Chi Huai-hsin: el taiwanés que enseñó a la IA a "pensar paso a paso" y llevó la psicología cognitiva a las máquinas

Cuando el mundo entero perseguía la IA con cientos de millones de dólares en poder de cómputo, hubo un artículo que cambió la forma en que las máquinas razonan. Costó aproximadamente cinco mil dólares.

Ese artículo se llamó "cadena de pensamiento" (Chain of Thought). Lo que hacía sonaba tan simple que parecía difícil llamarlo un avance: en los ejemplos que se le mostraban a la IA, se añadían unas líneas más con el "proceso de resolución", guiándola para que pensara primero los pasos intermedios y luego diera la respuesta, como pedirle a un estudiante que haga un borrador antes de escribir directamente la conclusión. Entre sus nueve coautores había un taiwanés nacido en Tamsui: Chi Huai-hsin.

Después, él explicó así aquellos cinco mil dólares: "Ese problema no era algo que pudiera resolverse con poder de cómputo; más bien, era otro modo de pensar".¹

Resumen en 30 segundos: Chi Huai-hsin (Ed H. Chi) es vicepresidente de investigación en Google DeepMind y uno de los coautores del artículo sobre cadena de pensamiento que enseñó a la IA a "razonar paso a paso". Cada vez que le pides a ChatGPT o Gemini que "piense paso a paso" y responde mejor, detrás de esa idea que hizo que las máquinas razonaran por etapas hay una línea que parte de Taiwán. Alrededor de los 15 años emigró a Estados Unidos con su madre, que iba a estudiar un doctorado; mientras la ayudaba a escribir su tesis de psicología educativa, aprendió un concepto psicológico sobre "cómo aprenden las personas". Treinta años después, llevó ese concepto a las máquinas. Taiwán reconoce a sus figuras brillantes en la fabricación de chips, pero casi no reconoce a esta persona que dio forma a "cómo piensa la IA".

La tesis doctoral de su madre

La historia no empieza en Google. Empieza en un escritorio.

Chi Huai-hsin creció en Tamsui. "Soy una persona nacida y criada en Taiwán, nací en Tamsui y luego, más o menos a los 15 años, fui con mis padres a Estados Unidos a estudiar, porque mi madre en ese momento se fue a hacer un doctorado".² En esa frase se esconde una escena poco común: en aquellos años, la mayoría de los niños taiwaneses que salían al extranjero iban solos como "pequeños estudiantes internacionales"; él, en cambio, emigró con toda su familia hacia el oeste porque su madre quería hacer un doctorado. Que una familia taiwanesa entera se mudara a Estados Unidos por los estudios de la madre no era algo frecuente en esa época.

Tamsui, el lugar donde Chi Huai-hsin nació y creció. Más de treinta años después, algo que se llevó de allí se convertiría en un método para enseñar a las máquinas a pensar.

Su madre estudió un doctorado en psicología educativa. Durante sus años de secundaria y universidad, él la ayudó a escribir la tesis. Un joven que todavía estaba estudiando ayudaba a su propia madre a organizar una tesis académica sobre "cómo aprenden las personas"; fue en ese proceso donde se encontró por primera vez con la teoría de los esquemas (schema theory) del psicólogo suizo Piaget.

La teoría de los esquemas sostiene que en el cerebro humano existen estructuras de conocimiento organizadas, llamadas "esquemas", con las que comprendemos el mundo. Cuando aprendemos algo nuevo, o bien metemos la nueva información dentro de un esquema anterior (eso se llama asimilación), o bien el esquema anterior no alcanza y se ve obligado a reescribirse o a crear uno nuevo (eso se llama acomodación). Suena abstracto, pero responde a una pregunta fundamental: cómo una persona pasa de "no saber" a "saber".

El concepto que estaba sobre aquel escritorio se convertiría, treinta años después, en un método para enseñar a razonar a las máquinas. Pero antes de eso, él tuvo que recorrer un camino largo, y uno que casi nadie transitaba.

