جفری هینتون (Geoffrey Hinton)، دانشمندی که به‌‌درستی لقب «پدرخوانده‌ی هوش مصنوعی» را به خود اختصاص داده است، با پژوهش‌هایش انقلابی در دنیای فناوری ایجاد کرد. او با الهام از مغز انسان، شبکه‌های عصبی مصنوعی را ساخت و به ماشین‌ها توانایی یادگیری، تفکر و تصمیم‌گیری داد. این فناوری‌ها که امروزه در همه‌جای زندگی ما حضور دارند، از دستیارهای صوتی گرفته تا خودروهای خودران، از تلاش‌های بی‌وقفه‌ی هینتون و همکارانش حاصل شده‌اند.

اکنون هینتون با کسب جایزه‌ی نوبل ۲۰۲۴ در رشته‌ی فیزیک به‌عنوان یکی از تأثیرگذارترین دانشمندان قرن بیستم شناخته می‌شود؛ اما داستان او فراتر از جوایز و افتخارات است.

داستان جفری هینتون، روایتی از پشتکار، نوآوری و جست‌وجوی مداوم برای کشف ناشناخته‌ها است. در این مطلب، به زندگی و دستاوردهای جفری هینتون خواهیم پرداخت و به این سؤال پاسخ خواهیم داد که چگونه یک نفر با یک ایده‌ی ساده، توانست دنیای فناوری را متحول کند.

هینتون تقریباً از ۱۸ سال قبل تاکنون، به‌صورت ایستاده کار می‌کند. او به‌دلیل مشکلاتِ مربوط به دیسک کمر بیشتر از چند دقیقه نمی‌تواند بنشیند، اما حتی این موضوع نیز مانع از انجام فعالیت‌های او نشده است. او می‌گوید: «از ایستادن متنفرم و ترجیح می‌دهم بنشینم، اما در صورتِ نشستن دیسک کمرم بیرون می‌زند و درد شدیدی احساس می‌کنم.»

ازآنجاکه رانندگی یا نشستن داخل اتوبوس یا مترو برای هینتون بسیار سخت و دردآور است، او به‌جای استفاده از خودروی شخصی یا وسایل نقلیه‌ی عمومی، راه رفتن را ترجیح می‌دهد. راه رفتن‌های طولانی‌مدتِ این دانشمند نشان می‌دهد که او نه‌تنها تسلیم شرایط جسمانی‌اش نشده، بلکه تا چه میزان برای انجام تحقیقات علمی و رسیدن به نتیجه، اشتیاق دارد.

از حدود ۴۶ سال قبل هینتون در تلاش بود که به کامپیوترها، همانند انسان‌ها، آموزش دهد. این ایده در ابتدا ناممکن و ناامیدکننده به‌نظر می‌رسید، اما گذشت زمان خلاف آن را ثابت کرد. تا جایی‌ که گوگل با استخدام هینتون، از او خواست تا هوش مصنوعی را به واقعیت تبدیل کند. هینتون پس از استخدام در شرکت گوگل در مصاحبه‌ای گفت: «گوگل، آمازون و اپل فکر می‌کنند هوش مصنوعی آن چیزی است که آینده‌ی آن‌ها را می‌سازد.»

هینتون ششم دسامبر سال ۱۹۴۷ در انگلستان در خانواده‌ای تحصیل‌کرده و سرشناس، با سابقه‌ی علمی غنی متولد شد. بیشتر افراد خانواده‌ی او افرادی تحصیل‌کرده در رشته‌های ریاضی و اقتصاد بودند. پدرش هوارد اورست هینتون (Howard Everest Hinton) حشره‌شناس برجسته‌ای بود و تمامی خواهران و برادران او پژوهش‌های علمی مهمی انجام داده بودند.

هینتون، مسیرِ تحصیلی متنوعی را در پیش گرفت؛ او تحصیلات ابتدایی خود را در کالج کلیفتون بریستول آغاز کرد و سپس برای ادامه‌ی تحصیل به دانشگاه کمبریج رفت. در آنجا، هینتون به‌طور مداوم رشته‌ی تحصیلی خود را تغییر می‌داد و بین علوم طبیعی، تاریخ هنر و فلسفه در تردید بود. سرانجام، او در سال ۱۹۷۰ با مدرک لیسانس روانشناسی تجربی از دانشگاه کمبریج فارغ‌التحصیل شد.

