Chi Huai-hsin : le Taïwanais qui a appris à l'IA à « penser étape par étape » et fait entrer la psychologie cognitive dans les machines

Alors que le monde entier poursuivait l’IA à coups de centaines de millions de dollars de puissance de calcul, un article a changé la manière dont les machines raisonnent. Il n’a coûté qu’environ cinq mille dollars.

Cet article s’intitule « chaîne de pensée » (Chain of Thought). Ce qu’il fait paraît presque trop simple pour être une percée : dans les exemples donnés à l’IA, on ajoute quelques lignes de « processus de résolution », afin de l’amener à d’abord formuler les étapes intermédiaires, puis à donner la réponse, comme si l’on demandait à un élève de faire un brouillon avant d’écrire directement la conclusion. Parmi les neuf coauteurs figure un Taïwanais né à Tamsui : Chi Huai-hsin.

Voici comment il a expliqué après coup ces cinq mille dollars : « Ce problème n’était pas un problème que la puissance de calcul pouvait résoudre ; c’était un autre mode de pensée. »¹

Vue d’ensemble en 30 secondes : Chi Huai-hsin (Ed H. Chi) est vice-président recherche chez Google DeepMind et l’un des coauteurs de l’article sur la chaîne de pensée qui a appris à l’IA à « raisonner étape par étape ». Chaque fois que vous demandez à ChatGPT ou à Gemini de « penser étape par étape » et que la réponse s’améliore, l’idée qui permet à la machine de raisonner par étapes a, à son origine, un fil qui part de Taïwan. Vers l’âge de 15 ans, il a émigré aux États-Unis avec sa mère, partie faire un doctorat. En l’aidant à rédiger sa thèse de psychologie de l’éducation, il a découvert un concept psychologique portant sur la manière dont les êtres humains apprennent. Trente ans plus tard, il a fait entrer ce concept dans les machines. Taïwan sait reconnaître ses figures nationales qui fabriquent les puces ; il connaît à peine celui qui a façonné la manière dont « l’IA pense ».

La thèse de doctorat de sa mère

L’histoire ne commence pas chez Google. Elle commence à un bureau.

Chi Huai-hsin a grandi à Tamsui. « Je suis né et j’ai grandi à Taïwan, je suis né à Tamsui, puis vers l’âge de 15 ans je suis parti étudier aux États-Unis avec mes parents, parce que ma mère était alors partie faire un doctorat. »² Cette phrase contient une scène assez inhabituelle : à l’époque, la plupart des enfants taïwanais qui partaient à l’étranger le faisaient seuls comme « jeunes étudiants expatriés » ; lui, c’est toute sa famille qui a migré vers l’Ouest pour que sa mère puisse faire un doctorat. Une famille taïwanaise qui émigre aux États-Unis en raison des études de la mère n’était pas chose courante à cette époque.

Tamsui, le lieu où Chi Huai-hsin est né et a grandi. Plus de trente ans plus tard, ce qu’il a emporté de là deviendrait une méthode pour apprendre aux machines à penser.

Sa mère préparait un doctorat en psychologie de l’éducation. Pendant ses années de lycée et d’université, il l’a aidée à rédiger sa thèse. Un enfant encore scolarisé aidait sa propre mère à organiser un travail académique sur « la manière dont les êtres humains apprennent » ; c’est dans ce processus qu’il a rencontré pour la première fois la théorie des schèmes (schema theory) du psychologue suisse Piaget.

La théorie des schèmes dit ceci : dans le cerveau humain existent des structures de connaissances organisées, appelées « schèmes », grâce auxquelles nous comprenons le monde. Quand nous apprenons quelque chose de nouveau, soit nous intégrons la nouvelle information dans un ancien schème, ce qu’on appelle l’assimilation, soit l’ancien schème ne suffit plus et doit être réécrit ou remplacé par un nouveau, ce qu’on appelle l’accommodation. Cela peut paraître abstrait, mais cette théorie répond à une question fondamentale : comment une personne passe-t-elle de « ne pas savoir faire » à « savoir faire » ?

