Ed H. Chi: Der Taiwanese, der der KI das „Schritt-für-Schritt-Denken“ beibrachte – und kognitive Psychologie in die Maschine brachte

Während die ganze Welt mit hunderten Millionen Dollar Rechenleistung der KI hinterherjagte, veränderte ein Paper die Art, wie Maschinen schließen – für etwa fünftausend Dollar.

Das Paper heißt „Chain of Thought“ (思維鏈). Was es tut, klingt so simpel, dass es nicht wie ein Durchbruch wirkt: In den Beispielen, die die KI sieht, schreibt man ein paar Zeilen „Lösungsweg“ dazu, bringt sie dazu, erst die Zwischenschritte zu denken, dann die Antwort zu geben – wie wenn man einen Schüler erst einen Entwurf machen lässt, statt direkt das Fazit zu schreiben. Unter den neun Co-Autoren ist ein in Tamsui geborener Taiwanese: Ed H. Chi.

Er erklärte jene fünftausend Dollar später so: „Das Problem war nicht eines, das man mit Rechenleistung lösen kann, sondern es ist ein ganz anderer Denkmodus.“¹

30-Sekunden-Überblick: Ed H. Chi ist Forschungs-Vizepräsident bei Google DeepMind und einer der Co-Autoren des Chain-of-Thought-Papers, das KI das „Schritt-für-Schritt-Schließen“ beibrachte. Jedes Mal, wenn Sie ChatGPT oder Gemini „Schritt für Schritt denken“ lassen und es besser antwortet, führt eine Spur zurück nach Taiwan. Mit etwa 15 Jahren wanderte er mit seiner promovierenden Mutter in die USA aus; beim Helfen bei ihrer pädagogisch-psychologischen Dissertation lernte er ein Konzept darüber, „wie Menschen lernen“. Dreißig Jahre später brachte er dieses Konzept in die Maschine. Taiwan kennt seine Chip-Helden, kennt aber kaum den Mann, der formte, „wie KI denkt“.

Mamas Doktorarbeit

Die Geschichte beginnt nicht bei Google, sondern an einem Schreibtisch.

Ed H. Chi wuchs in Tamsui auf. „Ich bin ein in Taiwan geborener und aufgewachsener Mensch, in Tamsui geboren, und dann mit etwa 15 Jahren mit meinen Eltern in die USA gegangen, weil meine Mutter damals promovieren ging.“² In diesem Satz steckt ein ungewöhnliches Bild: Damals gingen die meisten taiwanesischen Auslands-Kinder als „kleine Auslandsschüler“ allein; er zog mit der ganzen Familie westwärts, weil die Mutter promovieren wollte. Eine taiwanesische Familie, die wegen des Studiums der Mutter in die USA auswanderte – in jener Zeit keine Selbstverständlichkeit.

Tamsui, wo Ed H. Chi geboren wurde und aufwuchs. Dreißig Jahre später wurde das, was er von hier mitnahm, zur Methode, Maschinen das Denken beizubringen.

Die Mutter promovierte in pädagogischer Psychologie. In den High-School- und College-Jahren half er ihr beim Schreiben der Arbeit. Ein noch studierender Junge, der seiner Mutter eine akademische Arbeit über „wie Menschen lernen“ ordnet – und genau dabei stieß er zum ersten Mal auf die Schema-Theorie (基模理論) des Schweizer Psychologen Piaget.

Die Schema-Theorie besagt: Im menschlichen Gehirn gibt es organisierte Wissensstrukturen, „Schemata“ genannt, mit denen wir die Welt verstehen. Beim Lernen Neues wird entweder in alte Schemata eingefügt (Assimilation) oder die alten Schemata passen nicht mehr und müssen umgeschrieben oder neu gebaut werden (Akkommodation). Das klingt abstrakt, beantwortet aber eine fundamentale Frage: Wie wird ein Mensch vom „Nicht-Können“ zum „Können“.

