AI人物志系列：理解智能的本质，需要理解创造它的人。本系列记录那些在寒冬中坚守、在狂热中清醒的灵魂，他们的弯路与开悟，构成了AI的真正历史。
当全世界都说神经网络是死胡同时，一个木匠决定再凿一下那块木头。
2018年3月，多伦多大学的一间办公室里，70岁的Geoffrey Hinton收到了图灵奖获奖通知。那是计算机科学界的最高荣誉，相当于这一领域的诺贝尔奖。但Hinton的第一反应不是庆祝，而是困惑——“为什么是现在？”
答案要追溯到40年前。那时神经网络被视为"伪科学"，研究它的人被嘲笑为"炼金术士"。而Hinton，这个曾在大学做过两年木匠的英国人，几乎是孤身一人扛起了这面旗帜。一位长期观察AI发展的研究者对我们说：“如果没有Hinton的坚持，深度学习可能还要晚来20年。”
剑桥的退学信：一个关于"直觉"的决定
1947年，Hinton出生在一个充满"天才"气息的英国家庭。他的父亲是昆虫学家，母亲是教师，家族里还有数学家、经济学家、作家。但Hinton的童年并不快乐——他患有阅读障碍，在精英教育体系中显得格格不入。
1960年代，年轻的Hinton进入剑桥大学学习物理和化学，但很快发现这不是他想要的。“我对人脑如何工作更感兴趣，“他后来回忆。于是他从剑桥退学，转而去爱丁堡大学学习心理学。
这个决定在当时看起来毫无道理。心理学在1960年代还是一门"文科”，充斥着哲学思辨，缺乏严格的科学方法。但Hinton在这里接触到了一样东西，改变了他的一生——人工神经网络。
那是1960年代末，神经网络的概念刚刚诞生不久。科学家们试图用数学模型模拟人脑神经元的工作方式，但很快就遇到了瓶颈。1969年，AI领域的权威Marvin Minsky和Seymour Papert出版了一本名为《感知机》的书，用数学证明证明单层神经网络存在根本缺陷。这本书像一盆冷水，浇灭了整个领域的热情。
神经网络进入了第一次"寒冬”。大多数研究者转向其他方向，但Hinton没有。他看到了别人没看到的东西。
木匠的两年：在木头中寻找答案
1970年代末，Hinton做了一件让同行们更加不解的事——他去当木匠了。
整整两年，他在伦敦的工坊里制作橱柜、书架、门窗。这不是逃避，而是一种独特的思考方式。“做木工和做研究很像，“他后来解释，“你面对一块木头，需要理解它的纹理、它的特性，然后决定如何下刀。神经网络也是一样——你需要理解它的结构，然后找到训练它的方法。”
这段经历给了Hinton两样东西：耐心和手感。
在那个年代，训练一个神经网络需要手动调整成千上万个参数，没有自动化工具，没有GPU加速。Hinton像打磨木头一样，一点点摸索神经网络的"纹理”。他后来发明的"反向传播算法”，某种程度上就是这种"手感"的结晶——一种让神经网络自己调整参数的方法。
1986年，Hinton与David Rumelhart、Ronald Williams合作发表了关于反向传播的论文。这篇论文后来被视为深度学习的奠基之作，但当时并没有引起太大轰动。神经网络仍然处于"寒冬"，大多数AI研究者仍然坚信符号主义才是未来。
至暗时刻：在多伦多独自坚守
1980年代末，Hinton接受了多伦多大学的教职，离开英国前往加拿大。这个选择在当时看来是一种"流放"——远离AI研究的核心圈子，远离资金和资源。
但Hinton需要这种孤独。在多伦多，他可以不受干扰地继续自己的研究，哪怕这意味着发表论文困难、申请经费被拒、学生招不到。
一位曾在1980年代末拜访过Hinton实验室的研究者向我们回忆：“那是一间很普通的办公室，墙上贴着几张神经网络的示意图。Hinton当时正在调试一个模型，已经跑了好几天。他说，‘我相信这东西会工作的，只是需要更多时间。’”
更多时间。这是Hinton最不缺的东西。
1990年代到2000年代，神经网络经历了第二次"寒冬"。支持向量机（SVM）等机器学习方法成为主流，神经网络被视为"过时的技术"。Hinton的学生们毕业后很难找到工作，很多人被迫转行。
但Hinton仍然坚持。他不断调整神经网络的结构，尝试不同的训练方法，发表了一篇又一篇被主流忽视的论文。他像一个在荒原上种树的园丁，知道这些树可能需要几十年才能长大。
2006年的那个晚上：深度学习的黎明
转折点出现在2006年。