Le concept posé sur ce bureau deviendrait, trente ans plus tard, une méthode pour apprendre aux machines à raisonner. Mais avant cela, il lui fallait parcourir une longue route, une route que presque personne n’empruntait.

Dans l’épisode 122 de VK 科技閱讀時間, Chi Huai-hsin raconte lui-même les origines de la chaîne de pensée : de l’aide apportée à sa mère pour rédiger une thèse de doctorat en psychologie de l’éducation et de sa découverte de la théorie des schèmes de Piaget, jusqu’à la manière dont il en a fait une méthode pour enseigner le raisonnement à l’IA. Cet entretien est la source vivante de cet article.

De Tamsui au Minnesota, dans le sillage d’une admission en doctorat

Arrivé au Minnesota, il a fait le lycée, la licence, le master et le doctorat dans la même institution : l’Université du Minnesota, trois diplômes en six ans et demi³. Dès son admission, il a obtenu la plus haute distinction (Summa Cum Laude). Sa thèse portait sur la visualisation de l’information et s’intitulait « A Framework for Information Visualization Spreadsheets » ; son directeur, John T. Riedl, était un pionnier des systèmes de recommandation.

Arrivé au Minnesota avec sa mère à l’âge de 15 ans, il obtiendrait ensuite trois diplômes en six ans et demi à l’Université du Minnesota. Son directeur de thèse, John T. Riedl, était un pionnier de la recherche sur les systèmes de recommandation ; ce fil rejoindrait plus tard ce qu’il ferait chez Google.

Mais plus encore que les diplômes, c’est sa manière de se situer qu’il faut retenir.

Dans un entretien, il a prononcé une phrase très honnête : « En anglais, je dirais que I’m a generalist… le genre de chercheur jack of all trades but master of none. Mais quand j’ai compris que mes mathématiques n’étaient pas meilleures que celles des autres, je me suis dit que je pourrais peut-être faire des recherches davantage de type bridging, construire un pont entre un domaine et un autre. »⁴

Dans le monde académique, ce choix a un coût. Lui-même l’a dit : quand on fait une recherche de liaison, « dans le domaine A, vous n’êtes pas vraiment des leurs ; dans le domaine B, vous n’êtes pas non plus vraiment un chercheur du domaine ». Une personne qui ne connaît qu’un seul côté reçoit du monde une position claire ; une personne qui se tient entre les deux côtés n’est souvent pleinement accueillie nulle part. C’est pourtant ce territoire intermédiaire qu’il a choisi de jouer. Les faits montreraient plus tard que certaines des étapes les plus décisives de l’IA se produisent précisément dans ce type de zone.

✦ « Je pourrais peut-être faire des recherches davantage de type pont, un pont entre un domaine et un autre. »

À Palo Alto, il a appris à transformer la psychologie en programmes

En 1997, il est entré comme stagiaire dans un lieu légendaire : le Xerox Palo Alto Research Center (Xerox PARC).

Ce nom est peut-être peu familier pour les lecteurs taïwanais, mais vous utilisez tous les jours des choses qui y ont été inventées. La souris, l’interface graphique, l’imprimante laser, Ethernet : beaucoup des technologies qui ont fondé l’ère de l’ordinateur personnel sont nées dans ce centre de recherche installé par une entreprise de photocopieurs à côté de l’Université Stanford. C’est là que Steve Jobs a vu cette interface graphique, en a repris l’idée et l’a transformée plus tard en Macintosh. Quand Chi Huai-hsin y est arrivé, le centre se trouvait justement dans son deuxième âge d’or.

L’Alto, développé en 1973 par le Xerox Palo Alto Research Center, fut un précurseur de l’ordinateur personnel et de l’interface graphique. C’est plus tard, dans ce lieu, que Chi Huai-hsin a appris à transformer la psychologie cognitive en programmes exécutables.

L’essentiel n’est pas la technologie spectaculaire qu’il aurait produite, mais les personnes qu’il a rencontrées. « Mon propre patron s’appelait alors Stuart Card ; il était l’étudiant d’Allen Newell. »⁵ En remontant cette lignée intellectuelle, on arrive à un lauréat du prix Nobel d’économie : Herbert Simon.

