傑佛瑞・辛頓

一句話認識他

傑佛瑞·辛頓是「深度學習之父」，他推廣的反向傳播演算法讓神經網路能夠學習——沒有他，就沒有 ChatGPT、沒有 AI 繪圖、沒有語音助理。

為什麼他對 AI 如此重要？

如果要選出一個人來代表現代人工智慧的誕生，那個人就是傑佛瑞·辛頓。

今天你使用的每一個 AI 應用——無論是 ChatGPT 的對話、Midjourney 的繪圖、Siri 的語音辨識，還是手機相簿的人臉辨識——背後都使用著「神經網路」技術。而讓神經網路能夠「學習」的核心方法，正是辛頓在 1986 年與同事共同推廣的「反向傳播演算法」（Backpropagation）。

用白話來說：想像你在學投籃。每次投不進，教練會告訴你「手腕再翻一點」「角度再高一點」。你根據這些「錯誤訊號」調整動作，慢慢就投得準了。

反向傳播做的就是同樣的事：當神經網路預測錯誤時，它會計算「錯在哪裡」，然後把這個錯誤訊號一層一層往回傳，讓每一層神經元都知道自己該怎麼調整。這個看似簡單的想法，讓神經網路從「理論上可行」變成「實際上有用」。

但辛頓的貢獻遠不止於此：

1. 玻爾茲曼機（1985）：將統計物理學的概念引入神經網路，讓機器能夠學習資料中的隱藏模式
2. AlexNet（2012）：指導學生 Alex Krizhevsky 和 Ilya Sutskever 打造的深度卷積神經網路，在 ImageNet 圖像辨識競賽中大幅領先對手，正式開啟「深度學習革命」
3. Dropout（2014）：發明一種防止神經網路「死記硬背」的技術，至今仍是訓練神經網路的標準方法

辛頓被稱為「AI 教父」（Godfather of AI），與 Yoshua Bengio、Yann LeCun 並稱「深度學習三巨頭」。這三人在 2018 年共同獲得圖靈獎——計算機科學的諾貝爾獎。

2024 年，辛頓更進一步獲得真正的諾貝爾物理學獎，表彰他發明的玻爾茲曼機對人工神經網路的奠基貢獻。這是 AI 研究者首次獲得諾貝爾物理學獎，標誌著人工智慧從電腦科學延伸至物理學的里程碑。

關鍵貢獻

反向傳播演算法（1986）

1986 年，辛頓與 David Rumelhart、Ronald Williams 在《Nature》期刊發表〈Learning representations by back-propagating errors〉，這篇論文讓反向傳播演算法廣為人知，成為訓練神經網路的標準方法。

技術原理（白話版）：

神經網路就像一個由很多層「神經元」組成的網路。每個神經元會接收訊號、做一些計算、再傳給下一層。問題是：這些神經元應該怎麼計算，才能得出正確答案？

反向傳播的做法是：

1. 先讓網路「猜」一個答案
2. 比較答案和正確解，算出「錯多少」
3. 把這個錯誤訊號從最後一層往回傳，讓每一層都知道自己「貢獻了多少錯誤」
4. 每個神經元根據自己的錯誤貢獻，調整自己的計算方式
5. 重複以上步驟幾百萬次，網路就慢慢學會了

這篇論文至今被引用超過 10 萬次，是人工智慧領域最重要的論文之一。

玻爾茲曼機（1985）

辛頓與 David Ackley、Terry Sejnowski 共同發明了玻爾茲曼機（Boltzmann Machine），這是一種概率式神經網路，命名源自統計物理學家路德維希·玻爾茲曼。

為什麼重要：玻爾茲曼機能夠學習資料中的「隱藏結構」，而不需要人工標註。這個概念後來發展成「深度信念網路」和「生成式模型」，是現代生成式 AI（如 Stable Diffusion）的理論基礎之一。

2024 年，瑞典皇家科學院在頒發諾貝爾物理學獎時，明確提到玻爾茲曼機是辛頓的關鍵貢獻。

AlexNet 與深度學習革命（2012）

2012 年，辛頓指導他的兩位博士生 Alex Krizhevsky 和 Ilya Sutskever，打造了一個名為「AlexNet」的深度卷積神經網路，參加 ImageNet 圖像辨識競賽。