Chi Huai-hsin relata en VK Technology Reading Time EP122 el origen de la cadena de pensamiento: desde ayudar a su madre a escribir una tesis doctoral de psicología educativa y aprender la teoría de los esquemas de Piaget, hasta convertirla en un método para enseñar a la IA a razonar. Esta entrevista es la fuente anímica de este artículo.

De Tamsui a Minnesota, siguiendo una admisión doctoral

Al llegar a Minnesota, completó la secundaria, la universidad, la maestría y el doctorado en la misma institución: la Universidad de Minnesota. En seis años y medio obtuvo tres títulos.³ Al ingresar recibió la máxima distinción (Summa Cum Laude); su tesis doctoral fue sobre visualización de información, con el título "A Framework for Information Visualization Spreadsheets", y su director, John T. Riedl, fue un pionero de los sistemas de recomendación.

A los quince años llegó a Minnesota con su madre. Más tarde completó tres títulos en seis años y medio en la Universidad de Minnesota. Su director, John T. Riedl, fue un pionero de la investigación en sistemas de recomendación; esa línea volvería a conectarse luego con lo que Chi haría en Google.

Pero más importante que los títulos es cómo se definía a sí mismo.

En una entrevista dijo una frase muy honesta: "En inglés sería I'm a generalist... ese tipo de investigador jack of all trades but master of none. Pero cuando me di cuenta de que mis matemáticas no eran mejores que las de otras personas, pensé que quizás podía hacer investigaciones más de puente (bridging), un puente entre un campo y otro".⁴

En el mundo académico, esa elección tiene un costo. Él mismo dijo que, cuando haces investigación de puente, "en el campo A no eres realmente una persona de ese campo, y en el campo B tampoco eres realmente un investigador". A quien solo entiende un lado, el mundo le da una posición clara; a quien se coloca entre dos lados, a menudo ninguno lo acepta. Pero él apostó por ese espacio intermedio. Los hechos demostrarían después que algunos de los pasos más importantes de la IA ocurrieron precisamente en ese tipo de terreno.

✦ "Quizás podía hacer investigaciones más de puente, un puente entre un campo y otro."

En Palo Alto aprendió a convertir la psicología en programas

En 1997 entró como pasante en un lugar legendario: el Centro de Investigación de Xerox en Palo Alto (Xerox PARC).

Ese nombre puede sonar lejano para lectores taiwaneses, pero todos los días usas cosas que se inventaron allí. El ratón, la interfaz gráfica de usuario, la impresora láser, Ethernet: muchas de las tecnologías que cimentaron la era de la computadora personal nacieron en ese centro de investigación que una empresa de fotocopiadoras instaló junto a la Universidad de Stanford. En su momento, Steve Jobs entró allí, vio aquella interfaz gráfica, tomó la idea y la convirtió después en la Macintosh. Cuando Chi Huai-hsin llegó, PARC vivía justo su segunda edad dorada.

La Alto, desarrollada por Xerox PARC en 1973, fue precursora de la computadora personal y de la interfaz gráfica. Más tarde, Chi Huai-hsin aprendió allí a convertir la psicología cognitiva en programas que podían ejecutarse.

La clave no fue qué tecnología llamativa desarrolló, sino a quién encontró. "Mi propio jefe en ese momento se llamaba Stuart Card; él fue estudiante de Allen Newell".⁵ Esa línea de filiación académica conduce hacia arriba hasta un premio Nobel de Economía: Herbert Simon.

Simon propuso la "racionalidad limitada" (bounded rationality): cuando las personas toman decisiones, están constreñidas por su cognición, su información y su tiempo; sencillamente no pueden ser "perfectamente racionales". También acuñó el término satisficing, la decisión de "suficientemente bueno": las personas no buscan la solución óptima, sino una solución aceptable. Simon y Newell compararon juntos el cerebro humano con una máquina de procesamiento de información, y sostuvieron que "resolver problemas" consiste en buscar respuestas paso a paso dentro de un espacio de problemas. Card llevó esa forma de pensar a Palo Alto, y Chi Huai-hsin la recibió de Card.