Simon avait proposé la « rationalité limitée » (bounded rationality) : lorsque les êtres humains prennent des décisions, ils sont contraints par la cognition, l’information et le temps ; ils ne peuvent tout simplement pas être « parfaitement rationnels ». Il a aussi forgé le terme de décision « suffisamment bonne » (satisficing) : les êtres humains ne cherchent pas la solution optimale, mais une solution acceptable. Avec Newell, Simon a comparé le cerveau humain à une machine de traitement de l’information, en considérant que « résoudre un problème » consiste à rechercher pas à pas une réponse dans un espace de problèmes. Card a fait entrer cette manière de penser à Palo Alto ; Chi Huai-hsin l’a ensuite reçue de Card.

📝 Note curatoriale
Le récit courant de l’IA dit ceci : si les machines deviennent de plus en plus intelligentes, c’est parce que les puces sont de plus en plus rapides, les données de plus en plus nombreuses et les modèles de plus en plus grands. Ce récit est commode, mais il oublie un autre fil, plus discret. Dès les années 1950, Simon se demandait comment le cerveau humain prend des décisions sous contrainte ; en 1974, Card a fait entrer la psychologie dans la recherche informatique de Palo Alto ; dans les années 1990, Chi Huai-hsin a pris le relais en transformant la théorie du butinage en modèle de la recherche d’information sur Internet. Pendant un demi-siècle, un groupe de chercheurs n’a cessé de poser la même question : comment les êtres humains pensent-ils vraiment ? Tandis que le courant dominant s’efforçait de faire calculer les machines plus vite, eux s’efforçaient de les faire penser davantage comme des humains. La chaîne de pensée est le fruit de ce fil discret.

Sa principale recherche à Palo Alto s’appelait « butinage informationnel » (information foraging). L’idée est la suivante : lorsqu’une personne cherche des informations sur Internet, elle ressemble beaucoup à un animal qui cherche de la nourriture dans la nature ; elle suit des « pistes olfactives », poursuit lorsque l’odeur est forte, abandonne lorsqu’elle devient faible. Il a transformé ce modèle biologique et psychologique de butinage en systèmes réellement exécutables, capables de prédire comment les personnes naviguent entre les sites web. C’est la première mise en pratique de son « pont » : d’un côté, la psychologie cognitive ; de l’autre, l’informatique ; au milieu, il a construit une passerelle.

Pas davantage de données, mais davantage d’humain

En 2011, il a quitté Palo Alto pour Google. Sa raison était très concrète : « Faire seulement de la recherche ne suffit pas ; il faut aussi faire des choses appliquées. » Il avait vu de près le modèle de Xerox : une recherche fondamentale très profonde, mais difficile à transformer en produits.

Chez Google, il a d’abord travaillé sur l’analyse des données web ; de 2015 à 2017, il a dirigé l’équipe qui a reconstruit le système neuronal de recommandation de YouTube ; en 2017, il est devenu chercheur principal de Google Brain, à la tête d’une équipe de soixante-dix personnes ; en 2021, il a été promu distinguished scientist, avec cent vingt personnes sous sa direction, avant de devenir vice-président recherche chez DeepMind⁶. Derrière cette succession de titres, c’est en réalité le même gène méthodologique qui se prolonge : le butinage informationnel modélise « la manière dont les humains cherchent des choses » ; les systèmes de recommandation modélisent « ce que les humains veulent regarder » ; avec la chaîne de pensée, cela devient un modèle de « la manière dont les humains raisonnent ». De la cognition humaine vers la machine, étape après étape.

