সাক্ষাৎকার Geoffrey Hinton

জিফ্রি হিন্টন, যাকে প্রায়শই 'এআই-এর গডফাদার' বলা হয়, সম্প্রতি একটি খোলামেলা কথোপকথনে বসেছিলেন যা তার অসাধারণ যাত্রার গোপনীয়তা উন্মোচন করেছে, তার আবিষ্কৃত চমকপ্রদ সত্য এবং যে গভীর প্রশ্নগুলো তাকে নিরন্তর চালিত করে। তার প্রাথমিক শিক্ষাজীবনের নীরব হতাশা থেকে শুরু করে কার্নেগি মেলনের ব্যস্ত, ভবিষ্যৎ-মগ্ন ল্যাব পর্যন্ত, হিন্টন কৃত্রিম বুদ্ধিমত্তার বিবর্তনের একটি গভীর ব্যক্তিগত এবং বুদ্ধিবৃত্তিকভাবে উদ্দীপক চিত্র তুলে ধরেন, যা তার ট্রেডমার্ক বিনয়, তীক্ষ্ণ অন্তর্দৃষ্টি এবং প্রচলিত জ্ঞানের প্রতি স্বাস্থ্যকর সংশয়ের মিশ্রণে মূর্ত।

এআই-এর আকস্মিক পথ: সন্দেহ, হতাশা এবং গভীর স্বজ্ঞা

হিন্টনের একজন অগ্রগামী এআই গবেষক হওয়ার পথটি সরলরৈখিক ছিল না। বুদ্ধিমত্তা বোঝার জন্য তার প্রাথমিক অনুসন্ধান কেমব্রিজে ফিজিওলজি অধ্যয়নের মাধ্যমে শুরু হয়েছিল। তবে, তিনি দ্রুত এটিকে "খুব হতাশাজনক" বলে মনে করেন যখন তিনি শুধু শিখলেন "কীভাবে নিউরন অ্যাকশন পটেনশিয়াল পরিচালনা করে, যা খুব আকর্ষণীয় কিন্তু এটি আপনাকে বলে না মস্তিষ্ক কীভাবে কাজ করে।" মনকে বোঝার জন্য দর্শনে মোড় নেওয়াও একইভাবে হতাশাজনক প্রমাণিত হয়েছিল। তিনি এডিনবার্গে নিজেকে খুঁজে না পাওয়া পর্যন্ত এবং এআই-এ নিমজ্জিত না হওয়া পর্যন্ত আসল স্ফুলিঙ্গ অনুভব করেননি: "কমপক্ষে আপনি জিনিসগুলি অনুকরণ পারতেন যাতে আপনি তত্ত্বগুলি পরীক্ষা করতে পারেন।"

এই প্রাথমিক হতাশা একটি মূল স্বজ্ঞা তৈরি করেছিল। তিনি ডোনাল্ড হেবের নিউরাল নেটওয়ার্ক সংযোগের শক্তি এবং জন ভন নিউম্যানের মস্তিষ্ক কীভাবে ঐতিহ্যবাহী কম্পিউটার থেকে ভিন্নভাবে গণনা করে সে সম্পর্কে পড়েছিলেন। বুদ্ধিমত্তার প্রচলিত সিম্বলিক লজিক পদ্ধতি থেকে হিন্টন সহজাতভাবে সরে এসেছিলেন। "আমার কাছে মনে হয়েছিল যে মস্তিষ্ক শেখার একটি উপায় থাকতে হবে এবং এটি স্পষ্টতই এমন নয় যে এর মধ্যে সব ধরণের জিনিস প্রোগ্রাম করা আছে এবং তারপর লজিক্যাল ইনফারেন্সের নিয়ম ব্যবহার করছে যা আমার কাছে শুরু থেকেই পাগলামি মনে হয়েছিল।" তার মনোযোগ পরিবর্তে সংকীর্ণ হয়েছিল এই মৌলিক প্রশ্নে যে মস্তিষ্ক কীভাবে একটি নিউরাল নেটের মধ্যে সংযোগগুলি পরিবর্তন করে জটিল কাজ সম্পাদন করতে শেখে, একটি মার্জিত সরলতা যা তার পরবর্তী অনেক কাজের ভিত্তি তৈরি করবে।

