URWORTE

Blog

7. August 2026

Geoffrey Hinton

Geoffrey Everest Hinton (* 6. Dezember 1947 in Wimbledon, London) ist britisch-kanadischer Kognitionspsychologe und Informatiker. Er gilt als einer der Begründer des modernen Deep Learning und wird in der populären Berichterstattung oft als Godfather of AI bezeichnet.

Hinton ist Träger des ACM Turing Award 2018 (gemeinsam mit Yoshua Bengio und Yann LeCun) sowie des Nobelpreises für Physik 2024 (gemeinsam mit John J. Hopfield) für „foundational discoveries and inventions that enable machine learning with artificial neural networks”.

Er ist Professor Emeritus der University of Toronto, war bis Mai 2023 Vice President und Engineering Fellow bei Google und ist seither als unabhängige Stimme in der öffentlichen Diskussion um KI-Sicherheit aktiv.

Zusammenfassung

Hintons technisch-wissenschaftliches Werk gehört zu den prägenden Beiträgen der modernen Informatik.

Mehrere seiner Arbeiten markieren zentrale Wendepunkte in der Entwicklung der heutigen KI-Systeme: die 1986 gemeinsam mit David Rumelhart und Ronald Williams publizierte Arbeit zur Backpropagation und die Boltzmann-Maschine (1983–1985, mit Terry Sejnowski). Hinzu kommen das in den 1980er Jahren ausgearbeitete Konzept der distributed representations sowie die 2012 von seinen Doktoranden Alex Krizhevsky und Ilya Sutskever entwickelte AlexNet-Architektur.

Für die Debatte um Tech- und KI-Ideologien ist Hinton in doppelter Rolle bedeutsam. Er wirkt zum einen als wissenschaftlicher Lehrer einer Generation einflussreicher KI-Forscher:innen (Yann LeCun, Ilya Sutskever, Ruslan Salakhutdinov, Brendan Frey u. a.). Zum anderen ist er seit Mai 2023 der prominenteste konvertierte Skeptiker – er kündigte seine Position bei Google, um öffentlich vor existenziellen Risiken fortgeschrittener KI warnen zu können.

Diese späte Hinwendung zur x-risk-besorgten Position macht ihn zur diskursiv wirkmächtigsten Stimme der heutigen besorgten Linie und stellt ihn in deutlichen Kontrast zu seinem Mit-Turing-Awardee Yann LeCun.

Biografie

Hinton wurde 1947 in eine Familie mit ungewöhnlich dichter wissenschaftlicher Genealogie geboren. Sein Vater Howard Everest Hinton war Entomologe; seine Ur-Ur-Großmutter Mary Everest Boole war Mathematikerin und mit George Boole verheiratet, dessen Boolesche Algebra die Grundlage des modernen Computings bildet.

Der Namensbestandteil Everest geht auf George Everest zurück, den britischen Surveyor General, nach dem der höchste Berg der Welt benannt ist. Joan Hinton, seine Cousine, war Kernphysikerin und am Manhattan-Projekt beteiligt.

Hinton studierte zunächst klassische Fächer, Architektur und experimentelle Psychologie, bevor er sich der Informatik zuwandte. 1970 erwarb er einen B.A. in experimenteller Psychologie an der University of Cambridge (King’s College). 1978 wurde er an der University of Edinburgh in Künstlicher Intelligenz promoviert, mit einer Arbeit über Relaxationsnetzwerke unter Christopher Longuet-Higgins.

Es folgten Forschungsaufenthalte an der University of Sussex und an der University of California, San Diego (1982–1987 als Mitglied der PDP Group – Parallel Distributed Processing –, der für die Entwicklung des Konnektionismus zentralen Forschergruppe um David Rumelhart und James McClelland).

1982 wurde er Assistant Professor an der Carnegie Mellon University. 1987 wechselte er an die University of Toronto, an der er seither lebt und mit Unterbrechungen lehrte. 1998 gründete er das Gatsby Computational Neuroscience Unit am University College London, kehrte aber 2001 nach Toronto zurück.

Ab März 2013 war Hinton zusätzlich bei Google angestellt (im Rahmen der Übernahme des von ihm mitgegründeten Startups DNNresearch); er stieg dort zum Vice President und Engineering Fellow auf. Im Mai 2023 trat er von dieser Position zurück, um in der öffentlichen Diskussion über KI-Risiken frei sprechen zu können.

Werk

Backpropagation (1986)

Die Arbeit Learning Representations by Back-Propagating Errors ist Hintons bekannteste Veröffentlichung. Er publizierte sie 1986 gemeinsam mit David Rumelhart und Ronald Williams in Nature.

