Vetenskapligt arbete idag kan karaktäriseras av ett hypotetiskt-deduktivt tänkande, men genererandet av hypoteser har ännu en mystisk prägel där ett empiriskt arbetssätt inte räcker till för att förklara denna process. Filosofen och logikern C. S. Peirce (1839-1914) fokuserade på ett speciellt sätt att tänka som sedermera kom att benämnas abduktion. Detta innebär att hitta den förklaring (hypotes) som för tillfället bäst förklarar några givna data. Man kan också likna abduktion som motsatsen till prediktion. Det finns flera exempel på detta. En doktor som ska ställa en diagnos givet ett antal symptom, en kriminalpolis som försöker rekonstruera en händelse, en jägare som tolkar spåren efter ett villebråd, osv. Det finns emellertid de som anser att många vardagliga observationer följer denna tankeprocess [2]. Att förstå vardagligt tal, seendet och det omedvetna resonerandet kan beskrivas på detta sätt. I den kultur och det tankekollektiv man är medlem i, finns oskrivna värderingar, förväntningar och förutfattade meningar som påverkar hypotesbildningen (vilket hävdats av Fleck, Kuhn m fl). Problemet att skilja vetenskap och ovetenskap kallas demarkation. Detta problem är av metafysisk karaktär och den världsbild som råder påverkar hur vi tänker.
Rent generellt kan man inkludera hela processen av att generera, kritisera, och acceptera förklarande hypoteser i abduktionen. Likväl som abduktion är ett sätt att tänka effektivt (tänka bra utan att tänka mycket), så kan man med utgångspunkt från en första hypotes söka efter bekräftande data, vilket gör hela processen iterativ. I det senare fallet kanske man inte hittar en bra hypotes men ibland kan man säga att man har genererat mer kunskap än vad man hade innan. Detta kan jämföras med andra metoder. Vid deduktion följer slutsatsen enbart av vad man redan har i premisserna. Vid induktion kan man inte få fram mer än vad som faktiskt observerats. Med abduktion är kunskap möjlig även då det finns osäkerhet (och det är ju det enda som finns med säkerhet.)
I [2] berättar J. R. Josephson om deras försök att implementera en motsvarighet till abduktion med datorns hjälp. Det intressanta som jag ser det, är att man har använt ett digitalt neuronnät, dvs en beräkningsform som har hämtat inspiration från hur en hjärna fungerar (se figur 2). Artificiella neuronnät behöver tränas för att kunna fungera. Varje neuron tar emot insignaler från andra neuroner. Dessa signaler viktas olika mycket och vikterna justeras genom själva träningen. Man börjar med en uppsättning insignaler och de resultat man vill ha till dessa. Nätet tränas tills dess felet mellan utsignalerna och de man förväntar sig blir tillräckligt litet. Alla neuroner har samma beteende. De viktade insignalerna summeras ihop och en utsignal skickas om summan överstiger ett visst tröskelvärde. De fungerar utmärkt när det gäller att i olika sammanhang känna igen mönster. Det finns många olika sätt att designa sådana nät men de flesta använder tre eller fler lager och två faser vid inlärningen. Bakåt-fasen justerar vikterna beroende på felet. Efter framåt-fasen vet man hur mycket varje neuron bidrog till felet. Problemet är att man ofta hamnar i lokala minima och lärandet är tidsödande.