📝 Nota de curaduría
La historia convencional de la IA suele contarse así: las máquinas se vuelven cada vez más inteligentes porque los chips son más rápidos, los datos más abundantes y los modelos más grandes. Es una narrativa cómoda, pero omite otra línea subterránea. Ya en la década de 1950, Simon se preguntaba "cómo toma decisiones el cerebro humano bajo restricciones"; en 1974, Card llevó la psicología a la investigación computacional de Palo Alto; en la década de 1990, Chi Huai-hsin tomó el relevo y convirtió la teoría del forrajeo en un modelo de cómo las personas buscan información en internet. Durante medio siglo, un grupo de personas no dejó de hacerse la misma pregunta: cómo piensa, en realidad, el ser humano. Mientras la corriente principal se ocupaba de hacer que las máquinas calcularan más rápido, ellos se ocupaban de hacer que pensaran más como las personas. La cadena de pensamiento es el fruto de esa línea subterránea.

Su principal investigación en Palo Alto se llamó "forrajeo de información" (information foraging). La idea era que, cuando una persona busca información en internet, se parece mucho a un animal que busca alimento en la naturaleza: sigue el "olor"; si el olor es fuerte, lo persigue, y si es débil, abandona. Él convirtió ese modelo de forrajeo, tomado de la biología y la psicología, en sistemas de ingeniería que funcionaban de verdad, capaces de predecir cómo navegan las personas entre sitios web. Esa fue la primera práctica real de su "puente": de un lado, la psicología cognitiva; del otro, la ciencia de la información. Él construyó un puente en medio.

No más datos, sino más parecido a las personas

En 2011 dejó Palo Alto y se fue a Google. La razón fue muy concreta: "No basta con hacer investigación; también hay que hacer cosas aplicadas". Tenía muy presente el modelo de Xerox, que hacía investigación básica muy profunda pero no lograba convertirla en productos.

En Google trabajó primero en análisis de datos de la web; entre 2015 y 2017 lideró el equipo que reconstruyó el sistema de recomendación neuronal de YouTube; en 2017 se convirtió en científico principal de Google Brain, al frente de un equipo de setenta personas; en 2021 ascendió a científico distinguido, con un equipo de ciento veinte; y más tarde se convirtió en vicepresidente de investigación en DeepMind.⁶ Detrás de esa serie de cargos, en realidad, se extiende el mismo gen metodológico: el forrajeo de información es un modelo de "cómo buscan cosas las personas"; los sistemas de recomendación son un modelo de "qué quieren ver las personas"; y, en la cadena de pensamiento, eso se convierte en un modelo de "cómo razonan las personas". Desde la cognición humana, todo avanza hacia las máquinas.

El giro de la cadena de pensamiento nació de una insatisfacción suya con el aprendizaje automático dominante en aquel momento. "¿Por qué hay que usar tantos datos para que esta máquina pueda realmente aprender?" Empezó a preguntarse si "se podría usar un método de psicología cognitiva para enseñar a la máquina a aprender".⁷

Así volvió a aquel concepto. "Esta idea, de hecho, viene de una idea surgida en los años sesenta y setenta, llamada teoría de los esquemas. Básicamente significa que, si una persona puede usar una plantilla (template) para resolver un problema, quizás también podamos usar ese método para enseñar a una máquina a aprender. Por eso la cadena de pensamiento, de hecho, empezó justo a partir de esa idea". Cuando el entrevistador le preguntó si se refería al esquema de Piaget, respondió: "Sí, exactamente, la idea del esquema de Piaget. Eso, de hecho, lo aprendí cuando estaba en secundaria y en la universidad, porque ayudaba a mi madre a escribir su tesis doctoral en psicología educativa; después, poco a poco, esas cosas se fueron conectando".⁸

La semilla sobre el escritorio había germinado.

La imagen más famosa del artículo sobre cadena de pensamiento: a la izquierda, cuando se pregunta de forma normal, el modelo se equivoca; a la derecha, basta con añadir en el ejemplo un tramo de razonamiento (la parte en azul) para que el modelo responda correctamente. La diferencia no está en el poder de cómputo, sino en si se "escriben las ideas paso a paso". Imagen de Wei et al., 2022.