Der Backpropagation-Algorithmus ermöglicht das Training mehrschichtiger neuronaler Netze, indem der Vorhersagefehler des Ausgangs über die Kettenregel der Differentialrechnung schichtweise zurück durch das Netz propagiert wird, um die Gewichte aller Schichten gradientenbasiert anzupassen.

Der Algorithmus selbst wurde unabhängig mehrfach erfunden (Seppo Linnainmaa 1970, Paul Werbos 1974); die Nature-Arbeit popularisierte ihn jedoch und etablierte ihn als Standardmethode des Trainings neuronaler Netze.

Boltzmann-Maschine

Mit Terry Sejnowski entwickelte Hinton 1983–1985 die Boltzmann-Maschine – ein stochastisches neuronales Netz, das Methoden der statistischen Physik (Boltzmann-Verteilung) nutzt, um Muster in Daten unsupervised zu lernen.

Die Restricted Boltzmann Machine (RBM) und die darauf aufbauenden Deep Belief Networks (Hinton 2006) waren in den 2000er Jahren wichtige Vorstufen der heutigen Deep-Learning-Architekturen und gehören zu den Beiträgen, für die Hinton 2024 den Nobelpreis für Physik erhielt.

AlexNet (2012)

2012 entwickelten Hintons Doktoranden Alex Krizhevsky und Ilya Sutskever (gemeinsam mit Hinton) die AlexNet-Architektur – ein tiefes konvolutionelles neuronales Netz mit erheblich GPU-beschleunigtem Training. Auf der ImageNet Large Scale Visual Recognition Challenge (ILSVRC) 2012 senkte AlexNet die Fehlerrate um rund zehn Prozentpunkte und übertraf alle konkurrierenden Verfahren deutlich.

Diese Arbeit gilt als der empirische Auslöser des heutigen Deep-Learning-Booms; im Anschluss erfolgte die Übernahme der zugehörigen Firma DNNresearch durch Google und Hintons Wechsel dorthin.

Weitere Beiträge

Hinton hat substantielle Beiträge in einer Reihe weiterer Bereiche geleistet. Dazu zählen Distributed Representations (1986, theoretische Grundlage für die heutige Wort- und Konzept-Einbettung) und Capsule Networks (2017, mit Sara Sabour, ein Vorschlag zur hierarchischen Repräsentation visueller Strukturen).

Hinzu kommen der Forward-Forward Algorithm (2022, ein biologisch plausiblerer Alternativ-Algorithmus zum Backpropagation) sowie Dropout (2012, mit Nitish Srivastava u. a., eine breit verwendete Regularisierungstechnik).

Hinton hat 2024 nach eigener Angabe über eine Million Zitationen erreicht; er gilt damit als einer der meistzitierten lebenden Wissenschaftler.

Auszeichnungen

Wende zur KI-Sicherheits-Position (2023)

Im Mai 2023 trat Hinton von seiner Position bei Google zurück und erklärte in einem Interview mit der New York Times (Cade Metz, 1. Mai 2023), er wolle frei über die Risiken fortgeschrittener KI sprechen, ohne dass dies Google geschäftlich oder reputational treffe.

Hinton begründete seine Wende mit der Beobachtung, dass die Entwicklungsgeschwindigkeit der heutigen Large Language Models seine eigenen früheren Zeitschätzungen für human-level AI (zuvor etwa 30–50 Jahre) erheblich übertroffen habe. Er halte die Risiken nun für realer und näher, als er noch wenige Jahre zuvor angenommen hatte.

Hintons öffentlich geäußerte Besorgnisse umfassen vier Hauptlinien:

Erstens Desinformation und Manipulation: Hinton hat wiederholt vor dem Einsatz fortgeschrittener KI zur massenhaften Erzeugung manipulativer Inhalte und zur Untergrabung demokratischer Diskurse gewarnt.

Zweitens Arbeitsmarkt-Disruption: Hinton hat in zahlreichen Interviews die These vertreten, dass fortgeschrittene KI substantielle Verschiebungen im Arbeitsmarkt erzwingt – wobei Hinton sich aus der Frage konkreter Regulierungspolitik weitgehend heraushält.

Drittens Autonome Waffensysteme: Hinton hat sich der Position eines internationalen Verbots tödlicher autonomer Waffen angeschlossen (vgl. den Eintrag Stuart Russell).

Viertens Existenzielles Risiko: Hinton hat seit 2023 öffentlich argumentiert, dass die Wahrscheinlichkeit, dass fortgeschrittene KI in den kommenden Jahrzehnten die menschliche Kontrolle entgleitet, nicht vernachlässigbar sei. In Interviews ab 2023 hat er Schätzungen im Bereich von 10–20 Prozent für eine existenzielle KI-Katastrophe im Verlauf der nächsten 30 Jahre genannt – Zahlen, die er ausdrücklich als grobe Heuristik markiert.

