یک انقلابی در هوش مصنوعی

Geoffrey Everest Hinton روانشناس شناختی و دانشمند علوم کامپیوتر انگلیسی-کانادایی است و بیشتر به خاطر کارهایش در زمینه‌ی شبکه‌های عصبی مصنوعی شناخته شده‌است. از سال ۲۰۱۵ وی وقت خویش را بین گوگل و دانشگاه تورنتو تقسیم کرده. او یکی از اولین محققانی است که نشان داد می‌توان از الگوریتم پس‌انتشار تعمیم یافته برای آموزش شبکه عصبی چند لایه استفاده کرد که نقش مهمی در یادگیری عمیق دارد. او همچنین در مجموعه تحقیقاتی که منجر به پیدایش یادگیری عمیق شد به صورت فعال شرکت داشت. وی بنیانگذار و مشاور اصلی انستیتوی علمی وکتور در تورنتو در سال ۲۰۱۷ است. همچنین برندهٔ جوایزی همچون جایزه‌ی تورینگ در سال ۲۰۱۸ شده‌است.

Geoffrey Hinton در ششم دسامبر ۱۹۴۷ در بریتانیا به دنیا آمد وی نوه‌ی جورج بول و جیمز هینتون جراح و نویسنده است. او تحصیلات خود را در انگلستان سپری کرد و در سال ۱۹۷۰ از کالج کینگ کمبریج با مدرک لیسانس در رشته‌ی هنر در روانشناسی تجربی فارغ‌التحصیل شد. او مطالعات خود را در دانشگاه ادینبورگ ادامه داد، جایی که در سال ۱۹۷۷ در آن مدرک دکتری خود را در زمینه‌ی هوش مصنوعی تحت راهنمایی Christopher Longuet-Higgins دریافت کرد.

او بعد از کسب مدرک دکتری در دانشگاه ساسکس مشغول به کار شد. پس از آن به دلیل مشکلات بودجه در انگلیس به دانشگاه کالیفرنیا، سن دیگو و دانشگاه کارنگی ملون رفت. در سال ۱۹۸۷ به دلیل ناامیدی از سیاست دوران رونالد ریگان و عدم تأیید بودجه‌ی نظامی هوش مصنوعی و ضمن دریافت کمک مالی از سوی Canadian Institute for Advanced Research به کانادا رفت تا بتواند به تحقیقات بنیادین در شبکه‌های عصبی بپردازد و در حال حاضر استاد گروه علوم کامپیوتر در دانشگاه تورنتو است. وی دارای کرسی تحقیقاتی کانادا در یادگیری ماشین و مشاور برنامه‌ی آموزش در ماشین آلات و مغزها در انستیتوی تحقیقات پیشرفته‌ی کانادا است. Hinton در سال ۲۰۱۲ یک دوره‌ی آنلاین شبکه‌های عصبی بصورت رایگان در بستر آموزشی Coursera تدریس کرد و در مارس ۲۰۱۳ هنگامی که شرکتش، DNNresearch Inc، خریداری شد، به Google پیوست. وی در حال حاضر وقت خود را بین تحقیقات دانشگاهی و کار در Google تقسیم می‌کند.

بین سال‌های ۱۹۸۲ تا ۱۹۸۷، در حالی کهHinton استاد دانشگاه کارنگی ملون بود، به همراه David E. Rumelhart و Ronald J. Williams الگوریتم پس‌انتشار را در شبکه های عصبی چند لایه اعمال کردند و آن را در یادگیری بازنمایی مورد استفاده قرار دادند. آزمایش‌های آن‌ها نشان داد که چنین شبکه‌هایی می‌توانند نمایش‌های داخلی مفیدی از داده‌ها را بیاموزند. در سال ۱۹۸۶ آن‌ها در یک مقاله نتایج کار خود را منتشر کردند. این مقاله باعث اوج گیری دوباره‌ی توجهات به شبکه‌های عصبی مصنوعی شد و تحقیقات در این زمینه را بعد از یک رکود بیست ساله دوباره به جریان انداخت. با وجود کارهای زیادی که قبل از آن در زمینه‌ی پس‌انتشار انجام شده بود، این مقاله از نظر بیان مختصر و واضح ایده، بسیار برجسته بود و باعث شد که پس‌انتشار مورد پسند عموم قرار بگیرد. Hinton در مصاحبه‌ای در سال ۲۰۱۸، گفت که ایده‌ی اصلی استفاده از پس‌انتشار را David E. Rumelhart پیشنهاد داده بود و بنابراین این اختراع اوست.