মূল শিক্ষা:

• প্রাথমিক শিক্ষাজীবনের হতাশা এআই-তে সিমুলেশন এবং অভিজ্ঞতামূলক পরীক্ষার দিকে একটি পরিবর্তনকে অনুঘটক করে তুলেছিল।
• হিন্টন মস্তিষ্কের কার্যকারিতার প্রাথমিক মডেল হিসাবে সিম্বলিক লজিকের বিরুদ্ধে একটি প্রাথমিক, শক্তিশালী স্বজ্ঞা তৈরি করেছিলেন।
• তার মৌলিক আগ্রহ ছিল কীভাবে সাধারণ নিউরাল অপারেশনগুলি জটিল শিক্ষায় পরিচালিত হতে পারে তা বোঝার।

সংযোগ স্থাপন: বোল্টজম্যান মেশিন থেকে "হিডেন লেয়ার" পর্যন্ত

১৯৭০-এর দশকের শেষের দিকে কার্নেগি মেলনে পরিবেশ ছিল বৈদ্যুতিক, যা ইংল্যান্ডে তার পূর্ববর্তী অভিজ্ঞতার থেকে সম্পূর্ণ ভিন্ন। হিন্টন মনে করেন যে শনিবার রাতে রাত ৯টায় ল্যাবে গিয়ে তিনি দেখেন এটি "গিজগিজ করছে... সকল ছাত্রছাত্রী সেখানে ছিল এবং তারা সবাই সেখানে ছিল কারণ তারা যা নিয়ে কাজ করছিল তা ছিল ভবিষ্যৎ।" এই উর্বর ভূমি গুরুত্বপূর্ণ সহযোগিতার জন্ম দিয়েছিল, বিশেষ করে টেরি সেজনোস্কির সাথে বোল্টজম্যান মেশিন নিয়ে – এই সময়কালকে হিন্টন "আমার করা সবচেয়ে উত্তেজনাপূর্ণ গবেষণা" বলে বর্ণনা করেন। যদিও তিনি এখন বিশ্বাস করেন যে বোল্টজম্যান মেশিনগুলি "মস্তিষ্ক যেভাবে কাজ করে তা নয়", তবে লার্নিং অ্যালগরিদমের তাত্ত্বিক সৌন্দর্য গভীর গর্বের বিষয় হয়ে রয়ে গেছে।