Y casi no costó dinero. "¿Sabes cuánto poder de cómputo usamos en total? Más o menos unos cinco mil dólares de poder de cómputo. Porque ese problema no era algo que pudiera resolverse con poder de cómputo, sino que era otro modo de pensar. Cuando hicimos esa investigación, al comienzo básicamente no había presupuesto; era algo que imaginamos nosotros mismos desde cero".¹

Eso es lo que este artículo quiere decir ante todo: la clave para que la IA aprendiera a razonar no fue más poder de cómputo, sino ser más parecida a las personas; y ese "parecido a las personas" creció en la tesis doctoral de psicología educativa que un niño de Tamsui ayudó a escribir para su madre.

A su subordinado le dijo: no uses ese método, prueba con los esquemas

Aquí hay que ser honestos.

El artículo sobre cadena de pensamiento tiene nueve autores, y Chi Huai-hsin aparece en séptimo lugar. El primer autor es Jason Wei, el principal ejecutor; el último autor, quien según la convención académica suele ser el líder sénior, es Denny Zhou, fundador del equipo de investigación en razonamiento de Google Brain. Decir que Chi Huai-hsin "inventó" ese artículo no sería preciso; Denny Zhou fue el líder de esa línea de investigación, y Denny Zhou era investigador dentro del equipo de Chi Huai-hsin, su subordinado directo.

Entonces, ¿cuál fue exactamente su papel? Escuchemos cómo lo dice él mismo: "Denny Zhou era un investigador de mi equipo. Después de unirse, vino a decirme que quería investigar sobre razonamiento... Al principio usaba un método neural simbólico (neural symbolic) más tradicional, y yo le dije que me parecía que lo neural simbólico no funcionaba muy bien; ¿por qué no considerar otros métodos? Entonces empezamos a discutir poco a poco y descubrimos que quizás se podía usar el concepto de esquema".⁹

Ese pasaje delimita su verdadera contribución. No fue el principal ejecutor del artículo, pero sí fue la persona que, en una bifurcación clave, dijo "por ahí no": descartó el enfoque neural simbólico, que entonces parecía un camino lógico, y empujó la conversación hacia los esquemas. Más importante aún: pudo pensar en los esquemas porque llevaba treinta años de perspectiva de ciencia cognitiva dentro de ese equipo. Dicho de otro modo, fue la persona que hizo posible que Denny Zhou pudiera llegar a pensar en los esquemas.

📝 Nota de curaduría
El problema más común de la fórmula "orgullo de Taiwán" es comprimir una contribución compleja en una frase del tipo "él inventó X". Pero la realidad suele ser más interesante. Lo verdaderamente irreemplazable de Chi Huai-hsin es un arco largo de veinte años: trasladó poco a poco la psicología cognitiva a las máquinas, desde el forrajeo de información hasta los sistemas de recomendación y luego la cadena de pensamiento. Un artículo puede tener nueve autores, orden de autoría y disputas de crédito; pero "llevar durante veinte años la pregunta de cómo piensan las personas al terreno de la ingeniería" es algo que, en todo el equipo, solo él podía hacer. Para ver su valor hay que abrir la escala a veinte años, no quedarse en una lista de autores.

Él mismo explicó lo que vino después de la cadena de pensamiento con un marco todavía más profundo. Cuando la IA no solo resuelve problemas siguiendo una plantilla, sino que además "reflexiona" sobre su propio razonamiento y vuelve a corregirlo, Chi dice: "En la cognición de Piaget, o en las ciencias del aprendizaje, eso se llamaría asimilación y acomodación... este aprendizaje real de las máquinas parece haber empezado de verdad".¹⁰ Resolver siguiendo una plantilla es asimilación; volver atrás y reescribir la plantilla es acomodación. La pareja de conceptos que aprendió al ayudar a su madre con la tesis la trasladó, casi intacta, para describir el aprendizaje de las máquinas.