Die Konzepte auf jenem Schreibtisch sollten drei Jahrzehnte später zur Methode werden, Maschinen das Schließen beizubringen. Doch davor lag ein weiter Weg – und ein Weg, den kaum jemand ging.

Ed H. Chi erzählt in VK Tech Reading Time EP122 selbst die Entstehung von Chain of Thought: vom Helfen bei Mamas pädagogisch-psychologischer Dissertation, dem Lernen von Piagets Schema-Theorie, bis hin zur Umsetzung als Methode, KI das Schließen beizubringen. Dieses Interview ist die Seele dieses Artikels.

Von Tamsui nach Minnesota, einer Doktoratszulassung folgend

In Minnesota angekommen, absolvierte er High School, College, Master und PhD an derselben Universität: University of Minnesota, sechseinhalb Jahre, drei Abschlüsse³. Er schloss mit höchster Auszeichnung (Summa Cum Laude) ab, die Doktorarbeit behandelte Informationsvisualisierung, Titel: „A Framework for Information Visualization Spreadsheets“, Betreuer John T. Riedl, ein Pionier der Empfehlungssysteme.

Fünfzehnjährig mit der Mutter nach Minnesota gekommen, machte er später an der University of Minnesota in sechseinhalb Jahren drei Abschlüsse. Betreuer John T. Riedl war ein Pionier der Empfehlungssystemforschung: Diese Linie sollte später zu seiner Arbeit bei Google zurückführen.

Doch wichtiger als die Abschlüsse ist, wie er sich selbst positionierte.

Im Interview sagte er einen sehr ehrlichen Satz: „Auf Englisch: I'm a generalist … jack of all trades but master of none, so ein Forscher. Aber als ich merkte, dass meine Mathematik nicht besser ist als die anderer, dachte ich, vielleicht kann ich Brückenforschung machen, Brücken zwischen einem Feld und einem anderen.“⁴

In der akademischen Welt hat diese Wahl ihren Preis. Er selbst sagte, wer Brückenforschung betreibt, „gehört in Feld A nicht wirklich dazu, in Feld B auch nicht“. Wer nur eine Seite kennt, bekommt einen klaren Platz; wer dazwischen steht, wird oft von keiner Seite aufgenommen. Aber er setzte genau auf dieses Dazwischen. Später erwies sich: Die entscheidendsten Schritte der KI passierten genau in solchen Zonen.

✦ „Vielleicht kann ich Brückenforschung machen, Brücken zwischen einem Feld und einem anderen.“

In Palo Alto lernte er, Psychologie in Code zu übersetzen

1997 ging er an einen legendären Ort zum Praktikum: Xerox PARC (Palo Alto Research Center).

Dieser Name mag taiwanesischen Lesern fremd sein, aber täglich nutzt man, was dort erfunden wurde. Maus, grafische Benutzeroberfläche, Laserdrucker, Ethernet – viele Technologien, die das PC-Zeitalter gründeten, entstanden in diesem Forschungszentrum des Kopierer-Unternehmens neben der Stanford University. Damals ging Jobs hinein, sah die grafische Oberfläche, nahm die Idee mit und machte daraus den Macintosh. Chi kam in dessen zweite Goldene Ära.

Der 1973 entwickelte Alto von Xerox PARC war Pionier von Personal Computer und grafischer Oberfläche. Ed H. Chi lernte später hier, kognitive Psychologie in lauffähigen Code zu übersetzen.

Entscheidend war nicht, welche schicke Technik er machte, sondern wen er traf. „Mein Chef damals hieß Stuart Card, er war ein Student von Allen Newell.“⁵ Diese akademische Linie führt hinauf zu einem Wirtschafts-Nobelpreisträger: Herbert Simon.