Le tournant de la chaîne de pensée est né d’une insatisfaction face au courant dominant de l’apprentissage automatique de l’époque. « Pourquoi faut-il utiliser autant de données pour que cette machine puisse vraiment apprendre ? » Il a commencé à se demander : « Peut-on utiliser des méthodes de psychologie cognitive pour apprendre aux machines à apprendre ? »⁷

Il est alors revenu à ce concept. « Cette idée vient en fait… d’une idée née dans les années 1960 et 1970, qu’on appelle la théorie des schèmes. Elle signifie essentiellement que si une personne peut utiliser un modèle (template) pour résoudre un problème, peut-être pouvons-nous aussi utiliser cette méthode pour apprendre aux machines à apprendre. La chaîne de pensée a donc commencé à partir de cette idée. » Quand l’animateur lui a demandé s’il s’agissait des schèmes de Piaget, il a répondu : « Oui, exactement, l’idée des schèmes de Piaget. C’est quelque chose que j’ai appris au lycée et à l’université, quand j’aidais ma mère à rédiger sa thèse de doctorat en psychologie de l’éducation ; ensuite, peu à peu, tout cela s’est relié. »⁸

La graine posée sur le bureau avait germé.

La figure la plus célèbre de l’article sur la chaîne de pensée : à gauche, une question posée de manière ordinaire conduit le modèle à se tromper ; à droite, il suffit d’ajouter dans l’exemple une séquence de raisonnement, le passage sur fond bleu, pour que le modèle réponde correctement. La différence ne tient pas à la puissance de calcul, mais au fait de « formuler les pensées étape par étape ». Figure tirée de Wei et al., 2022.

Et cela n’a presque rien coûté. « Savez-vous combien de puissance de calcul nous avons utilisée au total ? En gros, environ cinq mille dollars de puissance de calcul. Parce que ce problème n’était pas un problème que la puissance de calcul pouvait résoudre ; c’était un autre mode de pensée. Quand nous avons fait cette recherche, au début il n’y avait quasiment pas de financement ; c’était quelque chose que nous avions imaginé nous-mêmes à partir de rien. »¹

C’est le point central de cet article : la clé qui a permis à l’IA d’apprendre à raisonner n’était pas davantage de puissance de calcul, mais davantage d’humain ; et ce « davantage d’humain » a grandi dans la thèse de doctorat en psychologie de l’éducation qu’un enfant de Tamsui aidait sa mère à rédiger.

À son subordonné, il a dit : n’utilisez pas cette méthode, essayez les schèmes

Il faut ici être honnête.

L’article sur la chaîne de pensée compte neuf auteurs. Chi Huai-hsin est septième. Le premier auteur, Jason Wei, en est le principal exécutant ; le dernier auteur, qui selon les usages académiques est le responsable senior, est Denny Zhou, fondateur de l’équipe de recherche sur le raisonnement chez Google Brain. Dire que « Chi Huai-hsin a inventé » cet article ne serait pas exact ; Denny Zhou était le dirigeant de cette direction de recherche. Or Denny Zhou était chercheur dans l’équipe de Chi Huai-hsin, son subordonné direct.

Quel était donc son rôle ? Écoutons sa propre version : « Denny Zhou était un chercheur de mon équipe. Après avoir rejoint mon équipe, il est venu me dire qu’il voulait faire des recherches sur le raisonnement… Au départ, il utilisait une méthode neuro-symbolique (neural symbolic) assez traditionnelle. Je lui ai dit que je pensais que le neuro-symbolique ne fonctionnait pas très bien, et lui ai demandé s’il ne fallait pas envisager d’autres méthodes. Ensuite, nous avons discuté progressivement et découvert qu’on pouvait peut-être utiliser le concept de schème. »⁹

Ce passage délimite sa véritable contribution. Il n’est pas l’exécutant principal de l’article, mais il est celui qui, à un embranchement décisif, a dit : « ne prenez pas cette voie ». Il a écarté le neuro-symbolique, qui semblait alors être une direction naturelle, et a orienté la discussion vers les schèmes. Plus important encore, s’il pouvait penser aux schèmes, c’est parce qu’il apportait à cette équipe trente ans de perspective en sciences cognitives. Autrement dit, il est celui qui a rendu possible, pour Denny Zhou, le fait même d’envisager les schèmes.