আরেকটি গুরুত্বপূর্ণ মিথস্ক্রিয়া ছিল পিটার ব্রাউনের সাথে, একজন পরিসংখ্যানবিদ যিনি স্পিচ রিকগনিশন নিয়ে কাজ করছিলেন। ব্রাউন হিন্টনকে হিডেন মার্কভ মডেল (HMMs) এর সাথে পরিচয় করিয়ে দেন, যা একটি নিখুঁত ভাষাগত অনুপ্রেরণা সরবরাহ করেছিল। হিন্টন ইতিমধ্যেই বহু-স্তরযুক্ত নেটওয়ার্ক ব্যবহার করছিলেন যার কোনো নির্দিষ্ট নাম তিনি দেননি, এবং তিনি সিদ্ধান্ত নিলেন যে HMMs-এর "হিডেন" শব্দটি ছিল "এমন ভেরিয়েবলগুলির জন্য একটি দুর্দান্ত নাম যার কার্যকলাপ সম্পর্কে আপনি জানেন না।" এভাবেই নিউরাল নেটওয়ার্কে সর্বব্যাপী "হিডেন লেয়ার" এর জন্ম হয়। হিন্টন বিনীতভাবে তার ছাত্রদের কৃতিত্ব দেন, প্রতিফলিত করে বলেন, "আমি মনে করি আমি তার কাছ থেকে যতটা শিখেছি, তার চেয়ে সে আমার কাছ থেকে বেশি শিখেছি।" যারা তার তত্ত্বাবধানে ছিল তাদের কাছ থেকে শেখার এই ইচ্ছাটি ইলিয়া নামের একজন নির্দিষ্ট ছাত্রের সাথে সবচেয়ে স্পষ্টভাবে প্রদর্শিত হয়েছিল। ইলিয়া সুতস্কেভার এক রবিবার "জরুরি টোকা" দিয়ে হিন্টনের অফিসে প্রবেশ করে ঘোষণা করেন যে তিনি "গ্রীষ্মকালে ফ্রাই রান্না করার" চেয়ে ল্যাবে থাকতে বেশি পছন্দ করবেন। ব্যাকপ্রোপাগেশন নিয়ে একটি পেপার পাওয়ার পর, ইলিয়ার তাৎক্ষণিক, গভীর প্রতিক্রিয়া ছিল না যে সে চেইন রুল বোঝেনি, বরং: "আমি শুধু বুঝি না কেন আপনি গ্রেডিয়েন্ট একটি সংবেদনশীল ফাংশন অপ্টিমাইজারের কাছে দেন না।" একটি গভীর, আরও মৌলিক সমস্যার দিকে এই তাৎক্ষণিক উল্লম্ফন সুতস্কেভারের অসাধারণ "বিষয়গুলি সম্পর্কে কাঁচা স্বজ্ঞা [যা] সর্বদা খুব ভালো ছিল" এর পূর্বাভাস দিয়েছিল।

মূল অনুশীলন:

• যুক্তিপূর্ণ দূরত্ব জুড়েও সহযোগী গবেষণা গ্রহণ করা বৈজ্ঞানিক সাফল্যের জন্য অত্যন্ত গুরুত্বপূর্ণ ছিল।
• ছাত্রদের কাছ থেকে শেখা এবং তাদের অনন্য অন্তর্দৃষ্টি ও অবদানের জন্য তাদের কৃতিত্ব দেওয়া অমূল্য প্রমাণিত হয়েছে।
• মৌলিক এআই ধারণাগুলির নামকরণ প্রায়শই ব্যবহারিক প্রয়োজন এবং আন্তঃ-শৃঙ্খলাগত অনুপ্রেরণা থেকে উদ্ভূত হয়েছিল।
• একজন শিক্ষার্থীর সহজাত, কাঁচা স্বজ্ঞাকে মূল্য দেওয়া, এমনকি যখন এটি প্রতিষ্ঠিত ধারণাগুলিকে চ্যালেঞ্জ করে, অগ্রগতির জন্য অপরিহার্য।

স্কেলের অপ্রত্যাশিত শক্তি: নেক্সট-ওয়ার্ড প্রেডিকশনের বাইরে

হিন্টনের পরবর্তী কর্মজীবনের একটি পুনরাবৃত্ত থিম ছিল স্কেলের গভীর প্রভাব। যদিও হিন্টন প্রাথমিকভাবে ভেবেছিলেন যে ইলিয়া সুতস্কেভারের মন্ত্র – "আপনি শুধু এটিকে বড় করুন এবং এটি আরও ভাল কাজ করবে" – ছিল "একটু এড়িয়ে যাওয়া" এবং "নতুন ধারণা সাহায্য করে", তিনি শেষ পর্যন্ত গণনা এবং ডেটার বিশাল শক্তি মেনে নিয়েছিলেন। "দেখা গেল আমি মূলত সঠিক ছিলাম, নতুন ধারণা জিনিসগুলিকে সাহায্য করে, যেমন ট্রান্সফরমারগুলি অনেক সাহায্য করেছে, তবে এটি সত্যিই ডেটার স্কেল এবং গণনার স্কেল ছিল।" তিনি ইলিয়া এবং জেমস মার্টিনসের ২০১১ সালের একটি পেপারের কথা উল্লেখ করেন, যা উইকিপিডিয়াতে ক্যারেক্টার-লেভেল প্রেডিকশন ব্যবহার করেছিল: "আমরা কখনই পুরোপুরি বিশ্বাস করতে পারিনি যে এটি কিছু বুঝেছে, তবে দেখে মনে হয়েছিল এটি বুঝেছে।"

