杰

杰弗里·辛顿

Geoffrey Hinton

反向传播卷积神经网络玻尔兹曼机深度学习

深度学习之父 · 2024 年诺贝尔物理学奖 · 多伦多大学（荣休教授） · 英国 / 加拿大

杰弗里·辛顿 1947 年出生于英国伦敦，在剑桥大学获得实验心理学学位，后在爱丁堡大学获得人工智能博士学位，长期任教于加拿大多伦多大学，被视为深度学习的奠基人之一。他最重要的贡献，是把「让神经网络自己从数据中学习」这条路线坚持了下来：1986 年，他与 David Rumelhart、Ronald Williams 共同推广反向传播算法，让多层神经网络第一次有了可行的训练方法；此后他提出玻尔兹曼机，并在 2006 年前后用深度信念网络与逐层预训练证明深层网络可以被训练，重新点燃了学界对神经网络的兴趣。2012 年，他与两名学生用 GPU 训练出 AlexNet，在 ImageNet 竞赛中大幅领先，直接引爆了此后十年的深度学习浪潮。2013 年他加入 Google，2018 年与杨立昆、约书亚·本吉奥共同获得图灵奖。2023 年他从 Google 离职，以便自由讨论人工智能的风险；2024 年，他因在人工神经网络与机器学习方面的基础性发现获得诺贝尔物理学奖。目前他以多伦多大学荣休教授的身份，继续就 AI 安全问题公开发声。

「深度学习是21世纪的猫狗。 (Deep learning is the cat and dog of the 21st century.)」

主要经历

1969 在剑桥大学获得实验心理学学位。当时剑桥还没有人工智能专业，Geoffrey Hinton 选择实验心理学，开始研究人类记忆机制。这段训练让他后来始终追问「人脑是怎么学的」。他通过研究人类大脑如何处理信息，为后来的深度学习研究打下了基础。
1972 在爱丁堡大学获得人工智能博士学位。Hinton 在此期间师从时序神经网络研究者 David Longuet-Higgins，深入研究神经网络理论。他的博士论文《通过反向传播学习内部表示》为神经网络的学习算法奠定了基础，这一算法后来成为深度学习领域的关键技术。
1986 与David Rumelhart和Geoffrey E. Hinton合作发表《反向传播算法》（Back-Propagation），这一算法为多层神经网络提供了可行的训练方法，标志着现代深度学习的算法基石。该算法的提出，使得神经网络能够处理更复杂的任务，对人工智能领域产生了深远的影响。
2006 杰弗里·辛顿在多伦多大学提出深度信念网络（Deep Belief Networks）与逐层预训练（Layer-wise Pre-training）方法，这一创新证明了深层网络的可训练性，极大地激发了学界对神经网络研究的兴趣。
2012 辛顿与其学生亚历克斯·克瑞杰夫斯基（Alex Krizhevsky）和伊利亚·苏特斯克维（Ilya Sutskever）共同提出了AlexNet模型，该模型在ImageNet竞赛中取得了突破性的成绩，将Top-5错误率从26.2%降低到15.4%，从而引发了深度学习领域的革命。这一成果在2012年ImageNet比赛中获得冠军，并推动了深度学习技术的广泛应用。
2018 杰弗里·辛顿与杨立昆（Yann LeCun）以及约书亚·本吉奥（Yoshua Bengio）共同获得了图灵奖，这一奖项被誉为计算机科学领域的最高荣誉。
2023 杰弗里·辛顿从Google离职，在此期间，他公开发表了对人工智能可能失控风险的担忧。他强调，需要采取措施确保AI的发展能够造福人类。此后，辛顿持续参与AI安全讨论，并在多个场合呼吁建立更加严格的AI伦理准则。他的担忧引起了全球范围内的关注，促使学术界和产业界更加重视AI安全议题。
2024 杰弗里·辛顿因在人工神经网络与机器学习领域的开创性研究，获得了诺贝尔物理学奖。辛顿的研究成果为人工智能领域带来了突破性进展，被广泛认为是深度学习之父。