جفری اورست هینتون، دانشمند بریتونیایی-کانادایی علوم رایانه که اغلب با لقب «پدرخوانده هوش مصنوعی» از او یاد میشود، با دههها پژوهش خستگیناپذیر در زمینه شبکههای عصبی، شکلگیری فناوریهای مدرن را رقم زد. تبار علمی هینتون نیز بسیار درخشان است؛ او از نوادگان جرج بول، ریاضیدان مشهور، و جرج اورست است.
هینتون پس از جابهجایی میان رشتههای گوناگون در دانشگاه کمبریج، سرانجام در سال 1970 مدرک کارشناسی خود را در روانشناسی تجربی دریافت کرد. او پس از یک سال کارگری در حرفه نجاری، به دنیای آکادمیک بازگشت و در سال 1978 موفق به دریافت دکترای هوش مصنوعی از دانشگاه ادینبرو شد. جالب اینجاست که استاد راهنمای او در آن دوران، رویکرد نمادین (Symbolic AI) را بر شبکههای عصبی ترجیح میداد؛ رویکردی که هینتون بعدها ثابت کرد مسیر اشتباهی در هوش مصنوعی بوده است.
سال 1986؛ جرقههای انقلاب یادگیری عمیق
در دورانی که سامانههای مبتنی بر قواعد و الگوریتمهای سنتی بر دنیای هوش مصنوعی سایه افکنده بودند، هینتون در سال 1986 بههمراه دیوید ای. روملهارت و رونالد جی. ویلیامز مقاله دورانسازی را در نشریه نیچر منتشر کرد. این پژوهش، الگوریتم پسانتشار خطا (Backpropagation) را به دنیای علم معرفی کرد.
الگوریتم پسانتشار به شبکههای عصبی چندلایه اجازه میداد تا با تنظیم بازخوردهای خود، الگوهای پیچیده و غیرخطی را بیاموزند. اگرچه هینتون و همکارانش نخستین کسانی نبودند که ایده این روش را مطرح کردند، مقاله آنها توانست کارایی این الگوریتم را به اثبات برساند. این رویداد، نقطه عزیدی در تاریخ فناوری بود و بنیان نظری تمام پیشرفتهای بعدی در یادگیری عمیق را بنا نهاد.
دهه 1980؛ ماشینهای بولتزمن و یادگیری بدون نظارت
علاوه بر الگوریتم پسانتشار، هینتون در دهه 1980 به همراه تری سِجنوفسکی، دستاوردهای مهمی در زمینه یادگیری بدون نظارت (Unsupervised Learning) ثبت کرد. آنها مدلی احتمالاتی به نام ماشین بولتزمن (Boltzmann Machine) را توسعه دادند که با الهام از فیزیک آماری کار میکرد.
این مدلهای مبتنی بر انرژی شبکهها را قادر میساختند تا الگوهای پنهان در دادههای بدون برچسب را شناسایی کنند. هرچند ماشینهای بولتزمن از نظر محاسباتی بسیار پرهزینه بودند، اما چارچوب نظری ارزشمندی برای استخراج ویژگیها از دادههای خام فراهم کردند که بعدها در پیشآموزش شبکههای عصبی عمیق نقش حیاتی ایفا کرد.
سالهای پایانی دهه 2000 و ظهور شبکههای عصبی پیچشی
تلاشهای هینتون در دهههای بعد، منجر به توسعه و بهینهسازی معماریهای جدیدی شد که در نهایت به شبکههای عصبی پیچشی (CNN) که توسط شاگردانش همچون یان لکان (Yann LeCun) به بلوغ رسید، راه یافت. این شبکهها توانستند چالشهای باستانی تشخیص تصویر و بینایی ماشین را با دقتی بیسابقه حل کنند و انقلاب هوش مصنوعی در دهه 2010 را کلید بزنند.
پیروزی بزرگ؛ جایزه نوبل و میراث علمی
پایداری هینتون در دورانی که اکثر دانشمندان علوم رایانه به شبکههای عصبی پشت کرده بودند، سرانجام به پیروزی کامل او منجر شد. پژوهشهای بنیادین او در دانشگاه تورنتو، پایهگذار فناوریهایی شد که امروزه موتورهای جستجو، سیستمهای تشخیص گفتار، پردازش زبان طبیعی (NLP) و مدلهای زبانی بزرگ را هدایت میکنند.
تأثیر شگرف کارهای او در نهایت با دریافت عالیترین افتخارات علمی، از جمله جایزه نوبل، تثبیت شد. میراث جفری هینتون تنها یک سری الگوریتم یا فرمولهای ریاضی نیست؛ بلکه اثبات پافشاری بر یک ایده در برابر جریانهای غالب علمی است که اکنون شکل زندگی بشر را در کره زمین دگرگون کرده است.