Simon prägte „begrenzte Rationalität“ (bounded rationality): Bei Entscheidungen sind Menschen durch Kognition, Information, Zeit begrenzt, „vollständig rational“ ist unmöglich. Er prägte auch „satisficing“: Man sucht nicht die optimale, sondern eine „gute genug“ Lösung. Simon und Newell modellierten das Gehirn als Informationsverarbeitungsmaschine, „Problemlösen“ als schrittweise Suche im Problemraum. Card brachte diese Denkweise nach PARC, Chi übernahm sie von Card.

📝 Kuratorennotiz
Die gängige KI-Erzählung lautet: Maschinen werden klüger, weil Chips schneller, Daten mehr, Modelle größer werden. Diese Erzählung ist griffig, aber sie übersieht eine zweite, dunkle Linie. Simon fragte schon in den 1950ern: „Wie entscheidet das Gehirn unter Beschränkungen?“; Card holte 1974 Psychologie in PARCs Computerforschung; Chi übernahm in den 1990ern und machte Foraging-Theorie zu einem Modell, wie Menschen im Netz Informationen suchen. Ein halbes Jahrhundert lang verfolgte eine Gruppe dieselbe Frage: Wie denken Menschen eigentlich? Während der Mainstream Maschinen schneller rechnen ließ, ließen sie Maschinen mehr wie Menschen denken. Chain of Thought ist die Frucht dieser dunklen Linie.

Seine Hauptforschung in PARC hieß „Information Foraging“ (資訊覓食). Das Konzept: Menschen suchen im Netz Informationen wie Tiere in der Wildnis nach Nahrung – sie folgen dem „Geruch“, starker Geruch heißt weiterverfolgen, schwacher heißt aufgeben. Er ingenieurtechnisierte dieses biologisch-psychologische Foraging-Modell zu einem echten System, das vorhersagt, wie Menschen zwischen Websites navigieren. Das war der erste Praxistest der „Brücke“: kognitive Psychologie auf der einen, Informatik auf der anderen Seite, er baute die Brücke dazwischen.

Nicht mehr Daten, sondern menschlicher

2011 verließ er PARC Richtung Google. Der Grund war pragmatisch: „Nur Forschung reicht nicht, man muss auch angewandte Dinge machen.“ Das PARC-Modell – „Grundlagenforschung sehr tief, aber nicht in Produkte umsetzbar“ – hatte er gesehen.

Bei Google machte er erst Web-Datenanalyse, 2015–2017 baute er das neuronale Empfehlungssystem von YouTube neu auf, 2017 wurde er Principal Scientist von Google Brain mit 70 Leuten, 2021 Distinguished Scientist mit 120 Leuten, später Forschungs-Vizepräsident von DeepMind⁶. Hinter der Titelserie steckt dieselbe methodische DNA: Information Foraging modelliert „wie Menschen Dinge finden“, Empfehlungssysteme modellieren „was Menschen sehen wollen“, Chain of Thought wird zu „wie Menschen schließen“. Von der menschlichen Kognition Schritt für Schritt zur Maschine.

Der Wendepunkt von Chain of Thought kam aus Unzufriedenheit mit dem damaligen Mainstream des Machine Learning. „Warum braucht man so viele Daten, damit die Maschine wirklich lernt?“ Er begann zu fragen: „Kann man kognitive Psychologie nutzen, um Maschinen das Lernen beizubringen?“⁷

Also kehrte er zu jenem Konzept zurück. „Diese Idee stammt eigentlich aus den 60ern, 70ern, heißt Schema-Theorie. Sie besagt im Kern: Wenn ein Mensch ein Problem mit einem Template lösen kann, können wir vielleicht dieselbe Methode nutzen, um Maschinen das Lernen beizubringen. Chain of Thought beginnt genau damit.“ Der Interviewer hakte nach, ob es Piagets Schemata seien, er antwortete: „Ja, genau Piagets Schema-Idee. Das habe ich in der High School, im College gelernt, weil ich meiner Mutter bei ihrer pädagogisch-psychologischen Doktorarbeit half – und so fügten sich diese Dinge später zusammen.“⁸

Der Same auf dem Schreibtisch keimte.