También conectó la cadena de pensamiento con el marco de otro psicólogo: "La cadena de pensamiento más el ajuste fino, más la predicción de la siguiente palabra, parecen ser el comienzo de una máquina de razonamiento, es decir, lo que se llama pensamiento de sistema dos, como lo explica Kahneman".¹¹ El sistema uno es el pensamiento intuitivo, rápido y sin esfuerzo (ver un micrófono y saber que es un micrófono); el sistema dos es el pensamiento esforzado, racional, que requiere avanzar paso a paso (el que se activa cuando te preguntan "cuál es la definición de AGI"). Desde su perspectiva, el aprendizaje profundo ya había desarrollado mucho el sistema uno, y la cadena de pensamiento es el punto de partida para que las máquinas empiecen a hacer sistema dos.

Máquinas que razonan y el criterio de la abuela

¿Cuándo se podrá decir, entonces, que la IA realmente "llegó"? La respuesta de Chi Huai-hsin no está en ningún indicador técnico, sino en la abuela.

"El día en que tu abuela regañe al robot de tu casa y le diga: 'ya te enseñé una vez, ¿cómo es que todavía no sabes?', sabrás que la AGI ha llegado... nuestro criterio de medición está en la abuela".¹²

La frase es más incisiva de lo que parece. Hoy los robots aspiradores todavía se enredan en cables y chocan contra muebles; nos quejamos de que son torpes, pero no nos enojamos de verdad con ellos, porque en el fondo creemos que "una máquina es, por naturaleza, más tonta que yo, y es normal tener que enseñarle varias veces". Pero si un día una abuela regaña a un robot como regañaría a una persona que no aprende, eso significa que en su mente ya lo trata como alguien a quien "debería bastarle que le enseñen una vez". El momento en que llegue la AGI no será tanto una puntuación que cruza una línea como un cambio silencioso en las expectativas humanas.

Esto también conecta con su visión de la inteligencia artificial general. Para él, la AGI requiere dos cosas: primero, que la IA no viva solo en el mundo virtual, sino que pueda integrarse en los entornos reales de la vida humana; segundo, que "te enseñe una vez y de ahí en adelante ya sepas": que pueda transferir conocimiento, explorar por sí misma, y no necesite que una persona le enseñe lo mismo una y otra vez. Project Astra, que él dirige ahora, trabaja precisamente en la primera de esas cosas: un asistente general capaz de percibir el contexto en el que estás.

Ha contado una escena personal. Hace aproximadamente un año, llevó Project Astra, todavía en fase confidencial, a una reunión en Barcelona. En el bar de la azotea de un hotel, sacó el teléfono, escaneó el horizonte urbano y le preguntó "dónde estoy". Respondió: "Parece que estás en Barcelona". Luego le preguntó en qué distrito estaba, y dio el nombre correcto. Después preguntó si había buenos restaurantes cerca, "mejor si tienen estrella Michelin", y también respondió. "Le dije: '¿Puedes ayudarme a hacer una reserva?'. Dijo: 'Ahora todavía no, pero quizás en el futuro'". En ese momento se dio cuenta de que un asistente personal verdaderamente a tu lado, capaz de entender tu situación, podría construirse durante su vida.¹³

En Sidechat E350, Chi Huai-hsin habla de lentes inteligentes, del "criterio de la abuela" para la AGI y de las oportunidades de Taiwán. Durante la entrevista saca un prototipo de lentes de Project Astra y dice que probablemente sean los primeros en Taiwán.

Durante la entrevista, sacó del bolsillo un prototipo de lentes inteligentes con Project Astra y dijo que "deberían ser" los primeros en Taiwán. También habló de dónde están las mejores oportunidades de Taiwán. El hardware es una parte: "La posición de Taiwán en semiconductores, especialmente en la parte de fabricación, es muy difícil de sacudir". Pero enseguida giró el enfoque: "Si Taiwán puede integrar bien hardware y software, y aprovechar la capacidad de los grandes modelos de lenguaje, de verdad es una gran oportunidad".¹⁴

Taiwán reconoce los chips, no esta mente

Llegados aquí, no se puede evitar una pregunta: ¿cuenta como taiwanés?