علاقه‌ی هینتون به شناخت مغز و نحوه‌ی یادگیری انسان، او را به سمت تحصیل در رشته‌ی هوش مصنوعی سوق داد. بنابراین، او برای ادامه‌ی تحصیلات خود به دانشگاه ادینبورگ رفت و در آنجا پژوهش در زمینه‌ی هوش مصنوعی را تحت‌نظر استاد راهنمای خود، کریستوفر لانگت-هیگینز (Christopher Longuet-Higgins) آغاز کرد. سرانجام، هینتون در سال ۱۹۷۸ به آرزوی هفت سالگی خود رسید و موفق به اخذ درجه‌ی دکترای هوش مصنوعی شد. دوره‌ی دکتری، نقطه‌ی عطفی در زندگی حرفه‌ای هینتون بود و او را برای ورود به دنیای پیچیده و جذاب هوش مصنوعی آماده کرد.

تحصیلات متنوع هینتون از روانشناسی تا هوش مصنوعی، به او دیدگاهی جامع و بین‌رشته‌ای بخشید که کمک بزرگی به پژوهش‌هایش در آینده کرد. این دیدگاه، او را قادر ساخت تا ارتباط عمیقی بین عملکرد مغز انسان و الگوریتم‌های یادگیری ماشین برقرار کند.

هینتون به‌دلیل علاقه‌ی زیادش به آشنایی با عملکرد ذهن انسان، تصمیم گرفت در دوره‌ی کارشناسی وارد رشته‌ی فیزیولوژی شود و آناتومی مغز انسان را مطالعه کند. پس از آن وارد رشته‌ی روانشناسی و در نهایت وارد رشته‌ی هوش مصنوعی شد و تحصیلات خود را به اتمام رساند. هدف او از ورود به رشته‌ی هوش مصنوعی، شبیه‌سازی مغز انسان و استفاده از آن در هوش مصنوعی بود.

اگر می‌خواهی با عملکرد دستگاهی پیچیده مانند مغز انسان آشنا شوی، باید یکی شبیه آن بسازی.

– جفری هینتون

هینتون بر این باور بود که برای داشتن درکی عمیق از دستگاهی پیچیده مانند مغز، باید وسیله‌ای مشابه آن ساخت. به‌عنوان مثال، ما در حالت معمول فکر می‌کنیم با چگونگی عملکرد خودروها آشنا هستیم، اما به هنگام ساخت یک خودرو متوجه جزئیات بسیاری خواهیم شد که قبل از ساخت آن، هیچ اطلاعی در رابطه با آن‌ها نداشتیم.

هینتون درحالی‌که با ایده‌ها و افکار خود و مخالفان آن‌ها دست‌وپنجه نرم می‌کرد، با تعدادی پژوهشگر، مانند فرانک رزنبلات (Frank Rosenblatt) در زمینه‌ی هوش مصنوعی آشنا شد. روزنبلات، دانشمندی آمریکایی بود که در دهه‌های ۵۰ و ۶۰ میلادی، با اختراع و گسترش مدل پرسیپترون، انقلابی در حوزه‌ی هوش مصنوعی ایجاد کرد.

مدل پرسیپترون، یکی از نخستین مدل‌های یادگیری ماشین، به‌عنوان الهام‌بخش اصلی برای توسعه‌ی شبکه‌های عصبی مصنوعی امروزی شناخته می‌شود. پرسیپترون نوعی الگوریتم ساده به‌حساب می‌آید که برای دسته‌بندی داده‌ها به کار می‌رود. این مدل از نحوه‌ی عملکرد نورون‌های مغز الهام می‌گیرد. پرسیپترون مدلی ریاضی برای نورون مصنوعی است که ورودی‌های مختلفی را دریافت و با استفاده از تابعی وزن‌دار، پردازش می‌کند و درمورد خروجی تصمیم می‌گیرد.

امیدِ رزنبلات آن بود که می‌توان مجموعه‌ای داده، مانند عکس‌های مرد و زن، به شبکه‌ی عصبی داد و شبکه‌ی عصبی، همانند انسان، می‌تواند چگونگی جدا کردن عکس‌ها را یاد بگیرد؛ اما یک مشکل وجود داشت: مدل پرسیپترون خیلی خوب کار نکرد. شبکه‌ی عصبی رزنبلات، لایه‌ای تکی از نورون‌ها بود و برای انجام کارِ محول‌شده یعنی جداسازی عکس‌ها، بسیار محدود بود.

