Qui és Geoffrey Hinton
Geoffrey Hinton va néixer a Londres el 1947. Investigador britànic-canadenc, va compartir amb John Hopfield el Nobel de Física del 2024 per aportacions a l’aprenentatge amb xarxes neuronals.[1]
Formació i primeres etapes acadèmiques
Va estudiar Psicologia Experimental a Cambridge entre el 1967 i el 1970 i va obtenir el doctorat en Intel·ligència Artificial a Edimburg el 1978. El seu currículum recull estades a Sussex, Califòrnia i Cambridge, la incorporació a Carnegie Mellon el 1982 i a Toronto el 1987. Entre el 2013 i el 2023 va combinar l’activitat acadèmica amb feina a temps parcial a Google.[3]
La formació psicològica ajuda a situar la seva pregunta de partida: com aprèn el cervell i com representar aquest aprenentatge mitjançant computació. UCL descriu una trajectòria que va creuar psicologia, informàtica i neurociència, inclosa una pausa treballant de fuster abans del doctorat. L’estudi de sistemes artificials va esdevenir una via per investigar la representació del coneixement.[7]
Toronto, Gatsby i formació d’investigadors
A Toronto va assolir el 2006 el rang de University Professor, la màxima designació acadèmica de la institució. La universitat destaca que va mantenir la recerca sobre xarxes neuronals durant els anys noranta, quan l’àrea despertava menys interès, i el suport de programes de recerca bàsica com CIFAR a la seva continuïtat científica.[2]
Va fundar la Gatsby Computational Neuroscience Unit d’UCL el 1998 i la va dirigir fins al 2001. La unitat va reunir investigadors d’aprenentatge automàtic i neurociència teòrica, entre els quals Peter Dayan, Li Zhaoping i Zoubin Ghahramani. El propòsit institucional era afavorir l’intercanvi entre models matemàtics de comportament intel·ligent i preguntes sobre el sistema nerviós.[8]
Al Vector Institute figura com a cofundador i assessor científic. La institució relaciona el seu llegat amb investigadors que en van ser estudiants, com Richard Zemel, Brendan Frey, Graham Taylor i Ilya Sutskever. Aquesta dimensió formativa acompanya les publicacions: una part de la seva influència circula a través d’equips i projectes desenvolupats posteriorment pels seus col·laboradors.[9]
Màquines de Boltzmann i aprenentatge de representacions
El 1985 publicà amb David Ackley i Terrence Sejnowski un algoritme per a màquines de Boltzmann. El treball estudia xarxes d’elements que interactuen mitjançant estats probabilístics: com ajustar connexions i representacions internes per reflectir les dades, combinant computació paral·lela i física estadística.[11]
Amb David Rumelhart i Ronald Williams va signar el 1986 un article sobre retropropagació. El procediment ajusta els pesos d’una xarxa utilitzant la diferència entre la sortida obtinguda i la desitjada. Les unitats intermèdies aprenen característiques de la tasca: la representació deixa de dependre exclusivament de descripcions introduïdes prèviament per qui dissenya el sistema.[10]
Com entrenar xarxes profundes
Amb Simon Osindero i Yee-Whye Teh va proposar el 2006 entrenar xarxes de creences profundes per capes, abans de fer-ne un ajust conjunt. L’article combina aprenentatge inicial i refinament posterior, i presenta experiments amb dígits manuscrits. Aborda una dificultat específica: trobar paràmetres útils en models amb diverses capes de variables ocultes.[12]
També el 2006, Hinton i Ruslan Salakhutdinov van estudiar autoencoders profunds per reduir la dimensionalitat. La xarxa comprimeix l’entrada en una capa central petita i aprèn a reconstruir-la. La inicialització dels pesos és decisiva en el mètode presentat, que permet comparar una representació no lineal amb tècniques clàssiques de reducció de dimensions.[13]
t-SNE i l’exploració visual de dades
Amb Laurens van der Maaten va publicar t-SNE el 2008. El mètode transforma dades descrites per moltes variables en un mapa de dues o tres dimensions i busca mostrar-ne l’estructura. És una eina de visualització: organitza punts per facilitar l’exploració de relacions, amb experiments sobre diversos conjunts de dades i comparació amb altres mètodes.[14]
