knowledge-base/wiki/people/geoffrey-hinton.md

created	updated	sources	tags
2026-07-05	2026-07-05	youtube/2026-07-05_hinton-ri-lecture.md	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

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 people/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)
• Q&A Session (Ri-Supporters)
• Royal Institution Event-Seite
• Wikipedia: Geoffrey Hinton
• ClassCentral-Kursseite: Will AI outsmart human intelligence?