Geoffrey Hinton (* 6. Dezember 1947, London, Großbritannien / lebt in Toronto, Kanada) ist ein britisch-kanadischer Informatiker und Kognitionswissenschaftler, der als einer der Hauptbegründer des Deep Learning gilt, 2024 den Nobelpreis für Physik erhielt und als „Godfather of AI" bekannt ist.
Rubrik: Einflussreiche Persönlichkeiten · Unterrubrik: Medientheoretiker & KI-Pioniere · Niveau: Einsteiger Auch bekannt als: „Godfather of AI", Turing Award 2018 (mit LeCun und Bengio), Nobelpreis für Physik 2024
Biografie
Geoffrey Everest Hinton wurde 1947 in London in eine intellektuelle Familie geboren; er ist ein Nachfahre des Mathematikers George Boole, dessen Boolesche Logik die Grundlage digitaler Computer ist. Er studierte Experimentalpsychologie an der University of Cambridge (Bachelor 1970) und promovierte 1978 an der University of Edinburgh in Informatik.
Nach Forschungsaufenthalten in den USA – unter anderem am Carnegie Mellon University – wechselte Hinton 1987 an die University of Toronto, wo er seinen wichtigsten akademischen Heimathafen fand und bis heute Emeritus-Professor ist. Von 2013 bis 2023 arbeitete er zusätzlich bei Google Brain an der Entwicklung neuronaler Netze, bevor er aus ethischen Gründen seinen Google-Posten aufgab.
Im Oktober 2024 wurde Hinton gemeinsam mit dem amerikanischen Physiker John Hopfield der Nobelpreis für Physik verliehen – für Arbeiten, die die Grundlage des maschinellen Lernens durch künstliche neuronale Netzwerke legten. Es war das erste Mal, dass die Nobelkommission eine primär informatische Leistung mit dem Physiknobelpreis auszeichnete – was selbst eine Debatte auslöste.
Hauptthesen & Beiträge
Hintons zentralster Beitrag ist die Popularisierung und theoretische Weiterentwicklung des Backpropagation-Algorithmus: Bereits in den 1970er Jahren entwickelt, wurde Backpropagation durch Hintons Arbeit (gemeinsam mit David Rumelhart und Ronald Williams, 1986) zum Standardverfahren für das Training mehrschichtiger neuronaler Netze. Backpropagation ermöglicht es einem Netzwerk, aus Fehlern zu lernen: Es berechnet, wie sehr jede Verbindung im Netz zum Fehler beigetragen hat, und passt die Gewichte entsprechend an.
In den 1980er Jahren war Hinton einer der wenigen Forscher, die am Ansatz der neuronalen Netze festhielten, als das Feld weitgehend diskreditiert war und die symbolische KI dominierte. Diese Hartnäckigkeit zahlte sich aus.
2012 erzielte Hintons Team an der University of Toronto mit AlexNet einen historischen Durchbruch im ImageNet-Wettbewerb zur Bilderkennung: Das tiefe neuronale Netzwerk (entwickelt von Hinton-Studenten Alex Krizhevsky und Ilya Sutskever) übertraf alle konkurrierenden Systeme mit einem enormen Abstand. Dieser Moment gilt als Beginn der Deep-Learning-Revolution und hat die gesamte KI-Industrie transformiert.
Hinton entwickelte auch Boltzmann-Maschinen (1985), Kapselnetzwerke (Capsule Networks, 2017) und die Dropout-Regularisierung – Methoden zur Vermeidung von Überanpassung in neuronalen Netzwerken.
Nach seinem Austritt bei Google äußerte Hinton öffentlich Sorgen über die existenziellen Risiken der KI-Entwicklung – über unkontrollierbare superintelligente Systeme und die Gefahr des Einsatzes von KI zur Desinformation und für militärische Zwecke.
Wichtige Werke / Veröffentlichungen / Erfindungen
- „Learning Representations by Back-propagating Errors" (1986, mit Rumelhart und Williams) – Schlüsselarbeit zur Backpropagation
- „A Learning Algorithm for Boltzmann Machines" (1985, mit Sejnowski) – Begründung der Boltzmann-Maschinen
- AlexNet (2012, mit Krizhevsky und Sutskever) – Siegreiche Architektur im ImageNet-Wettbewerb; Startpunkt der Deep-Learning-Revolution
- „Deep Learning" (2015, Nature-Artikel, mit LeCun und Bengio) – Überblicksartikel, der das Feld für ein breiteres Publikum definierte
- Capsule Networks (2017) – Alternative neuronale Netzarchitektur
- Turing Award (2018, mit LeCun und Bengio) – Höchste Auszeichnung der Informatik
- Nobelpreis für Physik (2024, mit John Hopfield)
Einfluss & Bedeutung
Hintons Arbeit hat die Entwicklung von KI-Systemen revolutioniert, die heute in allen Bereichen des Lebens eingesetzt werden: Sprachassistenten, medizinische Bilddiagnose, autonomes Fahren, Übersetzungssoftware, Gesichtserkennung und generative KI wie ChatGPT. Ohne das Deep Learning, dessen Durchsetzung maßgeblich von Hinton vorangetrieben wurde, wäre der gegenwärtige KI-Boom nicht denkbar. Seine öffentlichen Warnungen vor KI-Risiken haben die gesellschaftliche Debatte über KI-Sicherheit entscheidend mitgeprägt.
Kritik & Kontroversen
Hinton wurde kritisiert, weil er erst nach seinem Abgang von Google öffentlich über KI-Risiken sprach. Manche Kritiker fragen, ob es opportunistisch war, erst nach der Beendigung seiner Google-Tätigkeit Alarm zu schlagen. Die Vergabe des Physiknobelpreises an ihn und Hopfield 2024 wurde von Teilen der Physikgemeinschaft kritisiert, da ihre Arbeit primär der Informatik zuzuordnen sei. Zudem bleibt sein Ansatz des Deep Learning von manchen Forschern als „Black Box" kritisiert: Die internen Entscheidungsprozesse tiefer Netzwerke sind schwer erklärbar.
Häufige Fragen (FAQ)
Was ist Backpropagation und warum ist es wichtig? Backpropagation ist ein Algorithmus, der neuronalen Netzen das Lernen ermöglicht: Er berechnet, wie sehr jede Verbindung im Netz zu einem Fehler beigetragen hat, und passt die Gewichte in die richtige Richtung an. Ohne diesen Algorithmus wäre das Training tiefer neuronaler Netze nicht möglich gewesen.
Was hat AlexNet 2012 bedeutet? AlexNet, entwickelt in Hintons Labor, gewann 2012 den ImageNet-Bilderkennungswettbewerb mit einem historisch großen Abstand vor allen anderen Systemen. Dieser Erfolg bewies, dass tiefe neuronale Netze deutlich leistungsfähiger als alle anderen KI-Ansätze sein können und löste die globale Deep-Learning-Revolution aus.
Verwandte Einträge
Weiterführend
- Rumelhart, David E. / Hinton, Geoffrey E. / Williams, Ronald J.: Learning Representations by Back-propagating Errors. In: Nature 323, 1986, S. 533–536.
- LeCun, Yann / Bengio, Yoshua / Hinton, Geoffrey: Deep Learning. In: Nature 521, 2015, S. 436–444.
- Mitchell, Melanie: Artificial Intelligence: A Guide for Thinking Humans. New York: Farrar, Straus and Giroux, 2019.