📝 Note curatoriale
Le défaut le plus courant du récit de la « lumière de Taïwan » consiste à compresser une contribution complexe en une phrase : « il a inventé X ». Mais la réalité est souvent plus intéressante. Ce qui rend Chi Huai-hsin réellement irremplaçable, c’est une longue courbe de vingt ans : il a fait entrer, morceau par morceau, la psychologie cognitive dans les machines, du butinage informationnel aux systèmes de recommandation, puis à la chaîne de pensée. Un article peut avoir neuf auteurs, un ordre de signature et des disputes de crédit ; mais « faire entrer pendant vingt ans la question de la manière dont les humains pensent sur le terrain de l’ingénierie », dans toute l’équipe, lui seul pouvait le faire. Pour voir sa valeur, il faut élargir l’échelle à vingt ans, et ne pas s’arrêter à une liste d’auteurs.

Il a lui-même expliqué la suite de la chaîne de pensée à l’aide d’un cadre plus profond. Lorsque l’IA ne se contente plus de résoudre les problèmes selon un modèle, mais « réfléchit » à son propre raisonnement et revient le corriger, il dit : « Dans la cognition de Piaget, ou dans les sciences de l’apprentissage, on appelle cela assimilation et accommodation… ce véritable apprentissage des machines semble avoir vraiment commencé. »¹⁰ Résoudre un problème selon un modèle, c’est l’assimilation ; revenir modifier le modèle, c’est l’accommodation. Les deux concepts qu’il avait appris en aidant sa mère à rédiger sa thèse, il les a repris presque tels quels pour décrire l’apprentissage des machines.

Il a aussi relié la chaîne de pensée au cadre d’un autre psychologue : « La chaîne de pensée, plus le fine-tuning, plus la prédiction du mot suivant, semblent être le début de la machine à raisonner, c’est-à-dire ce qu’on appelle la pensée de système deux, celle dont parle Kahneman. »¹¹ Le système un est une pensée intuitive, rapide, peu coûteuse en effort, comme reconnaître un microphone en le voyant ; le système deux est une pensée exigeante, rationnelle, qui doit avancer étape par étape, comme lorsque l’on vous demande « quelle est la définition de l’AGI ». Selon lui, l’apprentissage profond avait déjà poussé très loin le système un ; la chaîne de pensée est le point de départ du système deux pour les machines.

Les machines qui raisonnent et le critère de la grand-mère

À quel moment l’IA sera-t-elle vraiment « arrivée » ? La réponse de Chi Huai-hsin ne se trouve dans aucun indicateur technique. Elle se trouve chez la grand-mère.

« Le jour où votre grand-mère grondera le robot de la maison en lui disant : “Je t’ai déjà montré une fois, comment se fait-il que tu ne saches toujours pas faire ?”, vous saurez que l’AGI sera arrivée… Notre critère de mesure se trouve chez la grand-mère. »¹²

Cette phrase est plus tranchante qu’elle n’en a l’air. Aujourd’hui, les robots aspirateurs s’emmêlent encore dans les câbles ou cognent les meubles ; nous les trouvons stupides, mais nous ne nous mettons pas vraiment en colère contre eux, parce qu’au fond nous pensons que « les machines sont naturellement plus bêtes que nous, il est normal de devoir leur montrer plusieurs fois ». Mais si un jour une grand-mère gronde un robot comme elle gronderait une personne qui n’apprend pas, cela voudra dire qu’elle le considère déjà comme un objet auquel il suffit d’enseigner une fois pour qu’il sache faire. Le moment où l’AGI arrive ressemble moins au franchissement d’un score qu’à un déplacement silencieux des attentes humaines.

Cela rejoint aussi sa vision de l’intelligence artificielle générale. Selon lui, deux conditions sont nécessaires à l’AGI : premièrement, l’IA ne doit pas vivre seulement dans le monde virtuel, mais pouvoir s’intégrer à l’environnement réel des humains ; deuxièmement, elle doit comprendre « je te l’ai montré une fois, tu sauras le faire désormais » : être capable de généraliser, d’explorer par elle-même, sans exiger d’être enseignée à répétition. Project Astra, qu’il dirige actuellement, travaille précisément sur le premier point : un assistant généraliste capable de percevoir le contexte dans lequel vous vous trouvez.

