Der Mann, der das Denken veränderte
Geoffrey Hinton ist kein Lautsprecher. Kein Panel-Promi. Kein erklärter Weltretter. Und gerade deshalb ist er vielleicht der wichtigste Denker der künstlichen Intelligenz. 2024 wurde ihm gemeinsam mit John Hopfield der Nobelpreis für Physik verliehen – für „grundlegende Entdeckungen und Erfindungen, die maschinelles Lernen mit künstlichen neuronalen Netzwerken ermöglichen“. Besonders hervorgehoben wurde die Entwicklung der Boltzmann-Maschine, ein lernfähiges System auf Basis stochastischer Prozesse. Wichtiger als der Preis selbst aber war, was Hinton im selben Jahr in Oxford sagte – in einer Form, die heute fast wie ein Anachronismus wirkt: der Romanes Lecture. Eine Vorlesung für ein gemischtes Publikum, offen, öffentlich, ohne Selbstdarstellung, ohne Buzzwords. Was Hinton dort entfaltete, war nichts weniger als ein neues Modell des Verstehens – und eine tiefgreifende Beschreibung dessen, was es bedeutet, wenn Maschinen nicht mehr nur rechnen, sondern Bedeutung erzeugen.
Verstehen ohne Regeln
Seit den 1950er-Jahren konkurrieren zwei Paradigmen in der KI: das symbolische, logikorientierte Denken – und das biologisch inspirierte, lernbasierte. Während das erste auf expliziten Regeln, Begriffen und Symbolgraphen basiert, vertraut das zweite auf Gewichtsveränderung, auf Lernprozesse in künstlichen neuronalen Netzen. Hinton gehört zu den Wegbereitern der zweiten Denkrichtung. In seiner Lecture erklärt er, wie neuronale Netze lernen, die Welt nicht über Regeln, sondern über Feature-Vektoren zu begreifen – also über mathematische Strukturen, in denen Bedeutungsdimensionen wie „belebt“, „räumlich“, „vergangen“ oder „sozial“ in komplexen Zahlenräumen codiert sind. Worte, so Hinton, werden nicht gespeichert – sie werden transformiert. Die KI kennt kein Wörterbuch. Sie kennt Vektoren. Und das ist keine Einschränkung, sondern eine andere Form von Erkenntnis. Sprachmodelle wie GPT-4 verstehen, weil sie in der Lage sind, aus den Interaktionen ihrer Feature-Vektoren strukturelle Analogien, implizite Regeln und situative Bedeutungen zu rekonstruieren.
Gedächtnis als Rekonstruktion
Eine seiner stärksten Passagen widmet Hinton dem Thema Erinnerung. Menschen, sagt er, erinnern selektiv, ungenau, kontextabhängig. Das berühmte Beispiel: der Watergate-Zeuge John Dean, der Inhalte korrekt, aber Details falsch wiedergab. Für Hinton ist das kein Makel – sondern der Normalzustand des menschlichen Erinnerns. Künstliche Intelligenz arbeitet nicht anders. Sie speichert keine Fakten, sondern Gewichte. Und wenn sie Texte erzeugt, tut sie das auf Basis plausibler Konfigurationen – genau wie das menschliche Gehirn beim Erinnern, Erzählen, Interpretieren. Das mag für Juristen ein Problem sein. Für Hinton ist es ein Fortschritt.
Maschinen, die Wissen teilen
Besonders eindrücklich wird die Lecture dort, wo es um Wissensweitergabe geht. Während Menschen Informationen über Sprache, Bücher oder Vorträge vermitteln, synchronisieren Maschinen ihre Lernprozesse direkt über Gradienten – mathematische Veränderungsmuster ihrer Gewichte. Ein Beispiel: Tausend Kopien eines Sprachmodells analysieren jeweils unterschiedliche Datensätze. Am Ende tauschen sie ihre Gradienten aus – und verfügen anschließend über kollektives Wissen, das auf exakt gleichen Rechenoperationen basiert. Was bei Menschen Wochen dauert, passiert hier in Sekunden. Es ist diese Fähigkeit zur sofortigen Skalierung von Erkenntnis, die den eigentlichen Unterschied macht.
Frank H. Witt: Renaissance statt Business-Theater
Für den deutschen KI-Forscher Prof. Frank H. Witt, Gründer des AI Institute for Research & Education, ist Hintons Denkweise ein Gegenbild zur gegenwärtigen Digitalisierungskultur. Kein Showformat, kein Toolpitch, kein empathischer Auftritt mit Phrasen wie „AI auf Augenhöhe“. Stattdessen: Erkenntnisarbeit. „Ich suche Menschen wie Hinton – jüngere oder jung gebliebene, die inter- und transdisziplinär an der digitalen Renaissance von Wirtschaft und Gesellschaft arbeiten“, so Witt. „Menschen, die sich nicht ins Rampenlicht drängen, sondern Fragen ernst nehmen.“ Witt meint mit „digitaler Renaissance“ ausdrücklich kein modisches Rebranding des Innovationsdiskurses. Ihm geht es um die Rückgewinnung einer Erklärkultur, die Denken wieder vor Output setzt. Und die versteht, dass Technologie nicht bloß Dienstleisterin von Effizienz ist – sondern ein Medium kulturellen und sozialen Wandels.
Was Hinton wirklich zeigt
Am Ende seiner Lecture beschreibt Hinton, warum er glaubt, dass digitale Modelle bereits heute in einigen Bereichen besser sind als das menschliche Gehirn – nicht weil sie schöner denken, sondern weil sie schneller kommunizieren, mehr speichern und sauberer abstrahieren. Er spricht von „mortal computation“, also von analogen, nicht übertragbaren Berechnungsmodellen, die zwar energieeffizient, aber nicht speicherbar sind. Im Gegensatz dazu ist die digitale Rechenstruktur – obwohl energieintensiv – kopierbar, teilbar, dauerhaft. Und genau das, sagt Hinton, sei der Punkt: Die digitale Intelligenz wird nicht aus biologischen Gründen besser – sondern aus architektonischen.
Ein stiller Aufruf zum Umdenken
Geoffrey Hintons Romanes Lecture ist kein Weckruf im klassischen Sinne. Kein Alarm, keine Vision, keine Ethikdebatte. Sie ist etwas viel Selteneres: eine sachliche Beschreibung eines epochalen Übergangs, gehalten in klarer Sprache, mit leiser Autorität. Für Frank H. Witt ist sie mehr als das: ein Modell dafür, wie Wissenschaft öffentlich wirken kann, ohne sich der Aufmerksamkeitslogik zu beugen. Und ein Signal dafür, dass es in Europa Menschen geben muss, die sich mit dieser Tiefe beschäftigen – nicht mit dem nächsten Prompt-Engineering-Tool. Wenn Digitalisierung mehr sein soll als Prozessautomatisierung, dann braucht es keine Manager mit ChatGPT-Zertifikat – sondern neue Meister des Denkens. Und vielleicht, ganz vielleicht, auch wieder echte Vorlesungen.
Mit dem Laden des Videos akzeptieren Sie die Datenschutzerklärung von YouTube.
Mehr erfahren
