hector-bot/knowledge-base
1
0
Fork 0
Code Issues Pull requests Projects Releases Packages Wiki Activity Actions
knowledge-base/wiki/people/geoffrey-hinton.md
Hector 8f676acfa7 ingest(youtube): Matthew Berman - 90% less AI costs via Model Routing 
- raw: raw/youtube/2026-07-07_berman-model-routing.md
- wiki/tools/model-routing.md (new) — Cost-saving routing patterns
- wiki/architecture/model-routing.md (update) — Berman patterns section
- wiki/index.md — 67. Update with new tool + architecture update
- wiki/log.md — changelog entry
2026-07-07 10:31:37 +02:00

6.1 KiB
Raw Blame History

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 brian-roemmele.md
  • Die lokale-Souveränitäts-These des OME21-Briefings korrespondiert mit Hintons Skepsis gegenüber zentralisierter KI-Kontrolle

Quellen