Quando parla Geoffrey Hinton, generalmente ci mettiamo tutti ad ascoltare. Hinton è quel professore dell’Università di Toronto, in Canada, che insieme ai suoi studenti Alex Krizhevsky e Ilya Sutskever nel 2012 presentò una rete neurale convoluzionale profonda che vinse la ImageNet Large Scale Visual Recognition Challenge – staccando di oltre dieci punti il concorrente immediatamente successivo – aprendo la scena mondiale al deep learning e accelerando così l’interesse e l’adozione delle tecnologie di intelligenza artificiale.
Intervistato da MIT Technology Review durante l’evento (quest’anno ovviamente online) EmTech MIT, Hinton ha affermato che – con molte più risorse e numerose “svolte” da parte della ricerca – il deep learning arriverà a “fare tutto“, approssimando l’intelligenza umana senza bisogno di aiuto da parte delle tecniche simboliche. Per Hinton, insomma, bisogna aumentare massivamente la potenza di calcolo (di quanto non si sa, ma il ricercatore ha fatto il paragone con il cervello umano che ha mille volte più parametri rispetto a un modello gigantesco come GPT-3) e realizzare nuovi modelli concettuali, per consentire così al deep learning di raggiungere gli stessi livelli di intelligenza degli esseri umani.
Potete leggere l’intervista completa qui: AI godfather Geoff Hinton: “Deep learning is going to be able to do everything”