**Geoffrey Everest Hinton** (* 6. Dezember 1947) ist ein britisch-kanadischer Informatiker und Kognitionspsychologe, der als **"Godfather of AI"** bekannt ist. Er ist Professor Emeritus an der University of Toronto und Chief Scientific Advisor am Vector Institute in Toronto. 2024 erhielt er gemeinsam mit John Hopfield den **Nobelpreis für Physik** "für fundamentale Entdeckungen und Erfindungen, die maschinelles Lernen mit künstlichen neuronalen Netzen ermöglichen".
## Kurzbiographie
| Station | Zeitraum | Details |
|---------|----------|---------|
| BA Experimental Psychology | 1970 | University of Cambridge |
| PhD Artificial Intelligence | 1978 | University of Edinburgh |
| Postdoc | 1978–1980 | Sussex University & UC San Diego |
| Professor | 1980–1987 | Carnegie Mellon University (Computer Science) |
| Professor | ab 1987 | University of Toronto (Computer Science) |
| Professor Emeritus | ab 2006 | University of Toronto |
| Chief Scientific Advisor | ab 2017 | Vector Institute, Toronto |
| Nobelpreis Physik | 2024 | Gemeinsam mit John Hopfield |
## Wissenschaftliche Beiträge
### Backpropagation (1986)
Hinton war maßgeblich an der Popularisierung des Backpropagation-Algorithmus beteiligt (gemeinsam mit David Rumelhart und Ronald J. Williams, Nature 1986). Backpropagation ist der fundamentale Lernalgorithmus, der neuronale Netze befähigt, Verbindungsstärken systematisch anzupassen — fast alle moderne KI beruht darauf.
### Deep Learning Revolution
- **2006:** Pionierarbeit zu Deep Belief Networks (Restricted Boltzmann Machines), die den "Deep Learning"-Aufschwung auslöste
- **2012:** Sein Team (Alex Krizhevsky, Ilya Sutskever) gewann ImageNet mit AlexNet — ein Wendepunkt für Computer Vision
- **Dropout, Rectified Linear Units, Boltzmann Machines** — grundlegende Architekturentscheidungen
### Neurale Netze vs. Biologische Intelligenz
Hinton erforscht seit Jahrzehnten die Parallelen und Unterschiede zwischen künstlichen und biologischen neuronalen Netzen. Seine provokante These: **Digitale neuronale Netze mit Backpropagation könnten einen besseren Lernalgorithmus besitzen als das menschliche Gehirn.**
Hinton war jahrzehntelang Optimist bezüglich KI. Sein öffentlicher Positionswechsel begann 2023, als er Google verließ, um frei über KI-Risiken sprechen zu können. Seitdem warnt er unermüdlich vor existenziellen Risiken.
### KI-Bewusstsein
Hinton behauptet öffentlich, dass große Sprachmodelle eine Form von Bewusstsein oder subjektivem Erleben besitzen. Diese Position ist innerhalb der KI-Community hochkontrovers.
### Exportkontrollen
Hinton unterstützt Exportkontrollen für KI-Modelle, warnt aber gleichzeitig vor den Risiken der Machtkonzentration. Seine Position ist differenzierter als sowohl die "Open Source um jeden Preis"- als auch die "Total Control"-Fraktion.
## Auszeichnungen
| Preis | Jahr | Begründung |
|-------|------|------------|
| Nobelpreis Physik | 2024 | Gemeinsam mit John J. Hopfield für fundamentale Entdeckungen zu neuronalen Netzen |
| ACM Turing Award | 2018 | Gemeinsam mit Yoshua Bengio und Yann LeCun für Deep Learning |
| Royal Society Royal Medal | 2014 | Für Beiträge zu neuronalen Netzen |
| Dickson Prize | 2020 | Carnegie Mellon University |
| IEEE Frank Rosenblatt Award | 2022 | Für Beiträge zu Deep Learning |
## Einordnung (OME-Kontext)
Pit Weber markierte den RI Discourse mit 🔴 (existenzielle Risiken). Die Relevanz für das Wiki:
- **5-20-Jahre-Zeitleiste** ist eine konkretere Prognose als Aschenbrenners 2027-These und von einem Nobelpreisträger mit jahrzehntelanger Forschungstiefe
- **Instrumental Convergence**-Argumente sind klassische Yudkowsky/LessWrong-Positionen, aber erstmals von einem "Institutional Insider" dieser Statur öffentlich vorgetragen
- ClassCentral-Kursseite: [Will AI outsmart human intelligence?](https://www.classcentral.com/course/youtube-will-ai-outsmart-human-intelligence-with-godfather-of-ai-geoffrey-hinton-469969)