那一年，Hinton发表了一篇关于"深度信念网络"（Deep Belief Networks）的论文。这篇论文提出了一种有效训练深层神经网络的方法，让多层神经网络的训练变得可行。
论文发表后的那个晚上，Hinton独自走在多伦多的街头。他后来回忆，那是一个寒冷的冬夜，但他感到一种奇怪的温暖。“我知道，有些东西改变了，“他说，“但我不知道它会改变得这么快。”
改变确实来得很快。2012年，Hinton的两个学生Alex Krizhevsky和Ilya Sutskever参加ImageNet图像识别竞赛，使用Hinton设计的深度卷积神经网络AlexNet，以压倒性优势击败所有对手。错误率比第二名低了整整10个百分点——在图像识别领域，这几乎是代差。
一夜之间，深度学习从"边缘技术"变成了"主流范式”。Google、Facebook、微软等科技巨头开始疯狂收购深度学习团队和人才。Hinton的实验室成了朝圣之地，他的学生们成了最抢手的人才。
但Hinton本人并没有因此变得高调。他仍然每天步行去实验室，仍然亲手调试模型，仍然在白板上画满公式。一位Hinton的学生告诉我们：“他对待深度学习的态度，就像对待一块需要精心打磨的木头。技术会过时，但手艺不会。”
“人的大脑就是这么工作的”：一个木匠的哲学
2016年，AlphaGo击败李世石，深度学习彻底出圈。媒体开始称Hinton为"AI教父"“深度学习之父”，但他本人对这些称号感到不适。
“我不是在创造什么新东西，“他在一次采访中说，“我只是在模仿自然。人的大脑就是这么工作的——神经元连接，学习，涌现智能。没理由人工神经网络不这么工作。”
这句话道出了Hinton的底层逻辑：仿生不是选择，而是必然。
在他看来，智能的本质不是符号操作，不是逻辑推理，而是学习。人类之所以能够涌现出智能，就是因为大脑具有学习能力。只要给神经网络正确的架构，它就能学会任何东西——从识别猫狗到下棋，从翻译语言到生成图像。
这种哲学与符号主义AI形成了鲜明对比。符号主义者相信，智能可以通过明确的规则和符号来实现；而Hinton相信，智能必须从数据中"学习"出来，就像婴儿学习认识世界一样。
这场争论持续了半个世纪，最终Hinton赢了。但胜利并没有让他变得傲慢。2018年获得图灵奖后，他把奖金捐给了培养年轻研究者的基金。“我只是比其他人多坚持了一会儿，“他说。
2023年的告别：一个关于责任的转身
2023年5月，Hinton做了一件让全世界震惊的事——他从Google离职，并公开警告AI的风险。
“我后悔，“他在接受《纽约时报》采访时说，“我后悔我的一生工作可能带来的后果。”
这不是一个科学家的矫情。Hinton真正担心的是，深度学习的发展速度已经超出了人类的控制能力。大语言模型展现出惊人的能力，但人类并不完全理解这些能力是如何产生的。更可怕的是，这些系统正在以指数级速度变得更强大。
“我原以为AI超越人类还需要30到50年，“他说，“现在我意识到，可能只需要5到10年。”
从Google离职后，Hinton开始花更多时间思考AI的安全问题。他不再每天去实验室，而是参加各种研讨会、接受媒体采访、与政策制定者对话。他想让更多人意识到，我们正站在一个历史的转折点上。
一位在2024年与Hinton有过长谈的研究者向我们转述：“他说，他这一生都在教机器如何学习，现在他发现，人类自己还没有学会如何与这些机器共处。这是他最后想解决的问题。”
弯路与开悟：一个木匠如何找到那条路
回顾Hinton的一生，他并非没有走过弯路。
1970年代末，当他放下神经网络研究去当木匠时，那是一次逃避，也是一次迷失。他在伦敦的工坊里日复一日地刨木头、打榫卯，试图用身体的疲惫来麻痹精神的困惑。神经网络似乎真的走进了死胡同——Minsky的批评是对的，单层感知机确实有根本缺陷。
但正是在那些与木头相处的日子里，Hinton开始理解一个道理：有时候，你需要先退一步，才能看清前面的路。
木工教会了他观察纹理——每一块木头都有自己的纹理，顺着纹理下刀，事半功倍；逆着纹理硬来，只会崩裂。神经网络也是如此。当时的研究者们都在试图用数学证明来证明神经网络的可行性，但Hinton意识到，也许问题不在于证明，而在于结构。
人脑不是单层感知机，人脑是深层的、多层的、有反馈的。如果单层不行，为什么不试试多层？