Il a raconté une scène vécue. Il y a environ un an, alors que Project Astra était encore confidentiel, il l’a emmené à une conférence à Barcelone. Dans le bar situé sur le toit d’un hôtel, il a sorti son téléphone, a balayé la ligne d’horizon de la ville et lui a demandé : « où suis-je ? » La réponse : « On dirait que vous êtes à Barcelone. » Il a demandé dans quel quartier ; le système a donné le bon nom. Il a ensuite demandé s’il y avait de bons restaurants à proximité, « si possible avec des étoiles Michelin » ; l’assistant a aussi répondu. « Je lui ai dit : “Peux-tu m’aider à réserver ?” Il a répondu : “Pas encore, mais peut-être à l’avenir.” » À cet instant, il a compris qu’un assistant personnel réellement présent à vos côtés, comprenant votre situation, pouvait être construit de son vivant.¹³

Dans l’épisode E350 de Sidechat, Chi Huai-hsin parle de lunettes intelligentes, du « critère de la grand-mère » pour l’AGI et des possibilités de Taïwan. Pendant l’entretien, il sort un prototype de lunettes Project Astra et dit qu’il s’agit « probablement » du premier exemplaire à Taïwan.

Pendant l’entretien, il a sorti de sa poche un prototype de lunettes intelligentes équipées de Project Astra, en disant que c’était « probablement » le premier exemplaire à Taïwan. Il a aussi parlé des domaines où Taïwan dispose des meilleures chances. Le matériel en fait partie : « La position de Taïwan dans les semi-conducteurs, en particulier dans la fabrication, est très difficile à ébranler. » Puis il a infléchi son propos : « Si Taïwan peut bien intégrer matériel et logiciel, en exploitant les capacités des grands modèles de langage, c’est réellement une grande occasion. »¹⁴

Taïwan reconnaît les puces, pas ce cerveau

À ce stade, il faut aborder une question : est-il taïwanais ?

Les faits sont là : il a quitté Taïwan vers l’âge de 15 ans ; il a fait le lycée, l’université et les études supérieures aux États-Unis ; toute sa carrière s’est déroulée dans la Silicon Valley. C’est un Taiwanese American, né à Taïwan et formé aux États-Unis. Si quelqu’un affirme que l’étiquette de « lumière de Taïwan » revient à instrumentaliser une personne qui a émigré depuis longtemps, cette objection n’est pas sans fondement.

Mais de l’autre côté de la balance, il y a aussi des éléments très concrets. Il donne des entretiens en chinois, dit spontanément être « né à Tamsui, né et élevé à Taïwan », sans l’éviter. Il revient régulièrement à Taïwan pour donner des conférences : l’Université normale nationale de Taïwan, l’Université nationale Chung Hsing et l’Université nationale Yang Ming Chiao Tung ont toutes gardé sa trace. Il a des observations précises sur les difficultés de soins de longue durée à Taïwan, sa position dans les semi-conducteurs, son écosystème de start-up en IA, allant jusqu’à mentionner qu’environ quinze mille utilisateurs à Taïwan utilisent déjà l’outil de prédiction de structure des protéines de DeepMind.

Ce qui illustre le mieux cette position « à la fois dedans et dehors », c’est un passage adressé aux chercheurs taïwanais : « Ce domaine de recherche, en réalité, cela fait des années que je reviens à Taïwan et que j’en parle à chaque fois, mais je ne vois pas les chercheurs taïwanais… ils ne sont pas nombreux à travailler dans cette direction. C’est une recherche qui peut se faire sans beaucoup de puces. »¹⁵

Deux identités se tendent dans cette phrase. Il parle de « revenir à Taïwan », comme quelqu’un qui se reconnaît comme appartenant à ce lieu ; mais « j’en parle à chaque fois, et personne ne le fait » porte aussi la distance d’un extérieur, comme quelqu’un qui a quitté la maison depuis longtemps, revient, voit un coin toujours laissé en désordre, s’inquiète, mais ne parvient pas à agir. Est-il une « lumière de Taïwan » ? Cet article ne conclura pas à votre place. Les faits sont là ; à vous d’en juger.

