Universeller Prädiktorlernen ist eine leistungsstarke Methode, die sich Meta-Lernen zunutze macht, um schnell aus begrenzten Daten neue Aufgaben zu lernen. Durch die breite Exposition gegenüber verschiedenen Aufgaben werden universelle Repräsentationen erworben, die eine allgemeine Problemlösung ermöglichen. Dieses Produkt erforscht das Potenzial, den leistungsstärksten universellen Prädiktor – die Solomonoff-Induktion (SI) – durch Meta-Lernen zu amortisieren. Wir nutzen eine Universelle Turingmaschine (UTM) zur Erzeugung von Trainingsdaten, um das Netzwerk mit einer Vielzahl von Mustern zu konfrontieren. Wir liefern eine theoretische Analyse des UTM-Datengenerierungsprozesses und des Meta-Trainingsprotokolls. Wir führen umfassende Experimente mit neuronalen Architekturen (wie LSTM, Transformer) durch, die mit Algorithmus-Datengeneratoren unterschiedlicher Komplexität und Universalität trainiert werden. Unsere Ergebnisse zeigen, dass UTM-Daten eine wertvolle Ressource für Meta-Lernen darstellen und zur Ausbildung neuronaler Netze verwendet werden können, die universelle Prädiktionsstrategien erlernen.