这个念头像一道闪电，在1978年的某个下午击中了Hinton。他后来回忆，那天他正在打磨一个橱柜的门板，突然停下了手中的刨子。“如果神经网络也像木头一样有层次呢？“他问自己，“如果我们不是试图让单层网络学会一切，而是让每一层学会一点点，然后层层传递呢？”
这就是后来被称为"深度学习"的核心理念——不是让一个复杂的系统做一件复杂的事，而是让许多简单的系统层层协作，最终完成复杂的事。
但光有想法还不够。1980年代的Hinton仍然面临一个根本问题：如何训练多层网络？如何调整那些隐藏层的参数？
他尝试过各种方法。有一段时间，他甚至考虑过放弃神经网络，转向遗传算法——让网络自己进化，而不是被训练。那是一段更加黑暗的日子，Hinton后来称之为"我的遗传算法时期”。“那时候我真的迷失了，“他说，“我以为进化能解决一切问题，但我忽略了进化的代价——它需要数百万年的时间，而我只有一辈子。”
真正的开悟发生在1985年。
那一年，Hinton在卡内基梅隆大学做访问学者。一天晚上，他在酒吧里遇到了David Rumelhart，一位认知心理学家。两人聊起了神经网络的训练问题，Rumelhart提到了一个想法：如果误差可以从输出层反向传播回输入层呢？
Hinton听后沉默了整整一分钟。然后他抓起一张餐巾纸，开始在上面画公式。
“那天晚上，我知道我们找到了，“Hinton后来回忆，“不是因为我算出了什么，而是因为那个想法感觉对了。就像你刨木头时，突然感觉到刨子顺着一个完美的角度滑过——你知道，就是这里。”
这就是反向传播算法的诞生。它不是什么天才的灵光一现，而是两个疲惫的研究者在酒吧里的一次碰撞，是无数次失败后的偶然相遇，是一个木匠在木头中找到的直觉。
当下的沉思：当AI真的学会了学习
站在2026年回望，Hinton的弯路和开悟给了我们一个启示：真正的突破往往来自于对"不可能"的坚持，以及对"可能"的重新定义。
今天的AI已经远远超出了1980年代Hinton的想象。大语言模型不仅能识别图像、翻译语言，还能写诗、编程、进行复杂的推理。它们展现出的"涌现能力”——那些没有被明确训练过却突然出现的技能——让研究者们既兴奋又困惑。
但Hinton的警告也变得更加紧迫。
“我们创造了一个比我们更聪明的系统，“他在2024年的一次演讲中说，“但我们不知道它是如何工作的。这就像你造了一辆能自动驾驶的汽车，但你不知道它为什么知道何时刹车。”
这种不确定性是深度学习与生俱来的特性。神经网络不是符号系统，它的"知识"分布在成千上万个神经元的连接权重中，无法被人类直接解读。Hinton花了40年时间让这种黑箱系统变得可用，但现在他发现，这种黑箱特性可能是最大的风险。
“我当年选择神经网络，是因为我想理解大脑，“他说，“但现在我发现，我们可能正在创造一种我们永远无法完全理解的智能。”
这是一个讽刺，也是一个警示。Hinton的故事告诉我们，科学的进步从来不是直线向前的，它充满了弯路、迷失和意外。而当我们终于到达那个曾经遥不可及的目标时，往往会发现，真正的挑战才刚刚开始。
说到底：一个木匠的遗产
Hinton的故事，是一个关于"坚持"的故事，也是一个关于"信念"的故事。
当全世界都说神经网络是死胡同时，他选择相信大脑的结构。当所有人都转向更容易出成果的符号主义时，他选择继续打磨那块"木头”。当深度学习终于成功时，他又第一个站出来警告它的风险。
这种看似矛盾的选择，其实有着一致的底层逻辑：对真相的执着，无论真相是什么。
一位长期研究AI历史的学者对我们说：“Hinton最伟大的贡献，不是反向传播算法，不是深度信念网络，而是他证明了’相信’的力量。在科学史上，很少有一个人能如此孤独地坚持一个方向40年，最终证明他是对的。”
今天的深度学习已经无处不在——从手机里的语音助手到自动驾驶汽车，从医疗诊断到药物发现。但Hinton本人仍然保持着木匠般的简朴。他住在多伦多的一栋普通房子里，每天阅读论文、思考问题、偶尔去湖边散步。
当被问到退休后的计划时，他说：“我想继续思考。只要还能思考，我就不会停止。”
全局来看，Hinton的一生诠释了科学探索的本质：不是追逐热点，而是追随直觉；不是追求认可，而是追求真相。那个在剑桥退学、在伦敦做木匠、在多伦多独自坚守的年轻人，最终改变了人类对智能的理解。而他的故事还没有结束——关于AI的未来，他仍在思考，仍在提问，仍在寻找答案。
毕竟，对于一个真正的木匠来说，工作永远不会真正完成。总还有下一块木头需要打磨，下一个问题需要解答。
- FIN -