Geoffrey Hinton: як дослідження нейромереж стали основою AI-буму

Коли 2012 року нейронна мережа AlexNet розгромила конкурентів у конкурсі розпізнавання зображень ImageNet, більшість ІТ-індустрії ще вважала нейромережі науковою екзотикою. За десятиліття після цього сама архітектура, на якій тримався той експеримент, лягла в основу ChatGPT, систем машинного перекладу, голосових асистентів і генераторів зображень. Людиною, яка десятиліттями вела цю ідею крізь скепсис колег, був Geoffrey Hinton — дослідник, якого сьогодні називають хрещеним батьком штучного інтелекту.

Його історія цікава не лише як біографія вченого. Це приклад того, як довгі, невдячні дослідження без гарантій результату в один момент перетворюються на технологічний фундамент цілої індустрії — і як їхній автор згодом починає публічно попереджати про наслідки власного винаходу.

Хто такий Geoffrey Hinton простими словами

Geoffrey Everest Hinton — британсько-канадський інформатик і психолог, професор Університету Торонто. Якщо пояснювати простими словами, він є одним із творців технології, яка дозволяє комп’ютерам навчатися на прикладах, а не виконувати жорстко прописані правила. Сучасні мовні моделі, системи рекомендацій, розпізнавання облич і автопілоти — усе це нащадки ідей, які він розробляв разом із колегами ще в 1980-х.

Кілька фактів, які допомагають зрозуміти масштаб постаті:

• співавтор методу зворотного поширення помилки, який став стандартним способом навчання нейромереж;
• наставник цілого покоління дослідників, зокрема Ilya Sutskever, співзасновника OpenAI;
• лауреат Тюрингівської премії 2018 року разом із Yoshua Bengio та Yann LeCun;
• лауреат Нобелівської премії з фізики 2024 року разом із John Hopfield за фундаментні відкриття, що зробили можливим машинне навчання;
• понад десять років працював у Google, звідки пішов 2023 року, щоб вільно говорити про ризики AI.

У загальних відповідях на запитання на кшталт «Geoffrey Hinton що це» часто втрачається головне: він не створив одну конкретну програму чи компанію-гіганта. Його внесок — це сама методологія навчання машин, яку тепер використовують практично всі великі AI-продукти.

Біографія Geoffrey Hinton: від психології до інформатики

Hinton народився 1947 року в Лондоні в родині з сильною науковою традицією. Його прапрадід — математик George Boole, автор булевої алгебри, на якій тримається вся цифрова логіка комп’ютерів. Сам Hinton спочатку пішов не в точні науки: у Кембриджі він вивчав експериментальну психологію, намагаючись зрозуміти, як працює людський мозок.

Розчарування в тодішніх психологічних теоріях підштовхнуло його до ідеї моделювати мислення обчислювально. 1978 року він захистив докторську дисертацію зі штучного інтелекту в Единбурзькому університеті. Це був несприятливий час: напрямок нейромереж переживав так звану зиму AI, коли фінансування й інтерес до галузі різко впали після критичних оцінок можливостей перцептронів.

Далі його кар’єра пройшла через кілька ключових точок:

• початок 1980-х — робота в Університеті Карнегі — Меллона в США, де він поринув у дослідження конекціоністських моделей;
• 1987 рік — переїзд до Канади, посада в Університеті Торонто, який залишився його науковим домом на десятиліття;
• робота з канадським Інститутом перспективних досліджень (CIFAR), що фінансував ризиковані проєкти з нейромереж, у які мало хто вірив;
• 2013–2023 роки — паралельна робота в Google на півставки, де він мав змогу застосовувати свої ідеї на величезних обсягах даних.

Окрести його «підприємцем» у класичному сенсі було б неточно. Hinton не будував бізнес-імперію, але його стартап DNNresearch, придбаний Google, і його роль у формуванні команд дослідників зробили його однією з найвпливовіших постатей у технологічній історії останніх десятиліть.

Що саме створив Hinton: ключові ідеї та відкриття

Зворотне поширення помилки

1986 року Hinton разом із David Rumelhart і Ronald Williams опублікував роботу, яка популяризувала алгоритм зворотного поширення помилки (backpropagation). Суть ідеї проста за задумом і складна в деталях: мережа отримує приклад, видає відповідь, порівнює її з правильною, а потім розподіляє величину помилки назад по всіх шарах, трохи коригуючи кожен зв’язок. Повторене мільйони разів, це коригування перетворює випадкову мережу на систему, здатну узагальнювати закономірності.

Саме цей механізм і сьогодні лежить в основі навчання практично будь-якої нейромережі — від фільтра спаму до великих мовних моделей.

Машина Больцмана та раннє глибоке навчання

У 1980-х Hinton разом із Terrence Sejnowski розробив машину Больцмана — стохастичну нейромережу, яка могла виявляти приховані структури в даних без явного програмування. Саме за цей цикл робіт, а також за внесок у принципи, що лягли в основу глибокого навчання, йому 2024 року присудили Нобелівську премію з фізики.

Глибокі мережі, які нарешті запрацювали

Довгий час нейромережі з багатьма шарами вважалися практично нездійсненними: їх було надто важко навчати. Перелом настав у середині 2000-х, коли Hinton із колегами показав, як ефективно попередньо навчати глибокі мережі шар за шаром. З’явився термін deep learning — глибоке навчання. Умови дозріли: зросли обчислювальні потужності, з’явилися великі набори даних, а графічні процесори виявилися ідеально придатними для матричних обчислень.