結果震驚了整個學術界：AlexNet 的錯誤率比第二名低了整整 10.8 個百分點。這在當時是前所未有的巨大差距。

為什麼重要：

1. 證明深度有用：之前大家不確定「更深的網路是否更好」，AlexNet 用結果證明：深度神經網路確實威力驚人
2. GPU 訓練：首次大規模使用 GPU（顯示卡）來訓練神經網路，大幅加速訓練過程
3. 開啟深度學習熱潮：從此，Google、Facebook、Microsoft 等科技巨頭全力投入深度學習研究

這篇論文至今被引用超過 18 萬次，是 AI 領域引用次數最高的論文之一。

Dropout 技術（2014）

Dropout 是辛頓團隊發明的一種訓練技巧：在訓練過程中，隨機「關閉」一部分神經元，強迫網路不要過度依賴特定神經元。

用白話來說：就像一個籃球隊，如果練習時隨機讓某些球員坐板凳，整個團隊就會學會更靈活的戰術，而不是只依賴明星球員。

這個簡單的技巧大幅提升了神經網路的泛化能力，至今仍是深度學習的標準配備。

人生軌跡

早年與求學

1947 年 12 月 6 日，傑佛瑞·辛頓出生於英國倫敦的一個學術世家。他的曾曾祖父喬治·布爾（George Boole）是布林代數的發明者——沒錯，就是電腦科學裡那個「0 和 1」的邏輯運算的布爾。他的父親霍華德·辛頓是知名昆蟲學家，三個兄弟姊妹也都從事學術研究。

在這樣的家庭背景下，辛頓從小就展現出對科學的興趣。他在劍橋大學攻讀實驗心理學，對「大腦如何學習」這個問題產生了濃厚興趣。

1972 年，辛頓開始攻讀博士學位，一頭栽入「如何讓機器模仿大腦學習」的研究。1978 年，他在愛丁堡大學取得人工智慧博士學位。

神經網路的「AI 寒冬」

然而，辛頓選擇的研究方向——神經網路——在當時並不受歡迎。

1970-80 年代是「AI 寒冬」時期。大多數 AI 研究者認為神經網路是「死路一條」，轉而投入其他方向。經費枯竭、論文被拒、同行質疑，辛頓卻依然堅持。

「當時幾乎沒有人相信神經網路，」辛頓後來回憶，「但我相信大腦是用某種類似的方式運作的，所以這條路一定是對的。」

移居加拿大

1987 年，辛頓做出一個重要決定：離開美國，移居加拿大。

原因是政治立場。當時美國大部分 AI 研究經費來自國防部，辛頓反對將 AI 用於軍事目的，也不認同雷根政府的政策。他加入多倫多大學電腦科學系，開始在加拿大建立神經網路研究的根據地。

這個決定後來證明是明智的。多倫多大學成為深度學習的重鎮，培養出 Ilya Sutskever（OpenAI 共同創辦人）、Alex Krizhevsky（AlexNet 作者）等一批頂尖人才。

Google 時期（2013-2023）

2012 年 AlexNet 的成功引起了科技巨頭的注意。辛頓和兩位學生成立了一家小公司 DNNresearch，立刻被 Google、Microsoft、百度等公司競標。最終 Google 以 4,400 萬美元收購。

從 2013 年到 2023 年，辛頓一邊在多倫多大學任教，一邊在 Google Brain 團隊工作。他參與了 Google 在語音辨識、圖像辨識、自然語言處理等領域的多項突破。

離開 Google，警告 AI 風險

2023 年 5 月，辛頓公開宣布離開 Google，原因是想自由地談論 AI 的風險。

「我對自己畢生的工作感到後悔，」他在接受《紐約時報》採訪時說。這句話震驚了整個科技界。

辛頓擔心的是：AI 系統可能在 5 到 20 年內超越人類智慧，而我們還沒準備好應對這種情況。他呼籲政府加強監管，呼籲 AI 公司投入更多資源研究 AI 安全。

師承與門生

辛頓的學術傳承堪稱一棵枝繁葉茂的大樹。

他的博士導師是 Christopher Longuet-Higgins，一位認知科學先驅。而辛頓自己則培養出一批影響深遠的學生：

• Ilya Sutskever：OpenAI 共同創辦人兼前首席科學家，2023 年曾短暫罷免 Sam Altman，2024 年離開 OpenAI 創辦 SSI（Safe Superintelligence）。辛頓在得知諾貝爾獎時說：「我為 Ilya 感到驕傲。」

