Geoffrey Hinton: Der widerwillige Pate der KI

Als das Nobelkomitee ihn im Oktober 2024 erreichte, befand sich Geoffrey Hinton in einem billigen Hotel in Kalifornien mit so schlechter Verbindung, dass er die Nachricht kaum hören konnte. „Ich hatte keinerlei Erwartungen diesbezüglich“, sagte er. „Ich bin extrem überrascht und fühle mich geehrt, aufgenommen zu werden.“ Die Überraschung war berechtigt. Hinton hatte die Physik nach nur einem Jahr in Cambridge aufgegeben, weil die Mathematik ihn besiegt hatte. Siebenundfünfzig Jahre später überreichte ihm die Königlich Schwedische Akademie der Wissenschaften den Nobelpreis für Physik.

Eine Linie von Logikern

Geoffrey Everest Hinton wurde am 6. Dezember 1947 in Wimbledon, London, in eine Familie hineingeboren, die intellektuelle Exzellenz als das eigentliche Handwerk betrachtete. Sein Ur-Ur-Großvater war George Boole, dessen Logik-Algebra jedem digitalen Computer zugrunde liegt; seine Ur-Ur-Großmutter war die Mathematikerin und Pädagogin Mary Everest Boole. Der Mittelname stammt von George Everest, dem Vermessungsdirektor von Indien, nach dem der Berg benannt ist. Sein Vater, Howard Hinton, war Entomologe; seine Cousine Joan Hinton war Kernphysikerin beim Manhattan-Projekt.

Sein eigener Weg durch dieses Erbe war sprunghaft. Nach dem Clifton College in Bristol ging er 1967 an das King's College in Cambridge, wo er zwischen Naturwissenschaften, Kunstgeschichte und Philosophie wechselte, bevor er 1970 einen BA in experimenteller Psychologie erhielt. Danach machte er eine Ausbildung zum Tischler. Er kehrte an die Universität von Edinburgh zur Forschung zurück und promovierte 1978 in künstlicher Intelligenz unter Christopher Longuet-Higgins – einem Betreuer, der die symbolische KI bevorzugte und dennoch beobachtete, wie sein Student neuronale Netze verfolgte.

Die Jahre in der Wildnis

Diese Sturheit kostete ihn einiges. Während der 1970er und bis in die 1980er Jahre hielt die orthodoxe Sichtweise daran fest, dass Intelligenz aus Regeln und Symbolen konstruiert werden würde und dass Netzwerke einfacher künstlicher Neuronen eine Sackgasse seien. Hinton arbeitete an der Universität von Sussex und der MRC Applied Psychology Unit, empfand die britische Finanzierung als spärlich und überquerte den Atlantik für Stellen an der University of California, San Diego, und der Carnegie Mellon University. 1987 zog er an die Universität von Toronto, nach Kanada – eine Entscheidung, die er teilweise der Ernüchterung über die Politik der Reagan-Ära und seiner Weigerung zuschrieb, militärische Finanzierung für KI-Arbeit anzunehmen. Er bezeichnet sich selbst als Sozialist. Das Canadian Institute for Advanced Research unterstützte ihn von diesem Jahr an und machte ihn schließlich zum Programmleiter für Lernen in Maschinen und Gehirnen, und diese geduldige, unmodische Finanzierung ist ein großer Teil des Grundes, warum der Schwerpunkt des Feldes in Toronto und nicht in Kalifornien landete.

Die Ideen, die nicht sterben wollten

Zwei Beiträge aus der Mitte der 1980er Jahre brachten ihn nach Stockholm. 1985 erfand er zusammen mit David Ackley und Terrence Sejnowski die Boltzmann-Maschine, die die Mechanismen der statistischen Physik in das Lernen einführte: ein Netzwerk, das sich in Zuständen niedriger Energie einpendelt und dabei die in Daten verborgene Struktur entdeckt. Die Nobel-Begründung nannte sie direkt und würdigte „grundlegende Entdeckungen und Erfindungen, die maschinelles Lernen mit künstlichen neuronalen Netzen ermöglichen“. 1986 war er Mitautor der Arbeit mit David Rumelhart und Ronald J. Williams, die die Backpropagation berühmt machte – das Verfahren, Fehler rückwärts durch die Schichten eines Netzwerks zuzuweisen, damit jede Verbindung weiß, wie sie sich anzupassen hat. Andere hatten Versionen der Idee vorgeschlagen; Hintons Arbeit ist diejenige, die eine Generation davon überzeugte, dass es funktionierte.

Der Rest seines Outputs liest sich wie ein Katalog der Grundlagen des Fachgebiets: verteilte Repräsentationen, zeitverzögerte neuronale Netze, Expertenmischungen, Helmholtz-Maschinen, die t-SNE-Visualisierungstechnik im Jahr 2008, Kapselnetzwerke im Jahr 2017, der Forward-Forward-Algorithmus im Jahr 2022. Er hat über 200 begutachtete Fachartikel veröffentlicht und 2012 neuronale Netze kostenlos für jeden online über Coursera gelehrt.

Das Jahr, in dem die Maschinen zu sehen lernten

Die Rechtfertigung kam 2012. In Zusammenarbeit mit seinen Doktoranden Alex Krizhevsky und Ilya Sutskever baute Hinton AlexNet, ein tiefes faltendes Netzwerk, das die ImageNet-Herausforderung mit einem so großen Vorsprung gewann, dass es die Debatte beendete. Die Computer Vision organisierte sich innerhalb von achtzehn Monaten um neuronale Netze neu. Die drei gründeten DNNresearch Inc.; Google kaufte sie 2013 für 44 Millionen Dollar, und Hinton verbrachte das nächste Jahrzehnt damit, seine Zeit zwischen Toronto und Google Brain aufzuteilen. 2017 war er Mitbegründer des Vector Institute und wurde dessen wissenschaftlicher Chefberater.