হিন্টন দৃঢ়ভাবে এই ধারণা খণ্ডন করেন যে পরবর্তী শব্দ ভবিষ্যদ্বাণী করা একটি অগভীর কাজ। তিনি যুক্তি দেন যে এটি ঠিক এই কারণেই এই মডেলগুলিকে একটি জটিল প্রসঙ্গে পরবর্তী প্রতীক ভবিষ্যদ্বাণী করতে বাধ্য করা হয় যে তারা গভীর বোঝাপড়া বিকাশ করে। "পরবর্তী প্রতীক ভবিষ্যদ্বাণী করতে আপনাকে বুঝতে হবে কী বলা হয়েছে। তাই আমি মনে করি আপনি এটিকে পরবর্তী প্রতীক ভবিষ্যদ্বাণী করতে বাধ্য করে এটি বুঝতে বাধ্য করছেন এবং আমি মনে করি এটি আমাদের মতোই অনেক কিছু বুঝতে পারছে।" তিনি একটি আকর্ষণীয় উপমা দিয়ে এটি ব্যাখ্যা করেন: GPT-4 কে জিজ্ঞাসা করা যে কেন একটি কম্পোস্ট স্তূপ একটি পরমাণু বোমার মতো। যেখানে বেশিরভাগ মানুষ সংগ্রাম করে, GPT-4 একটি "চেইন প্রতিক্রিয়া" এর সাধারণ কাঠামো চিহ্নিত করে। এই আপাতদৃষ্টিতে ভিন্ন ধারণার মধ্যে সাদৃশ্য দেখার ক্ষমতা, হিন্টন বিশ্বাস করেন, "যেখান থেকে আপনি সৃজনশীলতা পান।" তাছাড়া, তিনি তুলে ধরেন যে এই মডেলগুলি তাদের প্রশিক্ষণের ডেটাকেও ছাড়িয়ে যেতে পারে, অনেকটা একজন বুদ্ধিমান ছাত্রের ত্রুটিপূর্ণ উপদেষ্টার কাছ থেকে সত্যকে বিচ্ছিন্ন করার মতো। তিনি একটি পরীক্ষার দিকে ইঙ্গিত করেন যেখানে একটি নিউরাল নেট যা ৫০% ত্রুটিপূর্ণ ডেটার উপর প্রশিক্ষিত ছিল, তা সত্ত্বেও মাত্র ৫% ত্রুটি অর্জন করেছিল। "তারা তাদের প্রশিক্ষণের ডেটার চেয়ে অনেক ভাল করতে পারে এবং বেশিরভাগ মানুষ তা উপলব্ধি করে না।"

মূল পরিবর্তন:

• শুধুমাত্র নতুন অ্যালগরিদমগুলির চেয়েও ডেটা এবং গণনাগত স্কেলের বিশাল শক্তি সম্পর্কে দৃষ্টিভঙ্গিতে একটি গভীর পরিবর্তন।
• একটি অগভীর কাজ থেকে "পরবর্তী প্রতীক ভবিষ্যদ্বাণী করা" কে একটি পদ্ধতি হিসাবে পুনঃমূল্যায়ন করা যা গভীর বোঝাপড়াকে বাধ্য করে।
• অপ্রত্যাশিত সাদৃশ্য চিহ্নিত করার ক্ষমতার মাধ্যমে বৃহৎ মডেলগুলির উদীয়মান সৃজনশীলতাকে স্বীকৃতি দেওয়া।
• বোঝা যে এআই তার প্রশিক্ষণের ডেটাতে থাকা ত্রুটিগুলির জন্য সাধারণীকরণ এবং সংশোধন করতে পারে, মানব-প্রদত্ত উদাহরণগুলিকে ছাড়িয়ে যেতে পারে।