همکارِ رزنبلات در اواخر دهه‌ی ۶۰ میلادی کتابی در مورد محدودیت‌های شبکه‌ی عصبی رزنبلات نوشت. پس از آن، در حدود ده سال، پژوهش‌ها در زمینه‌ی شبکه‌های عصبی و هوش مصنوعی تقریباً متوقف شد. هیچ‌کس نمی‌خواست در این زمینه کار کند، زیرا مطمئن بودند هیچ نتیجه‌ی روشنی به‌دست نخواهد آمد. البته هیچ‌کس شاید واژه‌ی درستی نباشد و بهتر است بگوییم تقریباً هیچ‌کس؛ زیرا موضوع هوش مصنوعی و شبکه‌ی عصبی برای هینتون کاملاً متفاوت بود.

هینتون اعتقاد داشت حتماً راهی برای شبیه‌سازی مغز انسان و ساخت وسیله‌ای مشابه آن وجود دارد. او هیچ شکی در این مورد نداشت. چرا هینتون می‌خواست راهی را ادامه دهد که کمتر کسی آن را دنبال می‌کرد و تقریباً هیچ‌کس پایان خوشی را برای آن نمی‌دید؟ این دانشمند برجسته با این فکر که همه اشتباه می‌کنند، راه خود را ادامه داد و تسلیم نشد.

هینتون در مسیر پژوهش خود به مؤسسات تحقیقاتی مختلفی در آمریکا رفت. در آن زمان، وزارت دفاع آمریکا، بودجه‌ی مالی بسیاری از مؤسسات تحقیقاتی آمریکا را تأمین می‌کرد، بنابراین بیشتر پروژه‌های انجام‌شده یا در دست‌ انجام، روی اهداف نظامی تمرکز داشتند. هینتون، علاقه‌ای به کار در حوزه‌ی نظامی نداشت و به‌دنبال پژوهش‌های علمی ناب و توسعه‌ی فناوری برای کاربردهای انسانی و عمومی بود. در نتیجه، او به‌دنبال جایی می‌گشت که بتواند به‌دور از فشارهای نظامی و محدودیت‌های ناشی از بودجه‌های وابسته، تحقیقات خود را ادامه دهد.

من نمی‌خواستم بودجه‌ی مالی پژوهشم از طرف سازمان‌های نظامی تأمین شود، زیرا قطعاً نتایج به‌دست‌آمده به نفع انسان به‌ کار برده نمی‌شد.

– جفری هینتون

پس از جست‌وجو برای یافتن مکانی مناسب برای ادامه‌ی پژوهش، کانادا مناسب‌ترین گزینه به‌نظر می‌رسید. سرانجام، هینتون در سال ۱۹۸۷ به کانادا رفت و پژوهش خود را در دانشگاه تورنتو آغاز کرد. در همان سال‌ها، هینتون و همکارانش توانستند با ساخت شبکه‌های عصبی پیچیده‌تر، مسائلی را که شبکه‌های عصبی ساده‌تر از پس حل آن‌ها برنیامده بودند، حل کنند.

هینتون و همکارانش به‌جای ساخت و گسترش شبکه‌ی عصبی تک‌لایه، شبکه‌‌های عصبی چندلایه را گسترش دادند. این شبکه‌های عصبی به‌خوبی کار کردند و خط بطلانی بر تمام ناامیدی‌ها و نشدن‌ها کشیدند. در اواخر دهه‌ی ۸۰ میلادی، فردی به‌نام دین پامرلو (Dean Pomerleau) با استفاده از شبکه‌ی عصبی، اتومبیلی خودران ساخت و با آن در جاده‌های مختلفی رانندگی کرد.

دهه‌ی ۹۰ میلادی، یان لکون (Yann LeCun)، یکی از پیشگامان حوزه‌ی هوش مصنوعی و یادگیری عمیق، سیستمی را به‌نام «شبکه‌های عصبی کانولوشنی» (Convolutional Neural Networks یا CNNs) توسعه داد. این شبکه‌ها، پایه‌ای برای بسیاری از تکنیک‌های مدرن در بینایی ماشین و تشخیص الگو شدند. یکی از نخستین کاربردهای مهم این شبکه‌ها، ساخت سیستمی بود که می‌توانست رقم‌های دست‌نوشته را تشخیص دهد؛ اما بار دیگر و پس از از ساخت این سیستم، پژوهشگران حوزه‌ی هوش مصنوعی به بن‌بست رسیدند.

