哈薩比斯專攻深度神經網路，但是他發展的神經網路為一般式人工神經網路(General artificial neural network)讓同樣的運算法，適用於同類學習，譬如用同樣神經網路學習雅達利(Atari)研發的各種電腦遊戲，不需像狹義神經網路(narrow artificial neural network)，為每一種遊戲調製特定的結構及參數。(參看YouTub Deepmind DQN Playing)。通則性的人工智慧及深層學習，電腦自己會淬取資料中的隱藏結構，觀察它們和目標項目的關係，自動判別概念，歸納並強化出人工智慧。哈薩比斯把智慧化過程分解為認知（perceptual）、概念(conceptual)、及含義(Symbolic) 去蕪存菁三階段，需要具備過濾雜訊，自主學習，及轉化執行行動的能力。
人工智慧以人類行為作為藍本
自主學習及人工智慧都是以人類大腦神經及細胞間聯繫為藍本。當類似行為經過反覆練習之後，逐漸提高敏捷度及判斷能力，成為生活或生命中的一部分。
愛倫·妞威爾（Allen Newell）和赫伯特·西蒙（Herbert Simon）自五十年代中期就在卡內基梅隆大學（Carnegie Mellon University）開始研究人類如何解決問題。他們觀察試驗對象猜謎、玩遊戲及下棋的行為模式，讓他們自己陳述過程中的思維方式。他們發現首先會在各種可能的「問題空間」中搜索，以實際經驗修正各種情況所採取的步驟。進而提出一套「一般問題解決理論」（General Problem Solver），從「問題－空間」歸納出人類推理的風格，成為人工智能發展最有影響的研究。
心理學家 約翰·荷蘭德（John H. Holland）、凱瑟·赫力約電（Keith Holyoak）、理查·尼斯伯特（Richard Nisbett）和哲學家保爾·查加德（Paul Thagard）在他們1986年出版的《歸納法Induction: Processes of Inference, Learning, and Discovery》一書中，描述一個關於學習、推理和知識發掘的認知理論。他們發現認知理論必須建立在三項基本原則上：即知識能夠以類似規則的思維結構來表達、這些規則彼此競爭，會依據使用經驗把有用的規則強化，無用的規則減弱或剔除、具說服力的舊規則會組合出新的規則，成為各種恍然大悟的洞見，例如牛頓見到蘋果落地而產生的頓悟，及日常生活中發現新的竅門。
