重建人类思维能力以从复杂事件中推断出模式和关系的能力可能会导致建立通用的人工智能模型。
人工智能(AI)的一项主要挑战是能够看到过去的表面现象，以猜测潜在的因果过程。KAUST和国际领先的专家团队的最新研究产生了一种新颖的方法，该方法已超越了表面模式检测。
人类具有非凡的直觉或推断感，例如，我们可以理解紫色苹果可能是被蓝光照射的红色苹果。这种感觉在人类中发展得如此之高，以至于我们也倾向于看到不存在的模式和关系，从而引起了我们迷信的倾向。
这种类型的洞察力是在人工智能中进行编码的巨大挑战，研究人员仍在研究从何入手：然而，它却代表了自然思维与机器思维之间最根本的区别之一。
五年前，由KAUST旗下的研究人员Hector Zenil和JesperTegnér，以及来自瑞典Karolinska Institutet的Narsis Kiani和Allan Zea的合作，开始将算法信息理论应用于网络和系统生物学，以解决基因组学和分子电路中的基本问题。 。这次合作导致了一种算法方法的发展，该算法可以推断因果过程，从而可以构成AI通用模型的基础。
KAUST教授Tegnér说：“机器学习和AI在工业，科学和社会中正变得无处不在。” “尽管最近取得了进展，但我们仍无法实现具有跨任务任务的推理和学习能力的通用机器智能。挑战的一部分是超越表面模式检测，转向能够发现产生模式的潜在因果机制的技术。”
然而，当分子和基因组数据中经常发生几种不同的过程时，这种因果关系的纠缠变得非常具有挑战性。Tegnér说：“我们的工作确定了因果相关的数据部分，剔除了虚假的相关性，然后确定了产生观测数据所涉及的不同因果机制。”
该方法基于明确定义的算法信息概率的数学概念，以此作为最佳推理机的基础。但是，与以前的方法的主要区别在于，从以问题的观察者为中心的观点转向基于基于随机性偏差的现象的客观分析。
Tegnér说：“我们使用算法复杂性来隔离几个交互程序，然后搜索可能产生观测值的程序集。”
该团队通过将其应用到多个计算机代码的交互输出中来演示了他们的方法。该算法找到可以构造1和0的复杂输出字符串的程序的最短组合。
Zenil说：“这项技术可以使当前的机器学习方法具有先进的补充能力，以更好地处理抽象，推理和概念(例如因果)，而其他方法(包括深度学习)目前无法处理。”