Geoffrey Hinton: как исследования нейросетей стали основой AI-бума

Когда в 2012 году нейронная сеть AlexNet разгромила конкурентов в конкурсе распознавания изображений ImageNet, большинство ИТ-индустрии еще считало нейросети научной экзотикой. За десятилетие после этого сама архитектура, на которой держался тот эксперимент, легла в основу ChatGPT, систем машинного перевода, голосовых ассистентов и генераторов изображений. Человеком, который десятилетиями вел эту идею сквозь скепсис коллег, был Geoffrey Hinton — исследователь, которого сегодня называют крестным отцом искусственного интеллекта.

Его история интересна не только как биография ученого. Это пример того, как долгие, неблагодарные исследования без гарантий результата в один момент превращаются в технологический фундамент целой индустрии — и как их автор впоследствии начинает публично предупреждать о последствиях собственного изобретения.

Кто такой Geoffrey Hinton простыми словами

Geoffrey Everest Hinton — британо-канадский информатик и психолог, профессор Университета Торонто. Если объяснять простыми словами, он является одним из создателей технологии, которая позволяет компьютерам учиться на примерах, а не выполнять жестко прописанные правила. Современные языковые модели, системы рекомендаций, распознавание лиц и автопилоты — все это потомки идей, которые он разрабатывал вместе с коллегами еще в 1980-х.

Несколько фактов, которые помогают понять масштаб личности:

• соавтор метода обратного распространения ошибки, который стал стандартным способом обучения нейросетей;
• наставник целого поколения исследователей, в частности Ilya Sutskever, сооснователя OpenAI;
• лауреат премии Тьюринга 2018 года вместе с Yoshua Bengio и Yann LeCun;
• лауреат Нобелевской премии по физике 2024 года вместе с John Hopfield за фундаментальные открытия, сделавшие возможным машинное обучение;
• более десяти лет работал в Google, откуда ушел в 2023 году, чтобы свободно говорить о рисках AI.

В общих ответах на вопросы вроде «Geoffrey Hinton что это» часто теряется главное: он не создал одну конкретную программу или компанию-гиганта. Его вклад — это сама методология обучения машин, которую теперь используют практически все крупные AI-продукты.

Биография Geoffrey Hinton: от психологии к информатике

Hinton родился в 1947 году в Лондоне в семье с сильной научной традицией. Его прапрадед — математик George Boole, автор булевой алгебры, на которой держится вся цифровая логика компьютеров. Сам Hinton сначала пошел не в точные науки: в Кембридже он изучал экспериментальную психологию, пытаясь понять, как работает человеческий мозг.

Разочарование в тогдашних психологических теориях подтолкнуло его к идее моделировать мышление вычислительно. В 1978 году он защитил докторскую диссертацию по искусственному интеллекту в Эдинбургском университете. Это было неблагоприятное время: направление нейросетей переживало так называемую зиму AI, когда финансирование и интерес к области резко упали после критических оценок возможностей перцептронов.

Далее его карьера прошла через несколько ключевых точек:

• начало 1980-х — работа в Университете Карнеги — Меллона в США, где он погрузился в исследования коннекционистских моделей;
• 1987 год — переезд в Канаду, должность в Университете Торонто, который остался его научным домом на десятилетия;
• работа с канадским Институтом перспективных исследований (CIFAR), который финансировал рискованные проекты по нейросетям, в которые мало кто верил;
• 2013–2023 годы — параллельная работа в Google на полставки, где он имел возможность применять свои идеи на огромных объемах данных.

Называть его «предпринимателем» в классическом смысле было бы неточно. Hinton не строил бизнес-империю, но его стартап DNNresearch, приобретенный Google, и его роль в формировании команд исследователей сделали его одной из самых влиятельных фигур в технологической истории последних десятилетий.

Что именно создал Hinton: ключевые идеи и открытия

Обратное распространение ошибки

В 1986 году Hinton вместе с David Rumelhart и Ronald Williams опубликовал работу, которая популяризировала алгоритм обратного распространения ошибки (backpropagation). Суть идеи проста по замыслу и сложна в деталях: сеть получает пример, выдает ответ, сравнивает его с правильным, а затем распределяет величину ошибки обратно по всем слоям, немного корректируя каждую связь. Повторенное миллионы раз, это корректирование превращает случайную сеть в систему, способную обобщать закономерности.

Именно этот механизм и сегодня лежит в основе обучения практически любой нейросети — от спам-фильтра до больших языковых моделей.

Машина Больцмана и раннее глубокое обучение

В 1980-х Hinton вместе с Terrence Sejnowski разработал машину Больцмана — стохастическую нейросеть, которая могла выявлять скрытые структуры в данных без явного программирования. Именно за этот цикл работ, а также за вклад в принципы, легшие в основу глубокого обучения, ему в 2024 году присудили Нобелевскую премию по физике.

Глубокие сети, которые наконец заработали

Долгое время нейросети с многими слоями считались практически неосуществимыми: их было слишком трудно обучать. Перелом наступил в середине 2000-х, когда Hinton с коллегами показал, как эффективно предварительно обучать глубокие сети слой за слоем. Появился термин deep learning — глубокое обучение. Условия созрели: выросли вычислительные мощности, появились большие наборы данных, а графические процессоры оказались идеально пригодными для матричных вычислений.