در دهه‌ی ۹۰ میلادی تا سال ۲۰۰۰، هینتون، تنها فرد امیدوار روی کره‌ی زمین بود که هنوز به ساخت شبکه‌ی عصبی و پیشرفت هوش مصنوعی ایمان داشت. هینتون برای رسیدن به هدف خود در کنفرانس‌های بسیاری شرکت می‌کرد، اما معمولاً با بی‌توجهی افراد شرکت‌کننده روبه‌رو و با او مشابه فردی طردشده رفتار می‌شد. شاید با خود فکر کنید هینتون هیچ‌گاه تسلیم نشد و با امیدواری به راه خود ادامه داد، اما این‌طور نیست. او نیز برخی اوقات ناامید می‌شد و به رسیدن به نتیجه‌ی مطلوب شک داشت؛ ولی با غلبه بر ناامیدی، به هر سختی‌ای بود به راه خود ادامه داد؛ زیرا این جمله مدام در ذهن هینتون تکرار می‌شد: «کامپیوترها می‌توانند یاد بگیرند.»

هینتون در سال ۲۰۰۱ و پس از بازگشتِ دوباره به دانشگاه تورنتو، کار خود را روی مدل‌های شبکه‌های عصبی ادامه داد و به‌همراه گروه تحقیقاتی خود در دهه‌ی ۲۰۰۰، فناوری یادگیری عمیق را توسعه داد و به کاربردهای عملی آن پرداخت. در سال ۲۰۰۶ میلادی، جهان به ایده‌های هینتون رسید و آن‌ها را دور از دسترس ندید.

در سال ۲۰۱۲، هینتون به‌همراه دو دانشجوی دکترایش به نام‌های الکس کریژوسکی (Alen Krizhevsly) و ایلیا سوتسکِور (هم‌بنیان‌گذار OpenAI، خالق چت‌جی‌پی‌تی) یک برنامه‌ی شبکه‌ی عصبی هشت‌لایه را به‌نام AlexNet توسعه دادند. هدف از توسعه‌ی این برنامه، شناسایی تصاویر در ImageNet، یک پایگاه داده‌ی بزرگ آنلاین از تصاویر، بود. عملکرد AlexNet بسیار درخشان بود، به‌گونه‌ای که توانست حدود ۴۰ درصد بهتر از دقیق‌ترین برنامه‌ تا آن زمان عمل کند. تصویر زیر معماری شبکه‌ی عصبی کانولوشنی Alexnet را نشان می‌دهد.

در تصویر بالا، C1 تا C5 لایه‌های کانولوشنی هستند که ویژگی‌های تصویر را استخراج می‌کنند. هر لایه، فیلترهای کانولوشنی با اندازه‌های مختلف دارد که برای تشخیص ویژگی‌های مختلف، روی تصویر یا خروجی لایه‌ی قبلی اعمال می‌شود. همچنین، تعداد کانال‌ها در هر لایه (۹۶، ۲۵۶ و ۳۸۴) تعداد فیلترهای استفاده‌شده در آن لایه را نشان می‌دهد.

پس از استخراج ویژگی‌ها، تصویر به لایه‌های کاملاً متصل (FC6 تا FC8) ارسال می‌شود. هر دایره در این لایه‌ها نشان‌دهنده‌ی یک نورون است که به نورون‌های لایه‌ی قبلی متصل هستند.

FC8 لایه‌ی خروجی نهایی و از ۱۰۰۰ نورون تشکیل شده است. معماری AlexNet به‌دلیل تعداد لایه‌های بالا و قابلیت یادگیریِ ویژگی‌های پیچیده‌ی تصاویر، دقت بسیار بالایی در تشخیص تصاویر داشت و راه را برای پیشرفت‌های بیشتر در حوزه‌ی شبکه‌های عصبی هموار کرد.

هینتون و دو دانشجویش پس از توسعه‌ی AlexNet، شرکتی را به‌نام DDNresearch تأسیس کردند که در سال ۲۰۱۳، گوگل آن را به مبلغ ۴۴ میلیون دلار خریداری کرد. همان سال هینتون به تیم تحقیقاتی هوش مصنوعی گوگل به نام Google Brain پیوست و بعدها به‌عنوان یکی از معاونان و مهندسان ارشد آن منصوب شد.

هینتون در زمینه‌ی استفاده از شبکه‌های عصبی برای یادگیری ماشین، حافظه، ادراک و پردازش نمادها، بیش از ۲۰۰ مقاله‌ی علمی نوشته یا در نوشتن آن‌ها مشارکت داشته است. هینتون هنگام گذراندن دوره‌ی پسادکتری در دانشگاه کالیفرنیا سن‌دیه‌گو، به‌همراه دیوید ای. راملهارت (David E. Rumelhart) و رونالد جی. ویلیامز (Ronald J. Williams) الگوریتم پس‌انتشار را (Backpropagation) روی شبکه‌های عصبی چندلایه اجرا کردند.

