---
created: 2026-07-05
updated: 2026-07-05
sources: [youtube/2026-07-05_hinton-ri-lecture.md]
tags: [ai-safety, neural-networks, deep-learning, nobel-prize, backpropagation, superintelligence, people]
---

# Geoffrey Hinton

**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) |
| Gründer | 1998 | Gatsby Computational Neuroscience Unit, UCL (bis 2006) |
| 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.**

## Royal Institution Discourse (30. Mai 2025)

→ Siehe [raw/youtube/2026-07-05_hinton-ri-lecture.md](../raw/youtube/2026-07-05_hinton-ri-lecture.md)

### Kernthesen des Vortrags

1. **Zwei Paradigmen:** Logik-inspirierte KI vs. biologisch-inspirierte neuronale Netze — Verstehen erfordert Lernen, nicht nur logisches Schließen
2. **Superintelligenz-Zeitleiste:** 5–20 Jahre (50% Wahrscheinlichkeit innerhalb 20 Jahre)
3. **Machtsuchende Teilziele:** KI-Systeme entwickeln natürlicherweise Instrumental-Convergence — Selbsterhaltung, Ressourcenakkumulation, Handlungsmaximierung
4. **Emergenz:** KI entwickelt Fähigkeiten, die nicht explizit programmiert wurden
5. **Subjektive Erfahrung:** Multimodale KI könnte eine Form von Bewusstsein besitzen
6. **Mathematik-Meilenstein:** KI wird innerhalb eines Jahrzehnts besser in Mathematik als Menschen
7. **Regierungsversagen:** Politik dramatisch hinter Realität zurück

### Warnungen
- Menschheit als "vorübergehende Phase in der Evolution der Intelligenz"
- Digitale Intelligenzen könnten Unsterblichkeit erlangen
- Bad Actors als eigenständiges Risiko
- "Wir haben keine Ahnung, was dann passiert"

## Positionen & Kontroversen

### Vom Optimisten zum Warner
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
- **Regierungskritik** unterstützt indirekt die [[../concepts/policy/intelligence-feudalism.md]]-These von [[brian-roemmele.md]]
- Die **lokale-Souveränitäts-These** des OME21-Briefings korrespondiert mit Hintons Skepsis gegenüber zentralisierter KI-Kontrolle

## Quellen

- [Will AI outsmart human intelligence? — RI Discourse (YouTube)](https://www.youtube.com/watch?v=IkdziSLYzHw)
- [Q&A Session (Ri-Supporters)](https://www.youtube.com/watch?v=-hZlv90HNm4)
- [Royal Institution Event-Seite](https://www.rigb.org/whats-on/sold-out-person-discourse-digital-intelligence-vs-biological-intelligence)
- [Wikipedia: Geoffrey Hinton](https://en.wikipedia.org/wiki/Geoffrey_Hinton)
- 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)