Un apprentissage de prédicteurs universels est une méthode puissante utilisant le méta-apprentissage pour apprendre rapidement de nouvelles tâches à partir de données limitées. En exposant le modèle à une large variété de tâches, il acquiert des représentations générales permettant une résolution de problèmes polyvalente. Ce produit explore le potentiel d'amortissement du prédicteur universel le plus puissant – l'induction de Solomonoff (SI) – via le méta-apprentissage. Nous utilisons une machine de Turing universelle (UTM) pour générer des données d'entraînement, exposant ainsi le réseau à un large spectre de motifs. Nous fournissons une analyse théorique du processus de génération de données UTM et du protocole de méta-entraînement. Nous avons mené des expériences complètes sur des architectures neuronales (telles que LSTM, Transformer) en utilisant des générateurs de données algorithmiques de complexités et d'universalités variables. Nos résultats montrent que les données UTM constituent une ressource précieuse pour le méta-apprentissage, permettant d'entraîner des réseaux neuronaux capables d'apprendre des stratégies de prédiction universelles.