Джеффри Хинтон

Фундаментальный исследователь, чей вклад в обучение нейронных сетей и изучение представлений стал опорой для революции глубокого обучения. Формализация обратного распространения, инсайты о представлениях скрытых слоёв и ранние работы по вероятностным нейросетям помогли определить классы сетей, которые поддаются обучению, хорошо обобщают и пригодны для сжатия или дистилляции — свойства, критически важные для ончейн‑деплоя. Проекты вроде Cortex, стремящиеся сделать ML‑модели полноценным активом в блокчейн‑экономике, зависят от экосистемы, где модели можно надежно обучать вне цепочки, компактно представлять в ней и верифицировать на предмет корректности и производительности. Методологическое наследие ранних исследований по глубокому обучению влияет на стратегии верификации (например, black‑box vs white‑box тестирование), приемлемые методы аппроксимации для удешевления инференса и ожидания относительно режимов отказа и устойчивости при смещении распределений. Кроме того, концептуальная постановка нейросетей как вероятностных аппроксиматоров функций повлияла на то, как неопределённость модели и механизмы вознаграждения кодируются в децентрализованных маркетплейсах: репутация, системы challenge‑response и стекинговые стимулы для провайдеров моделей требуют понимания поведения моделей при враждебных или смещённых входах. Хотя не участвовал напрямую в инженерии Cortex, накопительный эффект фундаментальных исследований в глубоких нейросетях сделал возможными компактные, эффективные и верифицируемые модели, которые Cortex стремится интегрировать в permissionless блокчейн‑среду.