Geoffrey Everest Hinton

Geoffrey Everest Hinton, CC FRS FRSC (* 6. Dezember 1947 in Wimbledon, Vereenigt Königriek) is en britisch-kanaadsch Informatiker un Kognitionspsycholoog, de vör allen för sien Bdrääg to de Theorie vun künstlicher neuronaler Netten bekannt is. 2024 wurr hüm de Nobelpries för Physik tospraken.

Geoffrey Hinton snackt 2024 in Toronto

Leven

Geoffrey Hinton wurr as Söhn vun den Insektenkundler Howard Hinton (1912–1977) un as Ooroorenkel vun den Logiker George Boole un de Mathematikerin Mary Everest Boole boren. Sein Ooroorgrootunkel weer de Landvermeeter George Everest, nah den he de Naam Everest drocht.^[1][2]

He hett as Atheist en christlich School besöcht^[3] Angdreeven dör sien Teel, den minschlichen Verstand to begriepen, hett he van 1967 bit 1970 Experimentalpsychologie an de Universität Cambridge (England) studeert, wessel aber wiel he nich mit Lehrinhollen tofräe weer, tüschendör to Physiologie un Philosophie. Aber ok dormit weer he nich tofräe un hett denn doch sien Studium mit en Afsluss in Psychologie afslooten. Eerst as Doktorand wurrn sien Studien vun de dormals unpopulären neuronalen Nettten vun sien Betrüern tolereert. Hinton weer fast dorvan övertüügt, dat neuronale Systeme för dat Verkloren un Nahbillen vun IIntelligenz hinreckend un nowennig weern. 1978 kreeg he sien PhD in Künstliche Intelligenz vun de Universität Edinburgh (Schottland).^[4]

Nah Upenhollen an de Universität Sussex (England), de University of California, San Diego (USA) un de Carnegie-Mellon Universität (Pittsburgh, USA) wurr he 1987 Perfesser an dat Computer Science Department vun de Universität Toronto (Kanada). Van 1998 bit 2001 entstunn ünner sien Leitung de Gatsby Computational Neuroscience Unit an dat University College London, sietdem arbeit he wieder as Perfesser an de Universität Toronto, siet 2014 as University Professor Emeritus.^[5]

2012 hett Hinton sien dormalig Start-up un sien eegen Arbeitskraft för 44 Millionen US-Dollar an Google verköfft, wo he neben sien Arbeit an de Universität Toronto bit April 2023 as Viezpräsident un Engineering Fellow bleev.^[5][6][7] Sien Kündigung bi Google in dat Johr 2023 hett he mit dat Anliggen begrünnd, apen över dat existenzielle Risiko dör künstliche Intelligenz un wiedere Risiken vun de Künstliche Intelligenz snacken to können.^[6][8]

Wark

Geoffrey Hinton hett de Anwennen vun künstlich neuronalen Netten in de Berieken Lernen, Gedächtnis, Wohrnehmen un Symbolverarbeitung ünnersöcht. He hörr to de Wetenschapler, de de Backpropagation-Algorithmus inführt hemm (in en Nature-Upsatz van 1986 mit David Everett Rumelhart un Ronald James Williams) un ünner anner de Konzepte vun de Boltzmann-Maschien un de [[Helmholtz-Maschien] entwickelt hemm. Licht to verstahn Inführungen in sien wetenschaplich Arbeit finnen sück in sien Artikeln in dat Scientific American van 1992 un 1993.

Ansichten to de Risiken vun de künstliche Intelligenz

2023 hett sück Hinton besörgt över den gauen Fortschritt vun de KI ütert.^[9][8] Tovör weer Hinton de Ansicht, dat de allgemeene künstliche Intelligenz (AGI) noch „30 bis 50 Jahre oder sogar noch länger entfernt“ weeri.^[8] In en Interview mit CBS in‘n März 2023 hett he aber seggt, dat de „allgemeene KI“ weniger as 20 Johr weg ween kunn un Veränderungen bewirken kunn, „die in ihrem Ausmaß mit der industriellen Revolution oder der Elektrizität vergleichbar sind“.^[9]