در همان دوره‌ی زمانی، Hinton با همکاری David Ackley و Terry Sejnowski ماشین‌های بولتزمن را ابداع کرد. از دیگر کارهای او در زمینه‌ی تحقیقات روی شبکه‌های عصبی می‌توان به این موارد اشاره کرد:distributed representations ،time delay neural network وHelmholtz machine. به ترتیب در اکتبر و نوامبر ۲۰۱۷، Hinton دو مقاله‌ی تحقیقاتی دسترسی آزاد را با موضوع شبکه‌های عصبی کپسولی منتشر کرد که به گفته‌ی خودش سرانجام چیزی است که به خوبی کار می‌کند.

Hinton در سال ۲۰۱۸ به همراه Yoshua Bengio و Yann LeCun، جایزه‌ی تورینگ را به خاطر کارهایشان در زمینه‌ی یادگیری عمیق دریافت کردند. در شرایطی که در ده‌ی ۹۰ میلادی بسیاری از پژوهشگران از شبکه‌های عصبی دلسرد شده و از آن به عنوان یک دردسر در کار یاد می‌کردند، این سه نفر به شبکه‌های عصبی وفادار بوده و با استقامت و تلاش خود توانستند انقلابی به نام یادگیری عمیق در هوش مصنوعی پدید آورند. از اینرو از آنها با عنوان "پدرخوانده های هوش مصنوعی" و "پدرخوانده های یادگیری عمیق" نام برده می‌شود. در تصویر زیر عکسی از Geoffrey Hinton (در وسط)، Yann LeCun (در سمت چپ) و Yoshua Bengio (در سمت راست) دیده می‌شود.

در سال ۱۹۹۸ او به عنوان عضو انجمن سلطنتی (FRS) انتخاب شد. در گواهی انتخاب وی برای انجمن سلطنتی آمده است: « Geoffrey Hinton از نظر بین المللی به دلیل کار در شبکه‌های عصبی مصنوعی متمایز است، مخصوصاً در این زمینه که چگونه می‌توان بدون کمک معلم انسانی آنها را آموزش داد. این ممکن است به خوبی مقدمه‌ای برای ماشین‌های هوشمند مستقل مغز مانند باشد. وی اثرات آسیب مغزی را با اثرات تلفات در چنین شبکه‌ای مقایسه کرده و شباهت‌های قابل توجهی با نقص انسانی مانند شناسایی نام‌ها و تلفات طبقه‌بندی پیدا کرده است. کارهای وی شامل مطالعات مربوط به تصویرسازی ذهنی، و اختراع معماهایی برای آزمایش اصالت و هوش خلاق است. این از نظر ریاضی و تجربی یک مفهوم پیچیده است. او این مهارت‌ها را با تأثیر چشمگیر جمع می‌کند تا کار مهمی را ایجاد کند که بسیار مورد توجه است.»

Hinton اولین برنده‌ی جایزه‌ی Rumelhart در سال ۲۰۰۱ بود. همچنین در همان سال از دانشگاه ادینبورگ و در سال ۲۰۱۳ نیز از دانشگاه شربروک دکترای افتخاری دریافت کرد. در سال ۲۰۱۶، وی به عنوان عضو خارجی آکادمی ملی مهندسی برای مشارکت در بخش تئوری و عملی شبکه‌های عصبی مصنوعی و کاربرد آنها در تشخیص گفتار و بینایی رایانه انتخاب شد. وی همچنین جایزه‌ی 2016 IEEE / RSE Wolfson James Clerk Maxwell را دریافت کرد. وی برنده‌ی جایزه‌ی دانش بنیان BBVA Frontiers of Knowledge (2016) در گروه فناوری اطلاعات و ارتباطات برای کار پیشگام و بسیار تأثیرگذار خود برای ابداع و معرفی ماشین‌های با توانایی یادگیری شده است.

موارد ذکر شده در بالا تنها گوشه‌ای از افتخاراتی است که Hinton کسب کرده است. از او به عنوان یک چهره‌ی برجسته در جامعه‌ی یادگیری عمیق یاد می‌شود. تحقیقات وی روش‌های استفاده از شبکه‌های عصبی برای یادگیری ماشین، حافظه، ادراک و پردازش نمادها را بررسی می‌کند. تحقیقاتی که منجر به انقلابی در هوش مصنوعی شده است.