Proč Semantic Web selhal – a proč na tom dnes záleží víc než kdy dřív

Před více než dvaceti lety vyšel krátký, ale úderný text od Claye Shirkyho. Jeho pointa? W3C měla velké sny o Semantic Webu, ale celá vize byla špatně postavená od základů.

Shirkyho hlavní argument byl vlastně docela elegantní. Semantic Web měl být – zjednodušeně řečeno – stroj na výrobu sylogismů. A sylogismy, jakkoliv pěkně vypadají v učebnicích logiky, v realitě prostě nefungují.

Aristoteles měl pravdu – v učebnici

Klasický příklad:

• Lidé jsou smrtelní
• Řekové jsou lidé
• Tudíž Řekové jsou smrtelní

Čisté. Logické. A naprosto nepoužitelné pro většinu reálných situací.

Shirky to rozvedl na konkrétním příkladu. Víte, že Clay Shirky je tvůrcem shirky.com. A víte, že tvůrce shirky.com žije v Brooklynu. Logicky byste tedy měli vyvodit, že bydlí v Brooklynu. Ale co když k tomu přidáte větu „Lidé z Brooklynu mluví brooklynským přízvukem"? Najednou byste usoudili, že Clay vyslovuje „shirky.com" jako „shoiky.com". Což je samozřejmě nesmysl.

Problém není v logice. Problém je, že svět se neřídí podle čistých, univerzálně platných tvrzení, která se dají libovolně kombinovat.

Co se doopravdy stalo

Semantic Web, tak jak ho Berners-Lee a spol. zamýšleli, nikdy v žádném smysluplném měřítku nevznikl. RDF, OWL a celý ten sémantický aparát se stal spíš akademickým cvičením a nástrojem pro enterprise integrace. Původní vize univerzálního rámce pro strojové usuzování? Té se nedočkali.

Ale tady je ta zajímavá věc. Shirkyho esej stojí za to číst i v roce 2025 – ne kvůli předpovědi, ale kvůli napětí, které identifikoval. To napětí totiž nikam nezmizelo. Jen se přesunulo jinam.

Když přišly AI modely

Dneska žijeme v další vlně optimismu ohledně strojového uvažování. Místo symbolické logiky to táhnou velké jazykové modely a neuronové sítě. Sliby jsou povědomé: AI bude analyzovat obří objemy dat, odhalovat souvislosti, nacházet insighty, které člověk přehlédne.

Něco se změnilo. Moderní LLM spoléhají na statistické rozpoznávání vzorů, ne na formální sylogismy. Dávají působivé výsledky, které často působí jako skutečné porozumění. Ale fundamentální výzva, kterou Shirky identifikoval, zůstává stejná: jak zacházet se znalostmi, které jsou neúplné, kontextově závislé, nebo prostě špatné?

Když vám LLM sebevědomě tvrdí něco, co zní věrohodně, ale není to pravda – nedělá logickou chybu. Odráží chaos, který existuje v textech generovaných lidmi. Obsahují rozpory, kulturní předpoklady, zastaralé informace, čistou fikci. Všechno pohromadě. Znalosti nikdy nebyly úhledně organizované.

Knowledge Graphy: pragmatická střední cesta

Tady to začíná být zajímavé. Praktičtí následovníci Semantic Webu vůbec nejsou sémantičtí – jsou probabilističtí. Google Knowledge Graph, který pohání spoustu vyhledávacích funkcí, nepracuje s formálními logickými závěry. Udržuje obří databázi entit a vztahů, ale staví se a udržuje pomocí machine learningu, lidské kurace a neustálé aktualizace. Funguje právě proto, že se nesnaží být čistě logický.

Tento přístup – pragmatický, nepořádný, neustále ověřovaný proti realitě – se ukázal jako mnohem hodnotnější než teoreticky čistý Semantic Web.

Co Shirky trefil

Základní vhled platí pořád: deduktivní usuzování, ať už implementované přes formální logiku nebo neuronové sítě, které ji napodobují, má problém s mezerou mezi tím, jak jsou znalosti reprezentované, a tím, jak jsou doopravdy pravdivé.

Sherlock Holmes nám říkal, že geniální mysl eliminuje nemožné a dospěje k nevyhnutelné pravdě. Ale většina reálných „znalostí" takhle organizovaná není. Je neúplná. Závislá na kontextu. Plná nevyslovených předpokladů, které se nepřenášejí mezi doménami.

AI systémy, které skutečně transformovaly průmysly – doporučovací algoritmy, překladače, automatické doplňování kódu – to nedokázaly díky zvládnutí sylogistické logiky. Dokázaly to tím, že našly užitečné vzory v chaotických datech, přijaly nejistotu a občas se spletly, aniž by explodovaly.

Poučení pro dnešní stavitele

Když dneska stavíte něco s AI, Shirkyho esej je pořád must-read. Ne proto, že předpověděl budoucnost, ale protože diagnostikoval fundamentální výzvu, která přetrvává bez ohledu na technologii.

Otázka není, jestli stroje umí usuzovat. Umí, v určitých oblastech. Otázka je, jestli znalosti, se kterými pracujete, jsou organizované tak, aby podpořily druh usuzování, o které se snažíte.

Většinou nejsou. A to není chyba k opravě – to je vlastnost toho, jak znalosti doopravdy fungují.

Selhání Semantic Webu nebylo selhání ambicí. Bylo to selhání pochopení, že lidské znalosti jsou fundamentálně jiné, než co potřebuje formální logika. Nástroje, které uspěly od té doby, jsou ty, které tuhle realitu přijaly a pracovaly s ní, ne proti ní.

Tady je ten skutečný odkaz Shirkyho textu z roku 2003: ne předpověď o RDF nebo OWL, ale připomínka, že inteligence – ať už v strojích nebo lidech – nefunguje tak, jak nám naše intuice říká, že by měla.