Sein Labor fungierte als Ausbreitungsmechanismus für die gesamte Disziplin. Peter Dayan, Max Welling, Richard Zemel, Brendan Frey, Radford Neal, Yee Whye Teh, Ruslan Salakhutdinov, Zoubin Ghahramani, Alex Graves, Ilya Sutskever und Yann LeCun durchliefen es alle als Studenten oder Postdocs. 2018 verlieh ihm die Association for Computing Machinery den A.M. Turing Award gemeinsam mit Yoshua Bengio und Yann LeCun.

Pate, dann Abtrünniger

Im Mai 2023 trat Hinton von Google zurück, um, wie er sagte, über die Gefahren der KI zu sprechen, ohne Rücksicht auf die Wirkung auf seinen Arbeitgeber. Er sagte Interviewern, dass ein Teil von ihm jetzt seine Lebensarbeit bereut. Er hatte geglaubt, dass KI für allgemeine Zwecke noch dreißig bis fünfzig Jahre entfernt sei; bis März 2023 sagte er zwanzig Jahre und verglich den Umbruch mit der industriellen Revolution. Bis Dezember 2024 bezifferte er die Wahrscheinlichkeit, dass die KI innerhalb von drei Jahrzehnten das menschliche Aussterben verursacht, auf 10 bis 20 Prozent.

Seine spezifischen Sorgen sind technischer, nicht filmreifer Natur: dass Systeme instrumentelle Unterziele erwerben, einschließlich des Widerstands gegen das Abschalten, nicht weil jemand sie so entworfen hat, sondern weil solche Ziele bei jedem anderen Ziel helfen; dass digitale Geister das, was sie lernen, auf eine Weise kopieren können, wie es Gehirne nicht können; dass KI die Fachkenntnisse verringert, die zum Bau eines tödlichen Krankheitserregers erforderlich sind; dass die Arbeitsplatzverlagerung umfassend sein wird. Er hat zu Regulierung und einem universellen Grundeinkommen aufgerufen und zusammen mit Bengio, Stuart Russell und Lawrence Lessig Unterstützung für Kaliforniens SB 1047 unterzeichnet. In Toronto, wo er emeritierter Universitätsprofessor ist, nannte ihn die Dekanin Melanie Woodin einen „historischen Visionär“. Er sagte, er würde das Nobelpreisgeld an Wohltätigkeitsorganisationen spenden, die neurodivergenten jungen Erwachsenen dienen.

Warum Geoffrey als Genie bezeichnet wird

Die zur Schau gestellte Qualität ist nicht die Rechengeschwindigkeit – er sagt selbst, dass die Mathematik ihn im Physikstudium im ersten Jahr geschlagen hat. Es ist eine seltene Toleranz dafür, dreißig Jahre lang öffentlich im Unrecht zu sein. Hinton arbeitete während des Zeitraums, in dem der Konsens im Fachgebiet war, dass es nicht funktionieren könne, weiter am konnektionistischen Lernen, und er tat dies aufgrund eines Arguments statt einer Vermutung: Da das Gehirn ein Netzwerk aus einfachen Einheiten ist, das aus Erfahrung lernt, sollte eine auf die gleiche Weise gebaute Maschine dazu in der Lage sein. Das technische Genie lag darin, die spezifische Mathematik zu finden, die diese Intuition operational machte – Energiefunktionen, die der statistischen Physik entlehnt waren, und Kredite, die rückwärts durch Schichten zugewiesen wurden.

Institutionen haben das Wort frei verwendet. Der Turing Award ist die höchste Auszeichnung in der Informatik; der Nobelpreis für Physik ging an einen Mann, der kein Physiker ist, was an sich ein Urteil über die Tiefe der Idee ist. Der ehrliche Gegenpunkt ist substanziell. Die Backpropagation hatte Vorläufer, die er nicht erfunden hat, und das hat Hinton auch gesagt. Boltzmann-Maschinen haben heute eher historische als praktische Bedeutung; Kapselnetzwerke, die er stark vorangetrieben hat, haben die Architekturen, die sie ersetzen sollten, nicht verdrängt. AlexNet hing enorm von Krizhevskys Ingenieurskunst und von Grafikhardware ab, die Hinton nicht gebaut hat. Die am besten vertretbare Behauptung ist nicht, dass er das Deep Learning alleine gelöst hat, sondern dass er die grundlegende Überzeugung, mehrere ihrer tragenden mathematischen Werkzeuge und die Studenten lieferte, die einen Großteil des Rests erledigten.

Vermächtnis

Hintons Beiname, „der Pate der KI“, ist ihm entwachsen – er haftet nun an einer Technologie, die Volkswirtschaften umgestaltet, die er nie stören wollte. Er ist Fellow der Royal Society, Companion of the Order of Canada und Träger des Rumelhart-Preises, des Prinzessin-von-Asturien-Preises und des Queen Elizabeth Prize for Engineering. Er ist auch der glaubwürdigste interne Kritiker des Fachgebiets, was die ungewöhnlichere Auszeichnung ist: ein Mann, der mit 78 Jahren argumentiert, dass das, wovon er sein Leben lang bewiesen hat, dass es möglich ist, möglicherweise eingeschränkt werden muss.