In en Interview mit de New York Times, dat an’n 1. Mai 2023 bekannt maakt wurr,^[8] hett Hinton sien Rückträe vun Google ankünnigt, „damit er über die Gefahren der KI sprechen kann, ohne zu bedenken, wie sich dies auf Google auswirkt.“^[10] He hett anmarkt, dat „ein Teil von ihm jetzt sein Lebenswerk bereut“ wegen sien Bedenken un hett Befürchtungen över en Wettloop tüschen Google un Microsoft ütert.^[8]

Anfang Mai 2023 hett Hinton in en Interview mit de BBC seggt, dat de KI bald die Informatschonskapazität vun dat minschlich Gehirn överdrapen kunn. Eenige vun de vun disse Chatbots utgahn Risiken hett he as „ziemlich beängstigend“ betekent. Hinton hett dorup henwiest, dat Chatbots de Fähigkeit hemm, sülvständig to lehren un Weeten to deelen. Dat bedüüd, dat jedes Mal, wenn en Exemplar nee Informatschonen kriggt, disse automatisch an de gesamte Grupp wiedergeven wurrn. Dordör sünd de KI-Chatbots in de Laag, Weeten antohoopen, dat wiet över de Fähigkeiten vun en Enkelten herutgeiht.^[11]

De Sörg vun Hinton gellt vör allen en KI, de mit de Mögelkeit utstatt is, eegen Deelteelen to defineeren, wiel bestimmt Deelteelen – to’n Bispeel mehr Energie, en höhgere Replikatschoon oder mehr Kontrolle – to grötteren Spood führen würr un somit bevörtoogt würrn. So en KI kunn licht buter Kontrolle geraden.^[12][13]

Ehrungen

• 2001 Rumelhart-Pries för „theoretische Beiträge in den Grundlagen menschlicher Erkenntnis“
• 2005 IJCAI Award for Research Excellence
• 2010 Gerhard Herzberg Canada Gold Medal for Science and Engineering
• 2016 BBVA Foundation Frontiers of Knowledge Award
• 2018 Turing Award^[14][15]
• 2021 Dickson Prize in Science
• 2022 Prinzessin-von-Asturien-Pries in de Kategorie „Weetenschap“^[16]
• 2022 Royal Medal
• 2024 Nobelpries för Physik (mit John Joseph Hopfield)^[17]

Liddmaatschapen

• 1996 Royal Society of Canada
• 1998 Royal Society
• 2003 American Academy of Arts and Sciences
• 2016 National Academy of Engineering
• 2023 National Academy of Sciences

Publikatschonen

• Dana H. Ballard, Geoffrey E. Hinton, Terrence J. Sejnowski: Parallel visual computation. In: Nature. Band 306, Nr. 5938, November 1983, ISSN 0028-0836, S. 21–26, doi:10.1038/306021a0.
• G. E. Hinton, T. J. Sejnowski, D. H. Ackley: Boltzmann machines: Constraint satisfaction networks that learn. Carnegie-Mellon University, Department of Computer Science, Pittsburgh, PA 1984.
• David E. Rumelhart, Geoffrey E. Hinton, Ronald J. Williams: Learning representations by back-propagating errors. In: Nature. Band 323, Nr. 6088, Oktober 1986, ISSN 0028-0836, S. 533–536, doi:10.1038/323533a0.
• G. E. Hinton, R. R. Salakhutdinov: Reducing the Dimensionality of Data with Neural Networks. In: Science. Band 313, Nr. 5786, 28. Juli 2006, ISSN 0036-8075, S. 504–507, doi:10.1126/science.1127647.
• G. Hinton: Learning multiple layers of representation. In: Trends in Cognitive Science. Band 11, Nr. 10, 2007, S. 428–434.
• Alex Krizhevsky, Ilya Sutskever, Geoffrey E. Hinton: ImageNet classification with deep convolutional neural networks. In: Proceedings of the 25th International Conference on Neural Information Processing Systems - Volume 1 (= NIPS'12). Curran Associates Inc., Red Hook, NY, USA 3. Dezember 2012, S. 1097–1105, doi:10.5555/2999134.2999257.
• Yann LeCun, Yoshua Bengio, Geoffrey Hinton: Deep learning. In: Nature. Band 521, Nr. 7553, 28. Mai 2015, ISSN 0028-0836, S. 436–444, doi:10.1038/nature14539.

Weblinks

• Hinton sien Internetsiet an de Universität Toronto (engelsch)