Das berühmteste Bild aus dem Chain-of-Thought-Paper: Links normale Abfrage, Modell rechnet falsch; rechts nur im Beispiel ein Stück Schlussfolgerungsprozess dazu (blau markiert), Modell antwortet richtig. Der Unterschied liegt nicht in Rechenleistung, sondern darin, ob man „die Gedanken Schritt für Schritt aufschreibt“. Bild aus Wei et al., 2022.

Und es kostete fast nichts. „Wisst ihr, wie viel Rechenleistung wir insgesamt nutzten? Etwa fünftausend Dollar. Weil das Problem nicht mit Rechenleistung lösbar war, sondern ein anderer Denkmodus ist. Als wir die Forschung machten, hatten wir anfangs praktisch kein Budget, wir dachten es einfach aus.“¹

Genau das will dieser Artikel sagen: Der Schlüssel, KI das Schließen beizubringen, ist nicht mehr Rechenleistung, sondern mehr Menschlichkeit – und diese „Menschlichkeit“ wuchs in der pädagogisch-psychologischen Doktorarbeit, die ein Tamsui-Junge für seine Mutter schrieb.

Er sagte zu seinem Mitarbeiter: Nicht jene Methode, versuch Schemata

Hier muss man ehrlich sein.

Das Chain-of-Thought-Paper hat neun Autoren, Chi steht an siebter Stelle. Erstautor ist Jason Wei, Hauptausführer; letzte Stelle, akademisch der Senior Lead, ist Denny Zhou, Gründer des Reasoning-Forschungsteams von Google Brain. Das Paper als „Chis Erfindung“ zu bezeichnen, ist ungenau; Denny Zhou leitete diese Forschungsrichtung, und Denny Zhou war Chis Mitarbeiter, sein direkter Untergebener.

Was also war seine Rolle? Hören wir ihn selbst: „Denny Zhou ist ein Forscher in meinem Team, er kam zu mir und wollte Reasoning-Forschung machen … er nutzte ursprünglich eher traditionelle neuro-symbolische Methoden, ich sagte ihm, neuro-symbolisch scheint nicht so recht zu funktionieren, ob man nicht andere Methoden in Betracht ziehen könnte? Dann diskutierten wir langsam und fanden, vielleicht kann man das Schema-Konzept nutzen.“⁹

Diese Passage zeichnet seinen eigentlichen Beitrag. Er war nicht Hauptausführer des Papers, aber er war derjenige, der an der entscheidenden Weggabelung sagte: „Geht nicht dort lang“: Er verwarf neuro-symbolisch, die damals naheliegend schien, und lenkte die Diskussion zu Schemata. Noch wichtiger: Er konnte an Schemata denken, weil er dreißig Jahre kognitive Wissenschaftsperspektive in dieses Team mitbrachte. Anders gesagt: Er war derjenige, der Denny Zhou „ermöglichte, auf Schemata zu kommen“.

📝 Kuratorennotiz
Die „Taiwanesische Ehre“ hat oft den Fehler, einen komplexen Beitrag in „er erfand X“ zu pressen. Die Realität ist oft interessanter. Chis unersetzlicher Wert ist ein zwanzigjähriger langer Bogen: Er trug kognitive Psychologie Stück für Stück in die Maschine – von Information Foraging über Empfehlungssysteme bis Chain of Thought. Papers haben neun Autoren, Rankings, Streit um Verdienste; aber „zwanzig Jahre lang die Frage ‚Wie denken Menschen?‘ konsequent in die Ingenieurpraxis tragen“ – das konnte im ganzen Team nur er. Seinen Wert zu sehen, braucht den zwanzigjährigen Maßstab, nicht die Autorenliste.