• Alex Krizhevsky：AlexNet 的主要開發者，深度學習革命的關鍵推手

• Yann LeCun：卷積神經網路（CNN）之父，現任 Meta 首席 AI 科學家，與辛頓同為 2018 年圖靈獎得主

• Ruslan Salakhutdinov：前 Apple AI 研究總監，深度信念網路的重要貢獻者

這些學生又各自培養了下一代 AI 研究者，形成了一個龐大的學術家族。可以說，今天大部分頂尖 AI 研究者，都和辛頓有直接或間接的師承關係。

獎項與榮譽

2018 年 ACM 圖靈獎

2018 年，辛頓與 Yoshua Bengio、Yann LeCun 共同獲得 ACM 圖靈獎，表彰三人對深度學習的開創性貢獻。

圖靈獎被譽為「計算機科學的諾貝爾獎」，這是首次頒發給深度學習領域的研究者。三人被媒體稱為「深度學習三巨頭」或「AI 教父」。

2024 年諾貝爾物理學獎

2024 年 10 月，瑞典皇家科學院宣布將諾貝爾物理學獎頒發給辛頓和 John Hopfield，「表彰他們對人工神經網路機器學習的基礎性發現與發明」。

這是 AI 研究者首次獲得諾貝爾物理學獎。頒獎詞特別提到辛頓發明的玻爾茲曼機，將統計物理學的概念引入神經網路，為現代深度學習奠定基礎。

在諾貝爾獎晚宴的致詞中，辛頓警告：「當我們創造出比自己更聰明的數位生命時，我們不知道能否保持控制。我們迫切需要研究如何防止這些新生命體想要奪取控制權。」

2025 年伊麗莎白女王工程獎

2025 年，辛頓再度獲得肯定，與 Yoshua Bengio、Yann LeCun、John Hopfield、李飛飛、黃仁勳、Bill Dally 共同獲得伊麗莎白女王工程獎，表彰他們對人工智慧和深度學習的貢獻。

其他重要獎項

• 2001 年：Rumelhart Prize（首位得主）
• 2005 年：IJCAI 傑出研究獎
• 1990 年：當選美國人工智慧學會會士（AAAI Fellow）
• 1996 年：當選加拿大皇家學會會士
• 1998 年：當選英國皇家學會會士

觀點與立場

對 AI 風險的警告

辛頓原本專注於技術研究，很少公開談論 AI 的社會影響。但 2023 年後，他成為 AI 風險最知名的警告者之一。

他擔憂的具體問題包括：

1. 假訊息：AI 生成的假圖片、假影片會破壞人們對資訊的信任
2. 大規模監控：威權政府可能利用 AI 進行前所未有的監控
3. 工作取代：AI 可能取代大量白領工作，造成社會動盪
4. 失控風險：當 AI 比人類更聰明時，我們可能無法控制它

「我以前以為這些風險還很遙遠，」辛頓說，「但 GPT-4 讓我改變了看法。這些系統的進步速度比我預期的快得多。」

重要發言摘錄

「我對自己畢生的工作感到後悔。」

——2023 年 5 月，接受《紐約時報》採訪

「這些系統將會比我們更聰明。」

——2024 年 10 月，獲得諾貝爾獎後

「如果 AI 的好處能平等分享，這將是全人類的美好進步。但我們現在有證據表明，如果 AI 是由追求短期利潤的公司創造的，我們的安全不會是他們的首要考量。」

——2024 年 12 月，諾貝爾獎晚宴致詞

延伸閱讀

推薦演講

• Geoffrey Hinton 諾貝爾獎演講（2024）：辛頓用不帶數學公式的方式，向一般觀眾解釋玻爾茲曼機的原理

重要論文

• Learning representations by back-propagating errors (1986)
• ImageNet Classification with Deep Convolutional Neural Networks (2012)

相關報導

• 紐約時報：AI 教父離開 Google 並警告危險（2023）
• 諾貝爾獎官網：2024 年物理學獎

照片來源建議

以下是可供挑選的 Geoffrey Hinton 照片來源：

1. Wikimedia Commons：有多張 CC 授權照片，包括 2024 年諾貝爾獎頒獎典禮的照片

   • Wikimedia Commons: Geoffrey Hinton

2. 諾貝爾獎官網相簿：有高品質的官方照片

   • Nobel Prize Photo Gallery

3. 多倫多大學官網：有學術場合的照片

建議選用 2024 年諾貝爾獎典禮或演講時的照片，因為最具代表性且時效性佳。

相關人物

• Ilya Sutskever：辛頓的學生，OpenAI 共同創辦人，SSI 創辦人
• Yann LeCun：圖靈獎共同得主，卷積神經網路之父
• Yoshua Bengio：圖靈獎共同得主，序列模型先驅