هینتون در مصاحبه‌ای در سال ۲۰۱۸ عنوان کرد که ایده‌ی اصلی این الگوریتم از راملهارت بود؛ اما هینتون و همکارانش نخستین کسانی نبودند که الگوریتمِ پس‌انتشار را پیشنهاد دادند. سپو لیناینما (Seppo Linnainmaa) در سال ۱۹۷۰ میلادی روشی را به‌نام مشتق‌گیری خودکار معکوس ارائه داد که الگوریتم پس‌انتشار، نوعِ خاصی از این روش است.

هینتون و همکارانش پس از انتشار مقاله‌ی خود در رابطه با الگوریتم پس‌انتشارِ خطا در سال ۱۹۸۶ میلادی، گام بزرگی را در مسیر پژوهشی خود برداشتند. این مقاله با ۵۵٬۰۲۰ ارجاع یکی از پرارجاع‌ترین مقاله‌های هینتون است.

هینتون در ماه‌های اکتبر و نوامبر سال ۲۰۱۷ میلادی، دو مقاله‌ با دسترسی آزاد برای عموم و با موضوع شبکه‌های عصبی کپسولی منتشر کرد و به گفته‌ی او، این شبکه‌های عصبی به‌خوبی کار می‌کنند.

در کنفرانس پردازش اطلاعات عصبی سال ۲۰۲۲، هینتون الگوریتم یادگیری جدیدی به‌نام الگوریتم جلو-جلو را برای شبکه‌های عصبی معرفی کرد. ایده‌ی اصلی این الگوریتم آن است که به‌جای استفاده از مراحل پیش‌رو و پس‌رو در روش پس‌انتشارِ خطا، از دو مرحله‌ی پیش‌رو استفاده کند؛ یکی با داده‌های مثبت (واقعی) و دیگری با داده‌های منفی که فقط شبکه آن‌ها را تولید می‌کند.

سرانجام در ماه می سال ۲۰۲۳، پس از حدود ۱۰ سال همکاری با گوگل، هینتون از شغل خود در این شرکت استعفا داد، زیرا می‌خواست بدون هیچ محدودیتی درباره‌ی خطرات استفاده‌ی تجاری از هوش مصنوعی صحبت کند. هینتون درمورد قدرت هوش مصنوعی برای تولید محتوای جعلی و تأثیرِ آن بر بازار کار، نگران بود. در ادامه، گوشه‌ای از صحبت‌های هینتون را در مصاحبه‌ای در سال ۲۰۲۳ می‌خوانیم:

فکر می‌کنم ما وارد دورانی شد‌ه‌ایم که برای نخستین بار چیزهایی داریم که از ما بااستعدادتر هستند. هوش مصنوعی می‌فهمد و استعداد دارد. این سیستم پیشرفته تجربه‌هایی برای خود دارد و براساس آن تجربه‌ها می‌تواند تصمیم بگیرد. درحال‌حاضر هوش مصنوعی خودآگاهی ندارد، اما با گذشت زمان، این ویژگی را نیز به‌دست می‌آورد. حتی زمانی خواهد رسید که انسان‌ها دومین موجودات بااستعداد روی زمین هستند. هوش مصنوعی پس از ناامیدی‌ها و شکست‌های بسیار به‌ نتیجه رسید.

– جفری هینتون

استاد راهنمای دوره‌ی دکتری از من خواست روی موضوع دیگری کار کنم و آینده‌ی کاری خود را به خطر نیندازم، اما من ترجیح دادم حتی در صورت شکست خوردن، با عملکرد مغز و ذهن انسان آشنا شوم و آن را شبیه‌سازی کنم. رسیدن به نتیجه بیشتر از آن چیزی که انتظار داشتم، یعنی چیزی حدود ۵۰ سال، به طول انجامید.

در جایی گزارشگر از هینتون می‌پرسد در چه نقطه‌ای به این نتیجه رسیدی که ایده‌ی تو در مورد شبکه‌ی عصبی درست است و بقیه اشتباه فکر می‌کنند. هینتون با کمی مکث و با لبخند پاسخ می‌دهد: «من همیشه فکر می‌کردم که حق با من است و درست فکر می‌کنم.»