অমরত্ব প্রকৌশল: যুক্তি, মাল্টিমোডালিটি এবং কম্পিউটের ভবিষ্যৎ

ভবিষ্যতের দিকে তাকিয়ে, হিন্টন এআই যুক্তিকে মানুষের শেখার প্রক্রিয়ার অনুরূপ একটি প্রক্রিয়ার মাধ্যমে এগিয়ে যেতে কল্পনা করেন: প্রাথমিক স্বজ্ঞাকে যুক্তি দিয়ে সংশোধন করা, অনেকটা আলফাগো যেমন মন্টে কার্লো রোলআউটের মাধ্যমে তার মূল্যায়ন ফাংশনকে পরিমার্জন করে। তিনি বলেন, "আমি মনে করি এই বৃহৎ ভাষা মডেলগুলিকে তা করা শুরু করতে হবে... মানুষ যা করেছে তা অনুকরণ করার চেয়ে বেশি প্রশিক্ষণের ডেটা পেতে হবে।" মাল্টিমোডাল ডেটা — ছবি, ভিডিও, শব্দ — এর একীকরণ এটিকে নাটকীয়ভাবে উন্নত করবে, বিশেষ করে স্থানিক যুক্তির জন্য। "যদি আপনি এটিকে দৃষ্টিশক্তি এবং জিনিসপত্র ধরা উভয়ই করান, তবে এটি বস্তুকে আরও ভালোভাবে বুঝবে।"

ভাষার প্রতি হিন্টনের বিকশিত বোঝাপড়াও আকর্ষণীয়। তিনি পুরোনো প্রতীকী দৃষ্টিভঙ্গি এবং বিশুদ্ধভাবে ভেক্টর-ভিত্তিক "থট ভেক্টর" পদ্ধতিকে প্রত্যাখ্যান করেন। তার বর্তমান বিশ্বাস পোষণ করে যে "আপনি এই প্রতীকগুলি নেন এবং প্রতীকগুলিকে এম্বেডিংয়ে রূপান্তরিত করেন... এই খুব সমৃদ্ধ এম্বেডিংগুলি কিন্তু এম্বেডিংগুলি এখনও প্রতীকগুলির জন্য... এটাই বোঝাপড়া।" এই মিশ্রণটি ভাষার উপরি কাঠামোর পাশাপাশি এটিকে গভীর, ভেক্টর-ভিত্তিক অর্থ দ্বারা সমৃদ্ধ করে। কথোপকথনে তার জিপিইউ-এর প্রাথমিক সমর্থনও উঠে আসে, একটি গল্প যেখানে রিক সেজলিস্কি, গেমিং হার্ডওয়্যার, একটি নিপস আলোচনা এবং জেনসেন হুয়াংয়ের কাছ থেকে একটি বিলম্বিত ফ্রি জিপিইউ জড়িত ছিল। তবে, তিনি তখন এই ডিজিটাল সাফল্যের বিপরীতে কম-পাওয়ার অ্যানালগ গণনার তার ব্যর্থ অনুসন্ধানের কথা উল্লেখ করেন। এটি একটি গভীর উপলব্ধির দিকে পরিচালিত করে: "ডিজিটাল সিস্টেমগুলি ওজন ভাগ করতে পারে এবং এটি অবিশ্বাস্যভাবে অনেক বেশি দক্ষ... তাই জ্ঞান ভাগ করে নেওয়ার ক্ষেত্রে তারা আমাদের চেয়ে অনেক উন্নত।" ডিজিটাল ওজনের এই "অমরত্ব" অভূতপূর্ব সম্মিলিত শিক্ষার সুযোগ করে দেয়।

মূল অন্তর্দৃষ্টি:

