卡内基梅隆大学研究人员Isaac Liao与Albert Gu发现，无损信息压缩可解决抽象推理任务，挑战AI需大量预训练数据的观点。研究聚焦ARC-AGI基准测试，测试系统通过网格图像谜题推断规则，CompressARC系统不依赖预训练或外部数据，仅用谜题本身实时训练，训练集准确率达34.75%，评估集达20%，在消费级GPU上每谜题耗时约20分钟。方法避免搜索算法，依赖梯度下降优化参数，压缩谜题描述以再现示例与解决方案，揭示压缩与智能的潜在联系。
ARC-AGI测试抽象推理能力，普通人解决率76.2%，专家达98.5%，顶级AI如OpenAI o3在高计算测试中达87.5%。CompressARC采用定制神经网络，仅作为解码器，通过编码过程优化参数，生成压缩表示，无需答案输入，利用压缩作为推理形式。研究表明，智能可能源自高效信息表示，而非记忆大数据模式，呼应Kolmogorov复杂性与Solomonoff归纳法理论。DeepMind 2023年研究显示，大型语言模型可高效压缩图像与音频，CMU研究进一步证明压缩可从零生成智能行为。
方法适用于数据稀缺或需快速学习的场景，但局限性显著，难以处理计数、远程模式识别与旋转任务，20%准确率低于人类与顶级AI，未能泛化至更广泛领域。研究未同行评审，需进一步验证压缩是否为核心智能机制，而非推理组件之一。若经证实，CompressARC可为AI开发提供替代路径，降低对大规模数据集与计算资源的需求，或揭示通用智能的关键组成部分。