2012 рік: AlexNet і початок AI-буму

Точкою неповернення став конкурс ImageNet 2012 року. Команда лабораторії Hinton у Торонто — сам професор та його аспіранти Alex Krizhevsky і Ilya Sutskever — представила глибоку згорткову нейромережу AlexNet. Вона помилялася в класифікації зображень настільки рідше за конкурентів, що результат сприйняли як сигнал: глибоке навчання не просто працює, воно радикально перевершує класичні методи.

Наслідки наступили швидко:

• 2013 року Google придбав DNNresearch — невелику компанію, створену Hinton і його учнями, — і сам Hinton приєднався до корпорації;
• великі технологічні компанії почали масово наймати фахівців із нейромереж і створювати дослідницькі лабораторії;
• глибоке навчання послідовно завоювало розпізнавання мовлення, машинний переклад, комп’ютерний зір і згодом генеративні моделі;
• напрямок, який ще недавно ледве фінансувався, став центральним напрямом інвестицій у технологічній галузі.

Важливо розуміти механізм цього буму. Глибоке навчання дало універсальний рецепт: візьми великий набір даних, велику мережу, достатньо обчислень — і метод навчиться сам, без ручного опису правил. Це зробило AI масштабованим бізнесом, а не науковим кабінетом.

Hinton і Google: вчений усередині корпорації

У Google Hinton працював над застосуванням глибокого навчання до реальних продуктів і наукових задач, співпрацюючи з командою Google Brain. Він не керував продуктовими напрямками, а залишався дослідником: публікував роботи, консультував команди, розвивав власні ідеї, зокрема концепцію капсульних мереж — спробу подолати обмеження класичних згорткових архітектур.

Така модель співпраці стала типовою для епохи: університетські вчені зі світовим ім’ям працювали на півставки в корпораціях, які давали їм те, чого немає в академії, — обчислювальні потужності та дані. Відповідь компанії була симетричною: доступ до людей, які визначали напрямок усієї галузі.

Чому Hinton пішов із Google і про що попереджає

У травні 2023 року Hinton оголосив про вихід із Google, пояснивши це бажанням вільно говорити про ризики штучного інтелекту, не пов’язуючи свої заяви з інтересами роботодавця. Він наголошував, що не критикує саму компанію, але не може ефективно попереджати суспільство, перебуваючи всередині індустрії.

Його основні занепокоєння стосуються кількох напрямів:

• швидке зростання можливостей моделей, яке випереджає механізми контролю;
• масштабна дезінформація — згенеровані тексти, фото й відео, які важко відрізнити від справжніх;
• зміни на ринку праці через автоматизацію інтелектуальних задач;
• довгострокова перспектива систем, які можуть перевершити людський інтелект у широкому спектрі завдань.

Помітна деталь: Hinton не закликає зупинити дослідження, бо вважає це нереалістичним у конкурентному світі. Натомість він виступає за серйозні інвестиції в безпеку AI і міжнародну координацію. Людина, яка більше за інших зробила для створення сучасного AI, тепер витрачає свій авторитет на те, щоб ця технологія розвивалася обачно — і це, мабуть, найважливіший поворот його біографії.

Нобелівська премія та місце Hinton в історії технологій

Нобелівська премія з фізики 2024 року стала символічним визнанням: машинне навчання остаточно перетворилося з маргінального напрямку інформатики на фундаментальну науку з наслідками для всього суспільства. Разом із Тюрингівською премією 2018 року це робить Hinton одним із небагатьох дослідників, відзначених найвищими нагородами обох світів — інформатики та природничих наук.

Його місце в історії зручно порівнювати не з підприємцями, а з творцями базових технологій — як винахідники транзистора чи інтернет-протоколів. Він не створив продукт, який користувачі впізнають за назвою, натомість створив метод, без якого цих продуктів не існувало б. У цьому сенсі відповідь на запитання «Geoffrey Hinton що створив» звучить ширше за будь-який патент: він створив робочу модель того, як машина може навчатися.

Часті запитання про Geoffrey Hinton

Geoffrey Hinton — це підприємець чи науковець?

Насамперед науковець. Він співзаснував компанію DNNresearch, але її головною цінністю була команда дослідників, а не продукт. Його вплив на індустрію йде через науку, учнів і ідеї, а не через бізнес-операції.

Яка компанія пов’язана з Hinton?

Найтісніше його ім’я пов’язане з Google, де він працював з 2013 до 2023 року, та з Університетом Торонто, де він залишається почесним професором. Він не є засновником OpenAI, хоча його учень Ilya Sutskever став співзасновником цієї компанії.

Чому його називають хрещеним батьком AI?

Бо він десятиліттями розвивав нейромережі в періоди, коли напрямок вважався безперспективним, і саме його група продемонструвала прорив 2012 року, із якого почався сучасний бум глибокого навчання.

Чи справді Hinton шкодує про свої дослідження?

У публічних заявах він говорить про тривогу щодо наслідків, а не про відречення від науки. Він вважає, що дослідження все одно продовжилися б, і бачить свою роль у тому, щоб привернути увагу до питань безпеки.

Що варто взяти з цієї історії

Біографія Hinton — це історія про ціну довгих періодів, коли ідея здається марною. Майже тридцять років нейромережі були нішевим напрямком, і лише поєднання наполегливості дослідників, зростання обчислювальних потужностей і великих даних перетворило їх на основу технологічної епохи. Для читача, який цікавиться історіями технологічних засновників, тут є практичний висновок: найбільші зміни часто починаються не з бізнес-плану, а з наукового переконання, яке довго не має ринку. А друга частина його історії — про відповідальність: той, хто стоїть біля витоків технології, найкраще бачить і її межі, і її загрози.