اگر تا به حال به این فکر کرده اید که تلفن هوشمند شما چگونه صدایتان را تشخیص می دهد یا چگونه پلتفرم های آنلاین می توانند ترجیحات شما را با دقت عجیبی پیش بینی کنند، شاهد تأثیر کار جفری هینتون هستید.

جفری هینتون (Geoffrey Hinton) که «پدرخوانده هوش مصنوعی» نامیده می شود، یک روانشناس شناختی بریتانیایی-کانادایی و یکی از عوامل اصلی توسعه هوش مصنوعی بوده است.

کار او در زمینه یادگیری عمیق و شبکه های عصبی، نحوه مفهوم سازی و تفسیر ماشین ها از داده ها را متحول کرد. بنابراین، تحقیقات او ما را به توسعه واقعی سیستم‌هایی نزدیک‌تر کرده است که می‌توانند مانند انسان فکر کنند و یاد بگیرند.

در این رابطه بخوانید‌ : تپ سواپ TapSwap چیست : بازی Tap-to-Earn تلگرام

جفری هینتون کیست؟

جفری هینتون در سال 1947 در لندن متولد شد. شیفتگی او نسبت به مغز انسان و نحوه پردازش اطلاعات توسط آن، زمینه را برای اقدامات آینده او فراهم کرد. او تحصیلات خود را در دانشگاه کمبریج ادامه داد و لیسانس هنر در روانشناسی تجربی گرفت.

هینتون بعداً دکترای خود را در هوش مصنوعی از دانشگاه ادینبورگ در سال 1978 دریافت کرد و بر روی چگونگی اجرای الگوریتم های یادگیری توسط مغز کار می کند. در سال 2017، او مؤسسه Vector را در تورنتو تأسیس کرد و نقش مشاور علمی ارشد را بر عهده گرفت.

هینتون در طول زندگی حرفه ای خود در مؤسسات معتبر از جمله دانشگاه کارنگی ملون، گوگل و دانشگاه تورنتو کار کرده است. او در حال حاضر به عنوان استاد ممتاز در دانشگاه تورنتو تدریس می کند.

پس از نقل مکان به کانادا در سال 1987، جفری هینتون عضو موسسه تحقیقات پیشرفته کانادا (CIFAR) شد و به اولین برنامه آن، هوش مصنوعی، رباتیک و جامعه پیوست.

در سال 2004، هینتون و همکارانش با موفقیت برنامه جدید CIFAR، محاسبات عصبی و ادراک تطبیقی ​​(NCAP) را پیشنهاد کردند، که او برای یک دهه این پروژه را رهبری کرد. شایان ذکر است، یوشوا بنجیو و یان لکون بخشی از این برنامه بودند و این سه نفر با هم برنده جایزه ACM Turing در سال 2018 شدند. آنها همچنان اعضای فعال برنامه یادگیری ماشین‌ها و مغزها CIFAR هستند. در سال 2012، هینتون همچنین یک دوره رایگان آنلاین شبکه های عصبی در Coursera ارائه کرد.

در سال 2013، او به عنوان بخشی از تیم تحقیقاتی هوش مصنوعی به شرکت آلفابت (گوگل سابق) پیوست، جایی که تحقیقات هوش مصنوعی هینتون نقشی اساسی در پیشرفت فناوری‌های یادگیری ماشین و هوش مصنوعی داشت.

هینتون با تأکید بر دیدگاه خود برای ایجاد سیستم‌های هوش مصنوعی که یادگیری انسان را تقلید می‌کنند، می‌گوید: هدف ساخت ماشین‌هایی است که بتوانند از تجربه بیاموزند و آن دانش را به موقعیت‌های جدید تعمیم دهند. این تمرکز بر سازگاری و یادگیری از داده‌ها، اساس کار او بوده است.

چرا جفری هینتون پدرخوانده هوش مصنوعی شناخته می شود؟

هینتون به دلیل اقدامات مهمش در زمینه توسعه یادگیری عمیق و شبکه های عصبی “پدرخوانده هوش مصنوعی” نامیده می شود. او قوانین اساسی را تنظیم کرد که رایانه ها را قادر می ساخت الگوها را تشخیص دهند، داده های پیچیده را بخوانند و مانند انسان ها تصمیم بگیرند.

وی از طریق تحقیقاتش پلی بین علوم اعصاب نظری و کاربرد عملی هوش مصنوعی ایجاد کرد.

شاید عمیق ترین مشارکت او در این زمینه، الگوریتم هایی باشد که شبکه های عصبی را قادر می سازد از حجم عظیمی از داده ها یاد بگیرند. پیشرفت‌ در فناوری‌هایی مانند تشخیص گفتار، طبقه‌بندی تصویر و پردازش زبان طبیعی (NLP) که از این طریق به دست آمده‌اند، در بسیاری از خدمات و دستگاه‌هایی که امروزه مورد استفاده قرار می‌گیرند، به کار گرفته شده‌اند.