Er selbst erklärte Chain of Thoughts Fortgang mit einem tieferen Rahmen. Wenn KI nicht nur nach Template löst, sondern „reflektiert“, den eigenen Gedankengang prüft, korrigiert, sagte er: „In Piagets Kognitionslehre, oder Lernwissenschaft, nennt man das Assimilation und Akkommodation … diese echte Maschinen-Lernform scheint wirklich begonnen zu haben.“¹⁰ Nach Template lösen ist Assimilation, Template zurückschreiben ist Akkommodation: Er nahm jenes Konzeptpaar, das er beim Helfen bei Mamas Paper lernte, unverändert herüber, um Maschinenlernen zu beschreiben.

Er verknüpfte Chain of Thought auch mit einem anderen Psychologen: „Chain of Thought plus Fine-Tuning, plus Next-Token-Prediction, scheint der Anfang einer Reasoning-Maschine zu sein, also das sogenannte System-2-Denken – was Kahneman meint.“¹¹ System 1 ist intuitiv, schnell, mühelos (Mikrofon sehen, wissen: Mikrofon); System 2 ist anstrengend, rational, braucht Schritt-für-Schritt-Schließen (auf „Was ist AGI-Definition?“ das Gehirn, das da arbeitet). Seiner Ansicht nach hat Deep Learning System 1 bereits sehr tief gemacht, Chain of Thought ist der Startpunkt, wo Maschinen System 2 beginnen.

Die schließende Maschine und Omas Maßstab

Wann gilt KI als wirklich „angekommen“? Chis Antwort steht in keinem technischen Benchmark, sondern bei Oma.

„Der Tag, an dem deine Oma den Hausroboter schimpft: ‚Ich hab dir schon einmal gezeigt, wie geht das noch immer nicht‘ – dann weißt du, AGI ist da … Unser Maßstab wächst an der Oma.“¹²

Dieser Satz ist schärfer, als er klingt. Heutige Saugroboter verheddern sich in Kabeln, stoßen an Möbel, wir finden sie dumm, aber wir ärgern uns nicht wirklich: weil wir im Grunde glauben „Maschinen sind nun mal dümmer als ich, mehrmaliges Zeigen ist normal“. Aber wenn Oma den Roboter wie einen Menschen schimpft, der nicht lernt, dann hat sie ihn innerlich schon als „einmal zeigen, dann kann er’s“-Gegenüber akzeptiert. AGIs Ankunft ist weniger ein Benchmark-Überschreiten als ein stiller Wandel menschlicher Erwartung.

Das knüpft an seine AGI-Sicht. Er hält zwei Dinge für nötig: Erstens, KI darf nicht nur in virtuellen Welten leben, muss in echte menschliche Lebensumgebungen integrierbar sein; zweitens „ich zeig dir einmal, danach kannst du’s“ – Transferlernen, selbstständiges Erkunden, statt wiederholtes Belehren. Sein jetziges Project Astra zielt genau auf das Erste: ein universeller Assistent, der deinen Kontext wahrnimmt.

Er schilderte eine eigene Szene. Vor etwa einem Jahr brachte er das noch geheime Project Astra nach Barcelona zu einer Tagung, in einer Hotel-Dachbar scannte er mit dem Handy die Skyline, fragte: „Wo bin ich?“ Antwort: „Sieht aus wie Barcelona.“ Nachfrage nach Bezirk, korrekte Antwort. Weiter: Gute Restaurants in der Nähe, „am besten mit Michelin-Stern“, auch beantwortet. „Ich sag: ‚Kannst du reservieren?‘ Es sagt: ‚Geht noch nicht, aber vielleicht in Zukunft.‘“ In dem Moment realisierte er: Ein solcher Assistent, der wirklich bei dir ist, deine Lage versteht – der ist in seinem Leben machbar.¹³

Ed H. Chi in Sai Chai Sidechat E350 über Smart Glasses, AGIs „Oma-Standard“ und Taiwans Chancen. Im Interview zieht er eine Project-Astra-Brillen-Prototyp aus der Tasche, sagt, das „sollte“ Taiwans erste sein.