AlexNet, regularització i models compactes
El 2012 va signar amb Alex Krizhevsky i Ilya Sutskever l’article d’AlexNet, una xarxa convolucional profunda per classificar imatges d’ImageNet.[4]
Va participar després en el treball col·lectiu sobre dropout, publicat el 2014. Durant l’entrenament s’ometen unitats i les seves connexions a l’atzar per reduir el sobreajustament. L’article avalua el procediment en tasques de visió, veu, classificació documental i biologia computacional.[15]
El 2015 va presentar amb Oriol Vinyals i Jeff Dean la destil·lació de coneixement, orientada a transferir prediccions a models més compactes.[5]
Càpsules i representació de parts i objectes
Amb Sara Sabour i Nicholas Frosst va presentar el 2017 xarxes de càpsules amb encaminament dinàmic. Els grups de neurones representen propietats d’objectes o de les seves parts, i la concordança entre prediccions guia la comunicació entre nivells. El treball inclou proves amb dígits superposats i aborda com conservar informació sobre la configuració d’una entitat.[16]
GLOM, plantejat el 2021, prolonga la pregunta sobre relacions entre parts i conjunts. Hinton proposa combinar idees de càpsules, transformers i aprenentatge de representacions per descriure jerarquies visuals. L’article es presenta expressament com una proposta conceptual d’arquitectura, amb possibilitats d’interpretació que encara depenien d’aconseguir un sistema operatiu.[17]
Forward-Forward i noves preguntes d’aprenentatge
El 2022 va presentar Forward-Forward com una alternativa de recerca a la seqüència habitual de propagació cap endavant i cap enrere. Utilitza dos recorreguts cap endavant, amb dades positives i negatives, i objectius propis per a cada capa. L’article informa d’assajos inicials en problemes petits, destinats a estudiar si el procediment mereixia més desenvolupament.[18]
Premis i reconeixement científic
Va rebre el Turing del 2018 amb Yoshua Bengio i Yann LeCun.[19]
També va compartir el Queen Elizabeth Prize del 2025.[20]
Participació en el debat sobre els riscos de la IA
El maig del 2023, el Vector Institute va respondre públicament a les preocupacions de Hinton sobre l’ús indegut d’IA generativa. Va confirmar que mantenia la funció voluntària d’assessor i va defensar continuar investigant el desenvolupament responsable. L’episodi mostra que la intervenció pública va conviure amb vincles institucionals dedicats a la recerca i adopció d’IA.[21]
En una conversa publicada pel Nobel el maig del 2025, defensà dedicar més recursos a investigar el control de sistemes cada vegada més capaços. Exposà incerteses sobre agents i objectius, a més de possibles beneficis, com a arguments i previsions personals.[22]
De la destil·lació de models a la detecció d’EPI
Hinton, Oriol Vinyals i Jeff Dean van formular la destil·lació de coneixement: entrenar un model compacte perquè reprodueixi el comportament d’un altre de més complex. El seu interès preventiu apareix quan un detector ha de funcionar amb recursos limitats a prop del lloc de treball. [5]
Una aplicació posterior és MKD-YOLO, presentada a ICASSP 2025. Els seus autors incorporen destil·lació i processament multiescala per reconèixer equips de protecció individual, inclosos objectes petits en escenes industrials. Avaluen precisió i eficiència en conjunts d’imatges; Hinton no és autor d’aquest sistema. [6]
Què aporta i què cal comprovar
La connexió és metodològica: facilita estudiar detectors d’EPI que consumeixin menys recursos. Per decidir-ne l’ús preventiu importa especialment quantes absències reals de protecció passen inadvertides, no només la precisió mitjana del model.
Abans d’utilitzar una alerta cal comprovar distàncies, oclusions, il·luminació i tipus d’EPI del centre. Reconèixer un casc en una imatge no demostra que sigui adequat, estigui ajustat o protegeixi davant del risc concret. L’experiment de detecció no equival a una reducció demostrada d’accidents.
