神经网络寒冬里的坚持
20世纪80年代末至本世纪初，人工智能学界普遍认为神经网络这一技术路线难以扩展、效果有限，转而将研究重心投向其他方法，辛顿却始终坚信多层神经网络蕴含尚未被充分挖掘的潜力，在这段被称为"神经网络寒冬"的漫长年代里持续深耕这一当时并不被看好的方向，2006年他发表的深度信念网络相关研究，正是这段坚持结出的关键成果，为此后深度学习的全面复兴埋下伏笔。
🧠
杰弗里·辛顿
本名Geoffrey Hinton
英裔加拿大计算机科学家，"AI教父"，深度学习复兴的核心推动者
点亮新纪元的人 · 开创者
反向传播算法深度学习复兴2024年诺贝尔物理学奖
是谁
杰弗里·辛顿（1947- ）是英裔加拿大计算机科学家兼认知心理学家，1986年与鲁梅尔哈特、威廉姆斯合著论文系统阐述了"反向传播算法"在多层神经网络训练中的应用，这套通过逐层反向传递误差梯度来调整网络权重的方法，此后成为几乎所有深度神经网络训练的核心机制。在人工智能领域经历长达数十年的"神经网络寒冬"、主流学界普遍转向其他技术路线的年代，辛顿始终坚持神经网络研究方向，2006年发表"深度信念网络"相关论文，为神经网络的多层训练找到了更有效的初始化方法，被广泛视为"深度学习复兴"的起点。2012年，他与两名研究生亚历克斯·克里泽夫斯基、伊利亚·苏茨克维共同设计的"AlexNet"，在ImageNet图像识别竞赛中以远超第二名的巨大优势夺冠，这是深度学习第一次在权威公开竞赛中证明其相较此前主流方法的压倒性优势，此后触发了整个人工智能领域向深度学习的集体转向。辛顿因这些奠基性贡献，于2018年与本吉奥、乐昆共同获得素有"计算机界诺贝尔奖"之称的图灵奖，2024年更进一步获得诺贝尔物理学奖（因其在人工神经网络机器学习基础研究方面的贡献而与约翰·霍普菲尔德共同获奖）。2023年，他主动辞去在谷歌的职务，坦言辞职是为了能够更自由地公开谈论人工智能技术可能带来的长期风险，此后持续在公开场合呼吁社会各界正视这些风险。
依据原典辛顿、鲁梅尔哈特、威廉姆斯《通过反向传播误差学习表征》（1986年）2024年诺贝尔物理学奖颁奖词
主要故事
AlexNet：一战成名的深度网络
2012年，辛顿指导的两名研究生克里泽夫斯基与苏茨克维设计的深度卷积神经网络"AlexNet"，在斯坦福大学费-李飞飞主持创建的ImageNet图像识别竞赛中，以显著低于第二名近11个百分点的错误率夺冠，这一悬殊优势震动了整个计算机视觉与机器学习领域，此后短短几年间，深度学习迅速取代此前的主流方法，成为几乎所有人工智能研究与产业应用的默认技术路线。
版本分歧
反向传播算法的发明优先权也存在讨论：这套方法的数学原理此前已被其他研究者（如林纳因马、韦尔博斯）独立提出，辛顿团队1986年论文的核心贡献在于清晰展示了这套方法能让多层神经网络学到有用的内部表征，从而使其在人工智能领域获得广泛关注与应用。
人物关系
徒弟
今日回响
以下是现代作品对这个名字或故事的借用、改写，不代表原始内容——两者不一样，别混着记。
辞职谷歌只为"畅所欲言"辛顿2023年辞去谷歌职务时公开表示，这一决定是为了能够不受雇主利益约束地自由谈论人工智能技术的潜在风险，这一"功成身退、转而示警"的姿态此后被媒体广泛报道讨论。