2012 год: AlexNet и начало AI-бума

Точкой невозврата стал конкурс ImageNet 2012 года. Команда лаборатории Hinton в Торонто — сам профессор и его аспиранты Alex Krizhevsky и Ilya Sutskever — представила глубокую сверточную нейросеть AlexNet. Она ошибалась в классификации изображений настолько реже конкурентов, что результат восприняли как сигнал: глубокое обучение не просто работает, оно радикально превосходит классические методы.

Последствия наступили быстро:

• в 2013 году Google приобрел DNNresearch — небольшую компанию, созданную Hinton и его учениками, — и сам Hinton присоединился к корпорации;
• крупные технологические компании начали массово нанимать специалистов по нейросетям и создавать исследовательские лаборатории;
• глубокое обучение последовательно завоевало распознавание речи, машинный перевод, компьютерное зрение и впоследствии генеративные модели;
• направление, которое еще недавно едва финансировалось, стало центральным направлением инвестиций в технологической отрасли.

Важно понимать механизм этого бума. Глубокое обучение дало универсальный рецепт: возьми большой набор данных, большую сеть, достаточно вычислений — и метод научится сам, без ручного описания правил. Это сделало AI масштабируемым бизнесом, а не научным кабинетом.

Hinton и Google: ученый внутри корпорации

В Google Hinton работал над применением глубокого обучения к реальным продуктам и научным задачам, сотрудничая с командой Google Brain. Он не руководил продуктовыми направлениями, а оставался исследователем: публиковал работы, консультировал команды, развивал собственные идеи, в частности концепцию капсульных сетей — попытку преодолеть ограничения классических сверточных архитектур.

Такая модель сотрудничества стала типичной для эпохи: университетские ученые с мировым именем работали на полставки в корпорациях, которые давали им то, чего нет в академии, — вычислительные мощности и данные. Ответ компании был симметричным: доступ к людям, которые определяли направление всей отрасли.

Почему Hinton ушел из Google и о чем предупреждает

В мае 2023 года Hinton объявил об уходе из Google, объяснив это желанием свободно говорить о рисках искусственного интеллекта, не связывая свои заявления с интересами работодателя. Он подчеркивал, что не критикует саму компанию, но не может эффективно предупреждать общество, находясь внутри индустрии.

Его основные опасения касаются нескольких направлений:

• быстрый рост возможностей моделей, который опережает механизмы контроля;
• масштабная дезинформация — сгенерированные тексты, фото и видео, которые трудно отличить от настоящих;
• изменения на рынке труда из-за автоматизации интеллектуальных задач;
• долгосрочная перспектива систем, которые могут превзойти человеческий интеллект в широком спектре задач.

Заметная деталь: Hinton не призывает остановить исследования, так как считает это нереалистичным в конкурентном мире. Вместо этого он выступает за серьезные инвестиции в безопасность AI и международную координацию. Человек, который больше других сделал для создания современного AI, теперь тратит свой авторитет на то, чтобы эта технология развивалась осмотрительно — и это, пожалуй, самый важный поворот его биографии.

Нобелевская премия и место Hinton в истории технологий

Нобелевская премия по физике 2024 года стала символическим признанием: машинное обучение окончательно превратилось из маргинального направления информатики в фундаментальную науку с последствиями для всего общества. Вместе с премией Тьюринга 2018 года это делает Hinton одним из немногих исследователей, отмеченных высшими наградами обоих миров — информатики и естественных наук.

Его место в истории удобно сравнивать не с предпринимателями, а с создателями базовых технологий — как изобретатели транзистора или интернет-протоколов. Он не создал продукт, который пользователи узнают по названию, вместо этого создал метод, без которого этих продуктов не существовало бы. В этом смысле ответ на вопрос «Geoffrey Hinton что создал» звучит шире любого патента: он создал рабочую модель того, как машина может учиться.

Частые вопросы о Geoffrey Hinton

Geoffrey Hinton — это предприниматель или ученый?

Прежде всего ученый. Он соучредил компанию DNNresearch, но ее главной ценностью была команда исследователей, а не продукт. Его влияние на индустрию идет через науку, учеников и идеи, а не через бизнес-операции.

Какая компания связана с Hinton?

Теснее всего его имя связано с Google, где он работал с 2013 по 2023 год, и с Университетом Торонто, где он остается почетным профессором. Он не является основателем OpenAI, хотя его ученик Ilya Sutskever стал сооснователем этой компании.

Почему его называют крестным отцом AI?

Потому что он десятилетиями развивал нейросети в периоды, когда направление считалось бесперспективным, и именно его группа продемонстрировала прорыв в 2012 году, с которого начался современный бум глубокого обучения.

Действительно ли Hinton сожалеет о своих исследованиях?

В публичных заявлениях он говорит о тревоге по поводу последствий, а не об отречении от науки. Он считает, что исследования все равно продолжились бы, и видит свою роль в том, чтобы привлечь внимание к вопросам безопасности.

Что стоит взять из этой истории

Биография Hinton — это история о цене долгих периодов, когда идея кажется бесполезной. Почти тридцать лет нейросети были нишевым направлением, и лишь сочетание настойчивости исследователей, роста вычислительных мощностей и больших данных превратило их в основу технологической эпохи. Для читателя, интересующегося историями технологических основателей, здесь есть практический вывод: самые большие изменения часто начинаются не с бизнес-плана, а с научного убеждения, которое долго не имеет рынка. А вторая часть его истории — об ответственности: тот, кто стоит у истоков технологии, лучше всего видит и ее пределы, и ее угрозы.