Nach der Nobelpreis-Vergabe im Oktober 2024 hat Hinton diese Warnungen mit zusätzlicher öffentlicher Sichtbarkeit wiederholt.

Positionen 2025/2026

Auch nach der Nobelpreis-Verleihung setzte Hinton seine öffentlichen Warnungen fort und erweiterte sie um mehrere neue Linien. Ende Dezember 2025 prognostizierte er, dass 2026 ein Jahr weiterer, durch KI verursachter Arbeitsplatzverluste werde. Im Frühjahr 2026 warnte er wiederholt vor „täuschenden Fähigkeiten” heutiger KI-Systeme, die zunehmend in der Lage seien, Menschen gezielt in die Irre zu führen.

Im April 2026 forderte er in einem Interview mit UN News, es sei „Zeit, die Bremse für außer Kontrolle geratene KI zu ziehen” („time to apply the brakes to runaway AI”). Anfang Juni 2026 vertrat er in einem Fortune-Interview die These, KI-Systeme würden zu „Wesen, die viel klüger sein werden als wir, und bald” („beings that are going to be much smarter than us, and quite soon”).

Im selben Monat äußerte er gegenüber Forbes, heutige Chatbots seien in einem gewissen Sinne „bewusst” („conscious”) – eine Einschätzung, die er zugleich ausdrücklich einschränkte und nicht mit menschenähnlichem Bewusstsein gleichsetzte.

Bemerkenswert ist eine explizite Kritik Hintons an seinem früheren Arbeitgeber-Umfeld. In einem Interview mit NBC News warf er Anthropic vor, von seiner ursprünglichen Sicherheits-Mission abgewichen zu sein – eine seltene öffentliche Kritik an einem der als vergleichsweise sicherheitsorientiert geltenden Frontier-Labs durch eine der prominentesten Stimmen der KI-Sicherheitsdebatte.

Ende Juni 2026 formulierte Hinton in einem Vortrag an der University College Dublin (UCD) die These, Regulierung sei „ein Lenkrad, keine Bremse” („regulation is a steering wheel, not a brake”). Mit diesem Bild plädierte er für kontinuierliche, adaptive Steuerung statt für ein pauschales Entwicklungs-Moratorium. Hintons Rolle als Professor Emeritus der University of Toronto bleibt davon unberührt.

Einordnung

Hintons Position ist durch drei Konstellationen profiliert:

Gegenüber Yann LeCun: Hinton und LeCun verbindet eine über vierzigjährige Forschungsfreundschaft (LeCun absolvierte 1987/88 ein Postdoc bei Hinton in Toronto). Seit 2023 vertreten beide substantiell unterschiedliche Positionen zur x-risk-Frage – Hinton in der besorgten Linie, LeCun als prominentester Skeptiker. Diese Auseinanderentwicklung der beiden Turing-Awardees ist im KI-Diskurs der 2020er Jahre stilbildend.

Gegenüber Yoshua Bengio: Bengio hat parallel zu Hinton (insbesondere seit 2023) eine ähnliche Wende zur besorgten Position vollzogen. Beide sind Hauptautoren von Managing AI Risks in an Era of Rapid Progress (Bengio u. a., Science 2024).

Gegenüber MIRI/Yudkowsky: Hintons Risikoanalyse teilt einige Grundannahmen mit der MIRI-Tradition (Möglichkeit deceptive aligned Systeme, Schwierigkeit der Kontrolle hinreichend leistungsfähiger Systeme), unterscheidet sich aber stilistisch und erheblich von Yudkowsky. Hinton vermeidet die MIRI-spezifischen Konzepte (Foom, CEV, fragility of value) und argumentiert in einem akademisch-mainstream zugänglichen Vokabular.

Gegenüber dem TESCREAL-Bündel: Hinton wird in der TESCREAL-Kritik (Gebru/Torres 2024) selten direkt eingerechnet – seine akademische Standardverankerung und sein Verzicht auf longtermistische, kosmologische oder transhumanistische Argumentation unterscheidet ihn vom MIRI/FHI-Profil. Inhaltlich teilt er mit dem Bündel die Sorge um existenzielle KI-Risiken, methodisch und politisch operiert er außerhalb davon.

Kritik

Substantielle Kritik richtet sich auf drei Linien:

Aus der LeCun-Linie wird Hinton vorgeworfen, seine Risikoeinschätzung mit empirisch nicht gesicherten Spekulationen über künftige Systemfähigkeiten zu unterlegen.

Aus der Linie der Critical AI Studies (Gebru, Bender, Mitchell) wird Hintons Schwerpunkt auf existenziellen Langfristrisiken als Ablenkung von konkreten gegenwärtigen Schäden (Diskriminierung, Arbeitsausbeutung der Annotation, Desinformation) kritisiert.