Los hechos están ahí: dejó Taiwán alrededor de los 15 años; estudió la secundaria, la universidad y el posgrado en Estados Unidos; y toda su carrera profesional transcurrió en Silicon Valley. Es Taiwanese American, alguien nacido en Taiwán y formado en Estados Unidos. Si alguien dice que llamarlo "orgullo de Taiwán" implica apropiarse de una persona que emigró hace mucho, esa objeción no carece de fundamento.

Pero del otro lado de la balanza también hay cosas concretas. Da entrevistas en chino, dice por iniciativa propia que "nació en Tamsui" y que fue "nacido y criado en Taiwán", sin esquivarlo. Vuelve con frecuencia a Taiwán para dar conferencias: la Universidad Normal Nacional de Taiwán, la Universidad Nacional Chung Hsing y la Universidad Nacional Yang Ming Chiao Tung han registrado su presencia. Tiene observaciones específicas sobre el problema de cuidados de larga duración en Taiwán, su posición en semiconductores y su ecosistema de startups de IA; incluso señaló que en Taiwán ya hay alrededor de quince mil usuarios que usan la herramienta de DeepMind para predicción de estructuras proteicas.

Lo que mejor muestra esa posición suya de estar "a la vez dentro y fuera" es algo que dijo a investigadores taiwaneses: "En esta parte de la investigación, de hecho, todos estos años que he vuelto a Taiwán lo he dicho cada vez, pero no he visto a investigadores taiwaneses... hacer mucho en este ámbito. Es investigación que se puede hacer sin muchos chips".¹⁵

En esa frase tironean dos identidades. Habla de "volver a Taiwán", como alguien que se reconoce perteneciente a este lugar; pero "lo digo cada vez y nadie lo hace" también tiene una distancia de observador externo, como alguien que lleva mucho tiempo lejos de casa, vuelve y ve que un rincón sigue sin que nadie lo ordene: se inquieta, pero no puede hacer demasiada fuerza. Este artículo no va a decidir por ti si es o no un orgullo de Taiwán. Los hechos están sobre la mesa; tú juzgas.

📊 Él en números

Fuentes: entrevista VK EP122 con Chi Huai-hsin, Google Scholar, OpenAI o1 System Card (arXiv 2412.16720)

Mostrar el razonamiento: ¿más transparencia o mejores justificaciones?

La cadena de pensamiento hace que la IA "muestre" su proceso de razonamiento. En apariencia, vuelve a la máquina más transparente: puedes ver cómo piensa. Pero aquí hay una preocupación que una persona honesta debería presentar junto con lo anterior.

⚠️ Punto de vista controvertido
La cadena de pensamiento pone ante ti el "proceso de pensamiento" de la IA, y por eso parece más creíble, más digna de confianza. Pero el mundo académico ya ha planteado dudas: la serie de razonamientos que muestra el modelo no necesariamente refleja de verdad el proceso interno con el que toma decisiones (esto se conoce en investigación como el problema de "fidelidad" de la cadena de razonamiento). Dicho de otro modo, quizá primero llega a la respuesta y luego añade una explicación bonita para mostrártela: saber argumentar mejor no equivale a ser más honesto. Al mismo tiempo, en marzo de 2026, un jurado de Los Ángeles, Estados Unidos, determinó en un caso sobre adicción a redes sociales que plataformas como YouTube eran responsables de la adicción adolescente, y asignó a Google cerca de tres décimas partes de la responsabilidad. Chi Huai-hsin fue nombrado fellow de la Association for Computing Machinery (ACM) precisamente por logros como el sistema de recomendación de YouTube, pero casi nunca ha hablado públicamente del daño que pueden causar los algoritmos. Una persona capaz de hacer que las máquinas "razonen mejor" guarda, por ahora, silencio sobre si la rendición de cuentas se volverá más difícil cuando las máquinas también sepan argumentar mejor. Señalar esto no busca atacar a nadie; solo quiere decir que, cuando nos enorgullecemos de que un taiwanés esté en la primera línea de la IA, también deberíamos incluir estas preguntas en el campo de visión.

