重建人類思維能力以從復雜事件中推斷出模式和關系的能力可能會導致建立通用的人工智能模型。

人工智能（AI）的一項主要挑戰是能夠看到過去的表面現象，以猜測潛在的因果過程。KAUST和國際領先的專家團隊的最新研究產生了一種新穎的方法，該方法已超越了表面模式檢測。

人類具有非凡的直覺或推斷感，例如，我們可以理解紫色蘋果可能是被藍光照射的紅色蘋果。這種感覺在人類中發展得如此之高，以至于我們也傾向于看到不存在的模式和關系，從而引起了我們迷信的傾向。

這種類型的洞察力是在人工智能中進行編碼的巨大挑戰，研究人員仍在研究從何入手：然而，它卻代表了自然思維與機器思維之間最根本的區別之一。

五年前，由KAUST旗下的研究人員Hector Zenil和JesperTegnér，以及來自瑞典Karolinska Institutet的Narsis Kiani和Allan Zea的合作，開始將算法信息理論應用于網絡和系統生物學，以解決基因組學和分子電路中的基本問題。 。這次合作導致了一種算法方法的發展，該算法可以推斷因果過程，從而可以構成AI通用模型的基礎。

KAUST教授Tegnér說：“機器學習和AI在工業，科學和社會中正變得無處不在。” “盡管最近取得了進展，但我們仍無法實現具有跨任務任務的推理和學習能力的通用機器智能。挑戰的一部分是超越表面模式檢測，轉向能夠發現產生模式的潛在因果機制的技術。”

然而，當分子和基因組數據中經常發生幾種不同的過程時，這種因果關系的糾纏變得非常具有挑戰性。Tegnér說：“我們的工作確定了因果相關的數據部分，剔除了虛假的相關性，然后確定了產生觀測數據所涉及的不同因果機制。”

該方法基于明確定義的算法信息概率的數學概念，以此作為最佳推理機的基礎。但是，與以前的方法的主要區別在于，從以問題的觀察者為中心的觀點轉向基于基于隨機性偏差的現象的客觀分析。

Tegnér說：“我們使用算法復雜性來隔離幾個交互程序，然后搜索可能產生觀測值的程序集。”

該團隊通過將其應用到多個計算機代碼的交互輸出中來演示了他們的方法。該算法找到可以構造1和0的復雜輸出字符串的程序的最短組合。

Zenil說：“這項技術可以使當前的機器學習方法具有先進的補充能力，以更好地處理抽象，推理和概念（例如因果），而其他方法（包括深度學習）目前無法處理。”