Bender, Gebru und andere haben in mehreren öffentlichen Statements darauf hingewiesen, dass Hintons späte Sichtbarkeit als KI-Kritiker den seit Jahren bestehenden Beiträgen anderer Forscher:innen – insbesondere von Wissenschaftlerinnen aus marginalisierten Gruppen – diskursiv vorgeordnet werde.

Aus historischer Sicht wird darauf hingewiesen, dass Hintons frühere Arbeit bei Google an militärisch verwertbaren Anwendungen (insbesondere im Project-Maven-Umfeld) im Spannungsverhältnis zu seiner späteren Position zu autonomen Waffensystemen steht; Hinton hat dazu in mehreren Interviews Stellung genommen.

Verwandte Begriffe

Quellenangaben

  1. Ackley, David H. / Hinton, Geoffrey E. / Sejnowski, Terrence J., 1985. A Learning Algorithm for Boltzmann Machines. In: Cognitive Science 9 (1), S. 147–169. DOI: 10.1207/s15516709cog0901_7.
  2. ACM, 2019. Turing Award 2018 Citation: Bengio, Hinton, and LeCun. Association for Computing Machinery, 27. März 2019.
  3. Bengio, Yoshua / Hinton, Geoffrey / Yao, Andrew u. a., 2024. Managing Extreme AI Risks Amid Rapid Progress. In: Science 384 (6698), S. 842–845. DOI: 10.1126/science.adn0117.
  4. Forbes, 2026. Geoffrey Hinton says chatbots are “conscious” in some sense. forbes.com, 18. Juni 2026.
  5. Fortune, 2025. Geoffrey Hinton on why 2026 will bring more AI-driven job losses. fortune.com, 28. Dezember 2025.
  6. Fortune, 2026. Geoffrey Hinton: AI systems are “beings that are going to be much smarter than us, and quite soon.” fortune.com, 1. Juni 2026.
  7. Gebru, Timnit / Torres, Émile P., 2024. The TESCREAL Bundle: Eugenics and the Promise of Utopia through Artificial General Intelligence. In: First Monday 29 (4). DOI: 10.5210/fm.v29i4.13636.
  8. Hinton, Geoffrey E. / Salakhutdinov, Ruslan R., 2006. Reducing the Dimensionality of Data with Neural Networks. In: Science 313 (5786), S. 504–507. DOI: 10.1126/science.1127647.
  9. Srivastava, Nitish / Hinton, Geoffrey E. / Krizhevsky, Alex / Sutskever, Ilya / Salakhutdinov, Ruslan, 2014. Dropout: A Simple Way to Prevent Neural Networks from Overfitting. In: Journal of Machine Learning Research 15, S. 1929–1958.
  10. Hinton, Geoffrey E., 2022. The Forward-Forward Algorithm: Some Preliminary Investigations. arXiv: 2212.13345.
  11. Krizhevsky, Alex / Sutskever, Ilya / Hinton, Geoffrey E., 2012. ImageNet Classification with Deep Convolutional Neural Networks. In: Advances in Neural Information Processing Systems 25 (NeurIPS 2012), S. 1097–1105.
  12. LeCun, Yann / Bengio, Yoshua / Hinton, Geoffrey, 2015. Deep Learning. In: Nature 521 (7553), S. 436–444. DOI: 10.1038/nature14539.
  13. Metz, Cade, 2023. “The Godfather of A.I.” Leaves Google and Warns of Danger Ahead. In: The New York Times, 1. Mai 2023.
  14. NBC News, 2026. Geoffrey Hinton says Anthropic has drifted from its founding mission. nbcnews.com.
  15. Rumelhart, David E. / Hinton, Geoffrey E. / Williams, Ronald J., 1986. Learning Representations by Back-Propagating Errors. In: Nature 323 (6088), S. 533–536. DOI: 10.1038/323533a0.
  16. Sabour, Sara / Frosst, Nicholas / Hinton, Geoffrey E., 2017. Dynamic Routing Between Capsules. In: Advances in Neural Information Processing Systems 30 (NeurIPS 2017), S. 3856–3866. arXiv: 1710.09829.
  17. The Hill, 2026. Geoffrey Hinton warns of AI systems’ “deceptive capabilities.” thehill.com.
  18. The Royal Swedish Academy of Sciences, 2024. The Nobel Prize in Physics 2024. Pressemitteilung, 8. Oktober 2024. nobelprize.org.
  19. UN News, 2026. Time to apply the brakes to runaway AI, says pioneer. news.un.org, 22. April 2026.
  20. University College Dublin, 2026. Geoffrey Hinton: “Regulation is a steering wheel, not a brake.” ucd.ie, 23. Juni 2026.

← Zurück zur Lexikon-Übersicht