杰弗里·辛顿（Geoffrey Hinton）是英裔加拿大计算机科学家与认知心理学家，被誉为'深度学习之父'之一。他长期任职于多伦多大学，并曾在谷歌担任研究职务。其主要学术贡献涵盖反向传播算法的推广、玻尔兹曼机、深度神经网络训练方法及知识蒸馏技术等，对现代人工智能和机器学习领域产生了深远影响。2018年与Yann LeCun、Yoshua Bengio共同荣获图灵奖。
知识蒸馏（Knowledge Distillation）最初由Geoffrey Hinton等人在2015年提出
Yann LeCun、Geoffrey Hinton和Yoshua Bengio因在深度学习领域的奠基性贡献共同获得2018年图灵奖
Knowledge Distillation is a technique for transferring knowledge from a large teacher model to a smaller student model, proposed by Geoffrey Hinton et al. in 2015
Knowledge Distillation is a technique for transferring knowledge from a large teacher model to a smaller student model, proposed by Geoffrey Hinton et al. in 2015
反向传播算法由 Rumelhart、Hinton 和 Williams 在 1986 年的论文中推广普及，其数学核心是链式法则
模型蒸馏（Knowledge Distillation）最初由 Hinton 等人于2015年提出，核心思想是让小模型学习大模型的软标签而非硬标签
Yann LeCun、Geoffrey Hinton和Yoshua Bengio因在深度学习领域的奠基性贡献共同获得2018年图灵奖
LeCun在最新访谈中公开批评Hinton，称其以前不看好大语言模型，2023年突然转变立场后到处做AI威胁论演讲
2006年Geoffrey Hinton提出深度信念网络的逐层预训练方法
知识蒸馏（Knowledge Distillation）最初由Geoffrey Hinton等人在2015年提出
知识蒸馏（Knowledge Distillation）最初由Geoffrey Hinton等人在2015年提出
80%已验证Yann LeCun、Geoffrey Hinton和Yoshua Bengio因在深度学习领域的奠基性贡献共同获得2018年图灵奖
75%已验证Knowledge Distillation is a technique for transferring knowledge from a large teacher model to a smaller student model, proposed by Geoffrey Hinton et al. in 2015
70%已验证反向传播算法由 Rumelhart、Hinton 和 Williams 在 1986 年的论文中推广普及，其数学核心是链式法则
65%已验证模型蒸馏（Knowledge Distillation）最初由 Hinton 等人于2015年提出，核心思想是让小模型学习大模型的软标签而非硬标签
65%待验证2006年Geoffrey Hinton提出深度信念网络的逐层预训练方法
90%待验证LeCun在最新访谈中公开批评Hinton，称其以前不看好大语言模型，2023年突然转变立场后到处做AI威胁论演讲
85%