Im Interview zog er eine mit Project Astra bestückte Smart-Glasses-Prototyp aus der Tasche, sagte, das „sollte“ Taiwans erste sein. Er sprach über Taiwans größte Chancen. Hardware ist ein Teil: „Taiwan bei Halbleitern, besonders Fertigung, hat eine kaum erschütterbare Position.“ Dann drehte er: „Wenn Taiwan Hardware und Software gut integriert, die Fähigkeiten großer Sprachmodelle nutzt, ist das definitiv eine große Chance.“¹⁴

Taiwan kennt den Chip, nicht dieses Gehirn

Hier kommt man an einer Frage nicht vorbei: Zählt er als Taiwanese?

Fakten: Mit ~15 verließ er Taiwan, High School, College, Grad School alles in USA, ganze Karriere im Silicon Valley. Er ist Taiwanese American – in Taiwan geboren, in USA groß und gemacht geworden. Wenn jemand sagt „Taiwanesische Ehre“ sei Konsum eines längst Ausgewanderten, ist der Vorwurf nicht haltlos.

Aber die andere Waagschale hat auch Gewicht. Er gibt Interviews auf Chinesisch, sagt aktiv „in Tamsui geboren, in Taiwan aufgewachsen“, scheut nicht. Er hält kontinuierlich Vorträge in Taiwan – Shida, Chung Hsing, Yang Ming Chiao Tung haben seine Spuren. Er hat konkrete Beobachtungen zu Taiwans Langzeitpflege, Halbleiterstatus, KI-Startup-Ökosystem, nennt sogar, dass bereits ~15.000 Nutzer in Taiwan DeepMinds Protein-Strukturvorhersage-Tool nutzen.

Am treffendsten für seine „drin und doch draußen“-Position ist, was er taiwanesischen Forschern sagte: „Diese Forschung, ich komm seit so vielen Jahren nach Taiwan zurück, jedes Mal rede ich drüber, aber ich seh nicht, dass taiwanesische Forscher … da viel machen. Braucht nicht viele Chips.“¹⁵

In diesem Satz ziehen zwei Identitäten. „Zurück nach Taiwan kommen“ spricht jemand, der sich zugehörig fühlt; „jedes Mal rede ich, aber keiner macht’s“ trägt die Distanz eines Außenseiters – wie jemand, der lange weg war, zurückkommt, eine Ecke im Haus sieht, die niemand aufräumt, sich sorgt, aber keine Kraft hat. Ob er „Taiwanesische Ehre“ ist, entscheidet dieser Artikel nicht. Fakten liegen vor, urteilen Sie selbst.

📊 Er in Zahlen

Quellen: Ed H. Chi VK EP122 Interview, Google Scholar, OpenAI o1 System Card (arXiv 2412.16720)

Den Schluss zeigen – transparenter oder nur besser begründen

Chain of Thought lässt KI den Schlussprozess „zeigen“. Oberflächlich macht das die Maschine transparenter – man sieht, wie sie denkt. Doch hier lauert ein Bedenken, das ein ehrlicher Mensch nebeneinander stellen sollte.

⚠️ Streitpunkt
Chain of Thought legt den „Denkprozess“ offen, wirkt vertrauenswürdiger. Doch die Forschung zweifelt bereits: Die gezeigte Schlussfolgerungskette spiegelt nicht notwendigerweise den internen Entscheidungsprozess wider (Fachbegriff: „Faithfulness“ der Reasoning Chain). Heißt: Das Modell hat vielleicht erst die Antwort, dann eine schöne Begründung nachgeschoben – besser begründen heißt nicht ehrlicher. Gleichzeitig urteilte im März 2026 eine Jury in Los Angeles in einem Social-Media-Sucht-Fall, YouTube & Co. trügen Verantwortung für Jugendsucht, Google wurde zu ~30 % Schuld verurteilt. Ed H. Chi wurde gerade für YouTube-Empfehlungssystem etc. zum ACM Fellow gewählt, sprach aber fast nie öffentlich über algorithmische Schäden. Ein Mensch, der Maschinen „besser schließen“ lässt, schweigt bislang zu: „Wird Verantwortung schwerer, wenn Maschinen besser begründen können?“ Das zu benennen, soll niemanden anprangern; nur: Wenn wir stolz sind, dass ein Taiwanese an der KI-Spitze steht, sollten wir diese Fragen mit in den Blick nehmen.