نقش کلیدی هینتون در هوش مصنوعی

الگوریتم Backpropagation : در دهه 1980، هینتون الگوریتم Backpropagation را رایج کرد، روشی برای آموزش شبکه های عصبی چندلایه. این الگوریتم امکان تنظیم وزن را در یک شبکه عصبی فراهم می کند و آن را قادر می سازد از خطاها درس گرفته و در طول زمان بهبود یابد. این یک پیشرفت حیاتی بود که یادگیری عمیق را امکان پذیر کرد.

همچنین بخوانید : آلت کوین چیست؟ و چه تفاوتی با بیت کوین دارد؟

ماشین‌های Boltzmann : هینتون ماشین‌های بولتزمن را اختراع کرد، نوعی شبکه عصبی بازگشتی تصادفی که می‌تواند توزیع‌ احتمال پیچیده را مدل‌سازی کند. این کار تأثیر ماندگاری بر روش‌های یادگیری بدون نظارت داشته است.

انقلاب Deep learning : در سال 2012، هینتون و شاگردانش الکس کریژفسکی و ایلیا سوتسکور با استفاده از مدل شبکه عصبی خود به نام AlexNet برنده چالش ImageNet Large Scale Visual Recognition Challenge شدند. این پیروزی قدرت یادگیری عمیق را نشان داد و باعث علاقه و سرمایه گذاری گسترده در این زمینه شد.

شبکه‌های کپسولی : هینتون مفهوم شبکه‌های کپسولی (CapsNets) را با هدف رسیدگی به برخی محدودیت‌های شبکه‌های عصبی سنتی، از جمله چالش آن‌ها در درک روابط و سلسله‌مراتب، مانند چگونگی ارتباط بخش‌هایی از یک شی با کل، معرفی کرد. کار او بر روی شبکه های عصبی همچنان بر تحقیقات در یادگیری ماشین، به ویژه در درک سلسله مراتب فضایی در داده ها تأثیر می گذارد.

تاثیر هینتون بر هوش مصنوعی

تأثیر هینتون بر هوش مصنوعی مستلزم تصدیق این است که چگونه ایده های او تقریباً در تمام بخش های این رشته نفوذ کرده است. تحقیقات او در زمینه یادگیری عمیق به روشی استاندارد برای اقداماتی مانند تشخیص تصویر و گفتار، پردازش زبان طبیعی و حتی بازی کردن تبدیل شده است.

موفقیت AlexNet نقشی کلیدی در خرید DNNresearch توسط گوگل ایفا کرد، شرکتی که توسط هینتون و شاگردانش برای تجاری سازی پیشرفت خود تأسیس کردند. این خرید به طور قابل توجهی توانایی گوگل را برای بهبود فناوری طبقه بندی عکس افزایش داد.

علاوه بر این، شرکت‌ها در سراسر جهان از تکنیک‌های یادگیری عمیق استفاده می‌کنند تا محصولات و خدمات خود را متحول کنند، از ماشین‌های خودران گرفته تا توصیه‌های شخصی‌سازی شده در پلتفرم‌های استریم. کمک های هینتون به هوش مصنوعی نه تنها باعث پیشرفت فناوری شده، بلکه باعث رشد اقتصادی و نوآوری نیز شده است.

میراث هینتون

میراث هینتون با تحقیقات بی وقفه او برای درک هوش و تکرار آن در ماشین ها تعریف می شود. هینتون جایزه معتبر تورینگ در سال 2018، که اغلب تحت عنوان “جایزه نوبل محاسبات” از آن یاد می شود را دریافت کرد.

هینتون علاوه بر مشارکت‌های فنی خود، یک رهبر فکری در زمینه پیامدهای اجتماعی هوش مصنوعی است. او درباره نگرانی‌های اخلاقی و خطرات احتمالی هوش مصنوعی صحبت کرده و توسعه و مدیریت مسئولانه‌تر این حوزه را توصیه کرده است.

او تاکید کرده است که در آینده آموزش کامپیوترها برای انجام وظایف می تواند به اندازه برنامه نویسی آنها اهمیت پیدا کند. با این حال، هینتون همچنین در مورد خطرات بالقوه مرتبط با هوش مصنوعی، مانند جابجایی شغل و احتمال سوء استفاده از آن، ابراز نگرانی کرده است.

این نگرانی ها در نهایت به تصمیم او برای ترک گوگل در سال 2023 منجر شد، زیرا او به دنبال افزایش آگاهی بیشتر در مورد پیامدهای اخلاقی هوش مصنوعی بود. خروج او بر تعهدش به حصول اطمینان از توسعه و استفاده از هوش مصنوعی به شیوه‌هایی که به نفع بشریت است تأکید می‌کند.

ترجمه شده توسط مجله خبری نیپوتو