重建人類(lèi)思維能力以從復雜事件中推斷出模式和關(guān)系的能力可能會(huì )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(guò)去的表面現象，以猜測潛在的因果過(guò)程。KAUST和國際領(lǐng)先的專(zhuān)家團隊的最新研究產(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(lèi)具有非凡的直覺(jué)或推斷感，例如，我們可以理解紫色蘋(píng)果可能是被藍光照射的紅色蘋(píng)果。這種感覺(jué)在人類(lèi)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(lèi)型的洞察力是在人工智能中進(jìn)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(lái)自瑞典Karolinska Institutet的Narsis Kiani和Allan Zea的合作，開(kāi)始將算法信息理論應用于網(wǎng)絡(luò )和系統生物學(xué)，以解決基因組學(xué)和分子電路中的基本問(wèn)題。 。這次合作導致了一種算法方法的發(fā)展，該算法可以推斷因果過(guò)程，從而可以構成AI通用模型的基礎。

KAUST教授Tegnér說(shuō)：“機器學(xué)習和AI在工業(yè)，科學(xué)和社會(huì )中正變得無(wú)處不在。” “盡管最近取得了進(jìn)展，但我們仍無(wú)法實(shí)現具有跨任務(wù)任務(wù)的推理和學(xué)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(fā)現產(chǎn)生模式的潛在因果機制的技術(shù)。”

然而，當分子和基因組數據中經(jīng)常發(fā)生幾種不同的過(guò)程時(shí)，這種因果關(guān)系的糾纏變得非常具有挑戰性。Tegnér說(shuō)：“我們的工作確定了因果相關(guān)的數據部分，剔除了虛假的相關(guān)性，然后確定了產(chǎn)生觀(guān)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(xué)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(wèn)題的觀(guān)察者為中心的觀(guān)點(diǎn)轉向基于基于隨機性偏差的現象的客觀(guān)分析。

Tegnér說(shuō)：“我們使用算法復雜性來(lái)隔離幾個(gè)交互程序，然后搜索可能產(chǎn)生觀(guān)測值的程序集。”

該團隊通過(guò)將其應用到多個(gè)計算機代碼的交互輸出中來(lái)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(shuō)：“這項技術(shù)可以使當前的機器學(xué)習方法具有先進(jìn)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(xué)習)目前無(wú)法處理。”