• এআই-এর যুক্তির ক্ষমতা স্ব-সংশোধনের মাধ্যমে তার স্বজ্ঞাগুলিকে বারবার পরিমার্জন করে গভীর হবে, যা মানুষ কীভাবে স্বজ্ঞাকে পরীক্ষা করতে যুক্তি ব্যবহার করে তার প্রতিচ্ছবি।
• মাল্টিমোডাল লার্নিং, বিশেষ করে শারীরিক মিথস্ক্রিয়া জড়িত, শক্তিশালী স্থানিক এবং বস্তুগত বোঝাপড়া বিকাশের জন্য অত্যন্ত গুরুত্বপূর্ণ।
• এআই (এবং সম্ভবত মানুষের মস্তিষ্ক)-এ প্রকৃত বোঝাপড়া প্রতীকগুলির সমৃদ্ধ, প্রাসঙ্গিক এম্বেডিংয়ের মধ্যে নিহিত, বিশুদ্ধ প্রতীকী যুক্তি বা বিচ্ছিন্ন "থট ভেক্টরের" মধ্যে নয়।
• ডিজিটাল এআই সিস্টেমগুলির মধ্যে একটি অন্তর্নিহিত "অমরত্ব" এবং জ্ঞান ভাগ করে নেওয়ার ক্ষেত্রে অতুলনীয় দক্ষতা রয়েছে বিনিময়যোগ্য ওজনের কারণে, যা জৈবিক মস্তিষ্কের উপর একটি মৌলিক সুবিধা।

কৌতূহলী মন: মস্তিষ্কের রহস্য উন্মোচন এবং গবেষণার পথনির্দেশ

এআই-এর দ্রুত অগ্রগতি সত্ত্বেও, হিন্টন বিশ্বাস করেন একটি প্রধান সীমান্ত এখনও রয়ে গেছে: "ফাস্ট ওয়েট" অন্তর্ভুক্ত করা – সিন্যাপটিক শক্তিগুলির অস্থায়ী, প্রসঙ্গ-নির্ভর পরিবর্তন যা মস্তিষ্ক স্বল্পমেয়াদী স্মৃতির জন্য ব্যবহার করে। "এটি অন্যতম বড় বিষয় যা আমাদের শিখতে হবে।" এই ক্ষমতা এআই মডেলগুলিতে এখনও দেখা যায়নি এমন স্মৃতি এবং প্রক্রিয়াকরণের সম্পূর্ণ নতুন রূপ উন্মোচন করতে পারে। তার কাজ মস্তিষ্কের প্রতি তার দৃষ্টিভঙ্গিকে গভীরভাবে প্রভাবিত করেছে, এটি প্রদর্শন করে যে একটি "বড় এলোমেলো নিউরাল নেট" ডেটা থেকে জটিল জিনিস শিখছে এই ধারণাটি "সম্পূর্ণ ভুল" – যা চমস্কির সহজাত ভাষা কাঠামোর মতো তত্ত্বগুলির প্রতি একটি সরাসরি চ্যালেঞ্জ।

