# Summary 🧩 Hinton（Geoffrey Hinton）的核心贡献可以用几个关键词来概括 👇 | 主题 | 关键词 | 简要说明 | | ------- | --------------------------------------------- | ---------------------------------------------- | | 神经网络复兴 | **反向传播（Backpropagation）** | 1986 年与 Rumelhart、Williams 合著论文，使深度神经网络训练成为可能。| | 表征学习 | **分布式表示（Distributed Representation）** | 提出“特征不是独立存储，而是由多个神经元共同编码”的思想。| | 生成模型 | **玻尔兹曼机（Boltzmann Machine）**、**受限玻尔兹曼机（RBM）** | 奠定了深度信念网络（DBN）的基础。| | 深度学习 | **深度信念网络（DBN）** | 2006 年掀起深度学习热潮，为后来的 CNN、RNN 奠基。| | 表征压缩 | **自动编码器（[[自动编码器（Autoencoder）]]）** | 一种无监督特征学习方法，广泛用于降维与预训练。| | 概率模型 | **Helmholtz Machine / Wake–Sleep Algorithm** | 早期生成-识别网络原型，启发了现代 VAE。| | 神经认知理论 | **Capsule Network（胶囊网络）** | 尝试用结构化方式捕捉层级空间关系。| | AI 理论思想 | **“感知与推理的统一”** | 强调神经网络不是黑箱，而是概率推理的近似实现。| --- **一句话记忆：** > Hinton 是让神经网络“复活”的人——他让机器学会了**反向传播梯度、学习表示、构建生成模型、理解层次结构**。 # Cues # Notes