Dieser Widerspruch hat keine saubere Antwort – und soll keine haben. Eine Technologie, die KI menschlicher macht, verstärkt gleichzeitig die besten und die schwierigsten menschlichen Züge – Menschen schließen, Menschen konstruieren auch Gründe für ihre Entscheidungen. Beide Seiten gemeinsam zu sehen, heißt, die Sache ernst zu nehmen.

Und dann?

Chi beobachtet einen Achtjahreszyklus: 1991 Internet, 1999 Google-Gründung, 2007 iPhone, 2015 Deep Learning reif, 2023 Gemini und ChatGPT. Nach diesem Rhythmus liegt der nächste Wendepunkt um 2031. Er sagt: „Dann wird niemand mehr überrascht sein, dass du große Modelle nutzt – wie heute niemand überrascht ist, dass du ein Handy nutzt.“

Worauf er jetzt setzt: KI aus dem Bildschirm in die echte Welt – Project Astra, das deinen Kontext wahrnimmt; Roboter, die Hausarbeit tun. Am bewegendsten redet er über Taiwans Langzeitpflege. „Wird es wirklich erschwingliche Roboter geben, die im Haushalt helfen?“ – Waschen, Kochen, Patienten umlagern, pünktlich Medikamente bringen. Wenn eine Gesellschaft Fachkräftemangel hat, Pflegepersonal fehlt, Spitäler keine Betten haben – diese science-fiction-klingenden Dinge sind ganz konkrete Hoffnungen.

Googles offizielles Project-Astra-Vision-Video, das ist die Richtung, die Ed H. Chi jetzt verantwortet: ein universeller Assistent, der deine Umgebung miterlebt, deine Lage versteht.

Zurück zu jenem Schreibtisch.

Ein Tamsui-Kind, mit ~15 mit der Mutter nach Minnesota, lernte beim Helfen bei ihrer pädagogisch-psychologischen Doktorarbeit „wie Menschen lernen“. Dreißig Jahre später machte er dieses Menschen-Konzept zur Methode, Maschinen das Denken beizubringen. Wenn eines Tages deine Oma zum Hausroboter sagt: „Ich hab dir schon einmal gezeigt, wie geht das noch immer nicht“ – dass dieser Roboter dann schrittweise schließt, reflektiert, überträgt, daran zieht eine lange Leine. Das eine Ende im Labor im Silicon Valley, das andere in Tamsui.

Bildquellen

• Ed H. Chi Vortragsfoto (Hero): GQ Taiwan 《GQ 專訪》紀懷新 — fair use editorial commentary
• Junyu-K / Wikimedia Commons — CC BY-SA 4.0 (Sonnenuntergang am Holzsteg Youchekou Tamsui)
• SavagePanda845 (Elliot F) / Wikimedia Commons — CC BY-SA 4.0 (Campus University of Minnesota)
• The wub / Wikimedia Commons — CC BY-SA 4.0 (Xerox Alto Computer)
• Chain-of-Thought Paper Figure 1: Wei et al. 2022, arXiv:2201.11903 — fair use academic

Weiterführende Links

• Jensen Huang — Taiwans Licht, das KI schneller laufen lässt, die Hardware-Seite
• Morris Chang — Gründervater taiwanesischer Halbleiter, der Berg, den Chi als „kaum erschütterbar“ nennt
• KI-Industrie — Taiwans Position in der globalen KI-Lieferkette
• Taiwans KI-Entwicklung und Zukunftsstrategie — Gesamtbild von Taiwans KI
• KI im taiwanesischen Alltag — Wie KI bereits in Taiwans Leben eingezogen ist

Quellen