie następnego tokena.
AI proponuje, graf weryfikuje
Model językowy może napisać szkic; graf weryfikuje. Każde krytyczne twierdzenie jest zakotwiczone w współrzędnych i audytowalnym grafie, a werdykt rozstrzyga się w submilisekundach przez grounding: zero tokenów do weryfikacji, zero GPU, zero sieci. Geometria orientuje; certyfikuje tylko dowód z grafu. Gdy nie ma ścieżki, silnik odpowiada NO_EVIDENCE: nie twierdzi, że to fałsz, lecz że nie potrafi tego udowodnić.
Co zmierzyliśmy (a czego nie)
Sześcian nie konkuruje z embeddingami: uzupełnia je. Oto zewnętrzne metryki, którymi dysponujemy, z liczebnością próby i przedziałem ufności. Niewygodna liczba też tu jest: w ślepej podobności leksykalnej sześcian nie zastępuje modelu embeddingów.
| Ocena | n | R | 95% CI |
|---|---|---|---|
| Warriner EPA (afektywne, co przechowuje sześcian) | 76 | 0,718 | [0,610; 0,815] |
| NRC-VAD (niezależna norma) | 84 | 0,345 | [0,158; 0,520] |
| SimLex-999 ślepy (leksykalny) | 26 | 0,139 | [−0,316; 0,510] |
Grounding: co weryfikuje, a o czym milczy
Na 60 rzeczywistych twierdzeniach: pokrycie terminów 93,33%, wsparcie ontologiczne 26,67% i NO_EVIDENCE 66,67%. To weryfikator zamkniętej dziedziny, nie wyrocznia. Gdzie zawodzi: drobnoziarniste podobieństwo leksykalne w 3D, osie y/z (R≈0,25–0,34), pokrycie wciąż przesunięte ku hiszpańskiemu (≈86%) i niekompletne relatory predykatywne. Publikujemy porażkę, ponieważ benchmark bez przypadków negatywnych niczego nie certyfikuje.
Geometria afektywna, a nie zamiennik embeddingów
Sześcian jest przestrzenią EPA (Ocena, Siła, Aktywność) w tradycji różnicowania semantycznego Osgooda, kalibrowaną normami psychometrycznymi. Oś x (walencja) uogólnia się solidnie; osie y/z odzwierciedlają rozproszenie swojego źródła. To nie model podobieństwa leksykalnego: od tego są embeddingi i graf. Oferuje mierzalną pozycję afektywną, a nie wyszukiwanie dystrybucyjne.
Determinizm i audytowalność
To samo twierdzenie względem tej samej ontologii daje dokładnie ten sam wynik na każdej maszynie. Baza wiedzy jest kryptograficznie zapieczętowana za pomocą Merkle ledger (BLAKE3), a silnik działa offline na brzegu sieci (edge) (~15 W).
Kontinuum, a nie tabela (pojemność, nie wiedza)
Każda oś sześcianu to double IEEE 754: około 9,2·10¹⁸ wartości na wymiar i rzędu 10⁵⁶ unikalnych punktów łącznie. To właściwość kontenera adresowania, a nie miara jakości semantycznej: dziś graf zawiera 2,44M pojęć, a użyteczna rozdzielczość jest wyznaczana przez rzeczywisty odstęp między pojęciami (~0,01–0,5), a nie przez precyzję numeryczną. Pojemność nie jest osiągnięciem; osiągnięciem jest to, że kontener nie narzuca pułapu.
Deterministyczna AI z Rancagua dla Chile i Ameryki Łacińskiej
Semantic Geometry Software & AI SpA to firma tworząca deterministyczną sztuczną inteligencję z siedzibą w Rancagua, w regionie O’Higgins, w Chile. Tworzymy wysokowydajną architekturę oprogramowania, odporne potoki danych analitycznych oraz deterministyczną AI neuro-symboliczną. Teza jest prosta: deterministyczna AI z Rancagua może zapewnić Chile i całej Ameryce Łacińskiej suwerenność walidacji języka bez polegania na zagranicznych czarnych skrzynkach. Od brzegu kopalni w O’Higgins po dowolne urządzenie 15 W: deterministyczna chilijska AI, którą budujemy, weryfikuje lokalnie w krzemie bez oddawania danych.
Chcesz zastosować to w swojej domenie?
Wertykały podatkowe, prawa pracy, motoryzacyjne i kredytowe działają już na hipersześcianie. Opowiedz nam o swoim przypadku.
Porozmawiajmy