হিন্টন এমনকি চেতনা এবং অনুভূতির ক্ষেত্রেও প্রবেশ করেন, একটি উত্তেজক দৃষ্টিভঙ্গি উপস্থাপন করেন। তিনি প্রস্তাব করেন যে অনুভূতিগুলিকে "আমরা যে কাজগুলি করতাম যদি না সীমাবদ্ধতা থাকত" সেভাবে বোঝা যেতে পারে। তিনি এডিনবার্গে ১৯৭৩ সালের একটি রোবটের কথা বলেন যা বিক্ষিপ্ত স্তূপ থেকে একটি খেলনা গাড়ি একত্রিত করতে না পেরে হতাশ হয়ে "তার গ্রিপার দিয়ে আঘাত করে সেগুলিকে ছড়িয়ে দিল এবং তারপর সেগুলিকে একত্রিত করতে পারল।" হিন্টন পর্যবেক্ষণ করেন, "যদি আপনি এটি একজন ব্যক্তির মধ্যে দেখতেন তবে আপনি বলতেন যে এটি পরিস্থিতির সাথে বিপর্যস্ত ছিল কারণ এটি বোঝেনি তাই এটি এটিকে ধ্বংস করে দিয়েছে।" হিন্টনের কাছে, এটি একটি রোবটের আবেগ প্রদর্শনের একটি স্পষ্ট প্রমাণ ছিল। সমস্যা নির্বাচনের ক্ষেত্রে তার পদ্ধতি সতেজভাবে সরল: "আমি এমন কিছু খুঁজি যেখানে সবাই কোনো বিষয়ে একমত এবং এটি ভুল মনে হয়।" তারপর তিনি চেষ্টা করেন "একটি ছোট কম্পিউটার প্রোগ্রাম দিয়ে একটি ছোট ডেমো তৈরি করতে যা দেখায় যে এটি আপনি যেমন আশা করেন সেভাবে কাজ করে না।" তার বর্তমান "সন্দেহজনক" ক্ষেত্র হলো এআই-তে ফাস্ট ওয়েটের অভাব। অবশেষে, যে প্রশ্নটি তাকে তিন দশক ধরে গ্রাস করেছে তা এখনও রয়ে গেছে: "মস্তিষ্ক কি ব্যাক প্রোপাগেশন করে?" এটি তার দীর্ঘস্থায়ী কৌতূহলের প্রমাণ, এমনকি যখন তিনি স্বাস্থ্যসেবার মতো ক্ষেত্রগুলিতে এআই-এর বিশাল উপকারের পাশাপাশি এর সম্ভাব্য ক্ষতিগুলিও স্বীকার করেন। হিন্টনের জন্য, বোঝার অন্বেষণ সর্বদা প্রাথমিক অনুপ্রেরণা ছিল।

মূল শিক্ষা:

• অস্থায়ী মেমরি এবং বহু-সময়স্কেল শিক্ষার জন্য "ফাস্ট ওয়েট" একীভূত করা এআই-এর জন্য একটি গুরুত্বপূর্ণ, অনুন্নত ক্ষেত্র।
• বৃহৎ নিউরাল নেটওয়ার্কগুলির সাফল্য শিক্ষার সহজাত কাঠামো সম্পর্কে দীর্ঘকাল ধরে চলে আসা বিশ্বাসগুলিকে মৌলিকভাবে চ্যালেঞ্জ করেছে, বিশেষ করে ভাষার ক্ষেত্রে।
• এআই-তে অনুভূতিগুলিকে বাধাপ্রাপ্ত ক্রিয়া হিসাবে ধারণা করা যেতে পারে, যা রোবটের "আবেগ" বোঝার জন্য একটি সুস্পষ্ট কাঠামো সরবরাহ করে।
• হিন্টনের গবেষণা কৌশলটিতে এমন ব্যাপকভাবে গৃহীত ধারণাগুলি চিহ্নিত করা জড়িত যা সহজাতভাবে "ভুল" মনে হয় এবং তারপর সাধারণ প্রদর্শনী দিয়ে সেগুলিকে ভুল প্রমাণ করা।
• তার গভীরতম, চলমান কৌতূহল এই বিষয়টিকে ঘিরে আবর্তিত হয় যে মস্তিষ্ক কীভাবে গ্রেডিয়েন্ট-ভিত্তিক শিক্ষা, বিশেষ করে ব্যাকপ্রোপাগেশন বাস্তবায়ন করে।

"আমি শুধু বুঝতে চেয়েছিলাম যে মস্তিষ্ক পৃথিবীতে কীভাবে জিনিস শিখতে পারে, সেটাই আমি জানতে চেয়েছিলাম এবং আমি একরকম ব্যর্থ হয়েছিলাম, সেই ব্যর্থতার পার্শ্বপ্রতিক্রিয়া হিসাবে আমরা কিছু সুন্দর প্রকৌশল পেয়েছি, কিন্তু হ্যাঁ, এটি বিশ্বের জন্য একটি ভালো ভালো ভালো ব্যর্থতা ছিল" - জিফ্রি হিন্টন