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

人工智能（AI）的一項(xiàng)主要挑戰(zhàn)是能夠看到過去的表面現(xiàn)象，以猜測潛在的因果過程。KAUST和國際領(lǐng)先的專家團(tuán)隊的最新研究產(chǎn)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(lán)光照射的紅色蘋果。這種感覺在人類中發(fā)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(guān)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(jìn)行編碼的巨大挑戰(zhàn)，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(jī)器思維之間最根本的區(qū)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(yīng)用于網(wǎng)絡(luò)和系統(tǒng)生物學(xué)，以解決基因組學(xué)和分子電路中的基本問題。 。這次合作導(dǎo)致了一種算法方法的發(fā)展，該算法可以推斷因果過程，從而可以構(gòu)成AI通用模型的基礎(chǔ)。

KAUST教授Tegnér說：“機(jī)器學(xué)習(xí)和AI在工業(yè)，科學(xué)和社會中正變得無處不在?！?“盡管最近取得了進(jìn)展，但我們?nèi)詿o法實(shí)現(xiàn)具有跨任務(wù)任務(wù)的推理和學(xué)習(xí)能力的通用機(jī)器智能。挑戰(zhàn)的一部分是超越表面模式檢測，轉(zhuǎn)向能夠發(fā)現(xiàn)產(chǎn)生模式的潛在因果機(jī)制的技術(shù)。”

然而，當(dāng)分子和基因組數(shù)據(jù)中經(jīng)常發(fā)生幾種不同的過程時，這種因果關(guān)系的糾纏變得非常具有挑戰(zhàn)性。Tegnér說：“我們的工作確定了因果相關(guān)的數(shù)據(jù)部分，剔除了虛假的相關(guān)性，然后確定了產(chǎn)生觀測數(shù)據(jù)所涉及的不同因果機(jī)制?！?/p>

該方法基于明確定義的算法信息概率的數(shù)學(xué)概念，以此作為最佳推理機(jī)的基礎(chǔ)。但是，與以前的方法的主要區(qū)別在于，從以問題的觀察者為中心的觀點(diǎn)轉(zhuǎn)向基于基于隨機(jī)性偏差的現(xiàn)象的客觀分析。

Tegnér說：“我們使用算法復(fù)雜性來隔離幾個交互程序，然后搜索可能產(chǎn)生觀測值的程序集?！?/p>

該團(tuán)隊通過將其應(yīng)用到多個計算機(jī)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(gòu)造1和0的復(fù)雜輸出字符串的程序的最短組合。

Zenil說：“這項(xiàng)技術(shù)可以使當(dāng)前的機(jī)器學(xué)習(xí)方法具有先進(jìn)的補(bǔ)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(xué)習(xí)）目前無法處理。”