Esta contradicción no tiene una respuesta limpia, y quizá no debería tenerla. Una tecnología que vuelve a la IA más parecida a las personas amplifica al mismo tiempo lo mejor y lo más problemático de los seres humanos: las personas razonan, pero también inventan razones para justificar sus decisiones. Ver ambas caras a la vez es tomarse este asunto en serio.

¿Y ahora qué?

Chi Huai-hsin observa un ciclo de ocho años: internet en 1991, el nacimiento de Google en 1999, el iPhone en 2007, la madurez del aprendizaje profundo en 2015, Gemini y ChatGPT en 2023. Si ese ritmo continúa, el próximo punto de inflexión caería alrededor de 2031. Dice que, para entonces, "a nadie le sorprenderá que uses modelos grandes para hacer cosas", igual que hoy a nadie le sorprende que uses un teléfono móvil.

La dirección por la que apuesta ahora es sacar la IA de la pantalla y llevarla al mundo real: Project Astra, capaz de percibir tu contexto, y robots capaces de hacer tareas domésticas. Donde más se emociona es al hablar de los cuidados de larga duración en Taiwán. "¿Podría haber robots relativamente asequibles que ayuden con las tareas de la casa?": lavar ropa, cocinar, girar a un paciente, entregar medicamentos a tiempo. Cuando una sociedad enfrenta falta de mano de obra, escasez de personal de enfermería y hospitales sin camas, esas cosas que suenan a ciencia ficción son, en realidad, esperanzas muy prácticas.

Video de visión de Project Astra publicado oficialmente por Google. Esta es la dirección que Chi Huai-hsin dirige ahora: un asistente general capaz de convivir contigo en el mismo entorno y entender tu situación.

Volvamos a aquel escritorio.

Un niño de Tamsui llegó a Minnesota con su madre alrededor de los 15 años y, mientras la ayudaba a escribir una tesis doctoral de psicología educativa, aprendió "cómo aprenden las personas". Treinta años después, convirtió ese concepto sobre los seres humanos en un método para enseñar a las máquinas a pensar. Cuando un día tu abuela le diga al robot de la casa "ya te enseñé una vez, ¿cómo es que todavía no sabes?", el hecho de que esa máquina pueda razonar por etapas, reflexionar y transferir lo aprendido tendrá detrás una línea muy larga. En un extremo de esa línea está un laboratorio de Silicon Valley; en el otro, Tamsui.

Fuentes de las imágenes

• Foto de Chi Huai-hsin dando una conferencia (hero): GQ Taiwan, "Entrevista GQ" con Chi Huai-hsin — fair use editorial commentary
• Junyu-K / Wikimedia Commons — CC BY-SA 4.0 (atardecer en el paseo de madera de Youchekou, Tamsui)
• SavagePanda845 (Elliot F) / Wikimedia Commons — CC BY-SA 4.0 (campus de la Universidad de Minnesota)
• The wub / Wikimedia Commons — CC BY-SA 4.0 (computadora Xerox Alto)
• Figura 1 del artículo sobre cadena de pensamiento: Wei et al. 2022, arXiv:2201.11903 — fair use academic

Lecturas complementarias

• Jensen Huang: el orgullo taiwanés que hace correr más rápido la IA, la cara del hardware
• Morris Chang: fundador de los semiconductores de Taiwán, la montaña cuya posición, en palabras de Chi Huai-hsin, "es muy difícil de sacudir"
• Industria de la inteligencia artificial: la posición de Taiwán en la cadena global de suministro de IA
• Desarrollo de la inteligencia artificial en Taiwán y estrategias futuras: el panorama general de la IA taiwanesa
• La IA en la vida cotidiana de Taiwán: cómo la IA ya entró en la vida de las personas en Taiwán

Referencias