با ظهور تراشه‌های بسیار پرسرعت و داده‌های بسیار زیادی که در اینترنت ایجاد می‌شوند، الگوریتم‌های هینتون به قدرتی جادویی رسیده‌اند. کامپیوترها کم‌کم توانستند محتوای عکس‌ها را تشخیص دهند، حتی بعدها به‌راحتی قادر به تشخیصِ صدا و ترجمه از یک زبان و زبانِ دیگر شدند. در سال ۲۰۱۲، کلماتی مانند شبکه‌های عصبی و یادگیری ماشین به کلمات اصلی در صفحه‌ی اول نیویورک‌تایمز تبدیل شدند.

از جفری هینتون به‌‌عنوان یکی از پیشگامان هوش مصنوعی، به‌دلیل دستاوردهای برجسته‌اش بارها تقدیر به عمل آمده است. او جوایز متعددی از جمله جایزه‌ی دیوید ای. روملهارت از انجمن علوم شناختی و مدال طلای گرهارد هرتزبرگِ کانادا را، که بالاترین افتخار علمی و مهندسی در کانادا به‌حساب می‌آید، در کارنامه‌اش دارد.

یکی از برجسته‌ترین افتخارات هینتون، کسب جایزه‌ی تورینگ به همراه همکارانش در سال ۲۰۱۸ بود. این جایزه‌ی معتبر در زمینه‌ی محاسبات است، به‌گونه‌ای که از آن به‌‌عنوان نوبل محاسبات یاد می‌شود. این جایزه به پاس تلاش‌های بی‌وقفه‌ی هینتون در توسعه‌ی شبکه‌های عصبی اعطا شد. در سال ۲۰۲۲، افتخار دیگری به افتخارات هینتون افزوده شد و او مدال سلطنتی انجمن سلطنتی را به‌دلیل کارهای پیشگامانه‌اش در زمینه‌ی یادگیری عمیق دریافت کرد.

سال ۲۰۲۴ سالی تاریخی برای جفری هینتون بود. او به همراه جان هاپفیلد (John Hopfield) به‌دلیل دست‌آوردهای شگفت‌انگیزشان در حوزه‌ی یادگیری ماشین و شبکه‌های عصبی مصنوعی، موفق به کسب جایزه‌ی نوبل فیزیک شدند. کمیته‌ی نوبل این جایزه‌ی ارزشمند را به پاس کشف‌ها و اختراعات بنیادین که یادگیری ماشین با شبکه‌های عصبی مصنوعی را ممکن کردند به این دو دانشمند اعطا کرد. هنگام اعطای جایزه به‌طور خاص به توسعه‌ی «ماشینِ بولتزمن» اشاره شد.

هنگامی‌ که خبرنگار نیویورک‌تایمز از هینتون خواست تا به‌ زبان ساده در مورد اهمیت ماشین بولتزمن و نقش آن در پیش‌تمرینِ شبکه‌های پس‌انتشار توضیح دهد، هینتون با شوخی به نقل‌قولی از ریچارد فاینمن اشاره کرد:

ببین دوستِ من، اگر می‌توانستم این موضوع را در چند دقیقه توضیح دهم، دیگر ارزش جایزه‌ی نوبل را نداشت.

– ریچارد فاینمن

این پاسخِ طنزآمیز نشان می‌دهد که این فناوری بسیار پیچیده است و درک کاملِ آن به دانش و مطالعه‌ی گسترده نیاز دارد. ماشین بولتزمن، یکی از نخستین مدل‌های شبکه‌های عصبی محسوب می‌شود (۱۹۸۵) که به‌عنوان یک مدل آماری، به شبکه کمک می‌کند تا به‌صورت خودکار الگوها را در داده‌ها پیدا کند.

جفری هینتون، مردی است که با ایستادگی در برابر جریان‌ها، رؤیای هوشمندی ماشین‌ها را به واقعیت تبدیل کرد. از کمردرد تا دریافت جایزه‌ی نوبل فیزیک، مسیر زندگی او همیشه با فرازونشیب همراه بود. هینتون با پشتکار و اراده‌ای پولادین، نه‌تنها به یکی از تأثیرگذارترین دانشمندان قرن بیستم تبدیل شد، بلکه با اختراع شبکه‌های عصبی مصنوعی، دنیای فناوری را برای همیشه متحول کرد. داستان زندگی او الهام‌بخش همه‌ی کسانی است که به‌دنبال تحقق رؤیاهای خود هستند، حتی زمانی که تمام دنیا برخلاف آن‌ها باشد.