📊 Quelques chiffres

Sources : entretien VK EP122 avec Chi Huai-hsin, Google Scholar, OpenAI o1 System Card (arXiv 2412.16720)

Montrer le raisonnement : plus transparent, ou meilleur pour se justifier ?

La chaîne de pensée permet à l’IA de « montrer » son processus de raisonnement. En surface, cela rend la machine plus transparente : vous pouvez voir comment elle pense. Mais il y a là une inquiétude qu’une personne honnête doit mentionner en parallèle.

⚠️ Point de vue controversé
La chaîne de pensée étale sous vos yeux le « processus de pensée » de l’IA, ce qui la rend apparemment plus crédible et plus digne de confiance. Mais le monde académique a déjà soulevé une objection : la séquence de raisonnement montrée par le modèle ne reflète pas nécessairement le processus interne qui a conduit à sa décision, un problème appelé en recherche la « fidélité » de la chaîne de raisonnement. Autrement dit, le modèle peut très bien obtenir d’abord une réponse, puis ajouter après coup un discours élégant pour vous la présenter. Mieux savoir argumenter ne signifie pas être plus honnête. Dans le même temps, en mars 2026, un jury de Los Angeles, aux États-Unis, a jugé dans une affaire d’addiction aux réseaux sociaux que YouTube et d’autres plateformes portaient une responsabilité dans l’addiction des adolescents, Google étant tenu responsable à hauteur d’environ 30 %. Or Chi Huai-hsin a obtenu le statut de Fellow de l’Association for Computing Machinery (ACM) notamment grâce à ses travaux sur les systèmes de recommandation de YouTube, mais il s’est très peu exprimé publiquement sur les dommages possibles des algorithmes. Une personne capable de rendre les machines « meilleures en raisonnement » reste, pour l’instant, silencieuse sur la question de savoir si, une fois les machines meilleures pour justifier leurs décisions, la responsabilité ne deviendra pas plus difficile à établir. Le signaler n’est pas chercher à condamner qui que ce soit ; c’est simplement dire que lorsque nous sommes fiers de voir un Taïwanais à l’avant-garde de l’IA, nous devrions aussi faire entrer ces questions dans notre champ de vision.

Cette contradiction n’a pas de réponse propre, et elle n’est pas censée en avoir. Une technologie qui rend l’IA plus semblable aux humains amplifie à la fois ce qu’il y a de meilleur et de plus problématique chez eux : les humains raisonnent, mais ils savent aussi inventer des raisons pour justifier leurs décisions. Prendre les deux faces ensemble, c’est traiter cette question sérieusement.

Et maintenant ?

Chi Huai-hsin observe un cycle de huit ans : Internet en 1991, la naissance de Google en 1999, l’iPhone en 2007, la maturité de l’apprentissage profond en 2015, Gemini et ChatGPT en 2023. À ce rythme, le prochain tournant se situerait autour de 2031. Selon lui, à ce moment-là, « personne ne sera surpris que vous utilisiez de grands modèles pour travailler », pas plus qu’aujourd’hui personne n’est surpris que vous utilisiez un téléphone.

La direction sur laquelle il parie désormais consiste à faire sortir l’IA de l’écran et à la faire entrer dans le monde réel : Project Astra, capable de percevoir votre situation, et des robots capables de réaliser des tâches domestiques. Ce qui l’émeut le plus, c’est le soin de longue durée à Taïwan. « Y aura-t-il vraiment des robots plus abordables pour aider aux tâches ménagères à la maison ? » Laver le linge, cuisiner, retourner un patient, apporter les médicaments à l’heure : dans une société confrontée au manque de main-d’œuvre, à la pénurie de personnel soignant et au manque de lits hospitaliers, ces choses qui semblent de la science-fiction sont en réalité des espoirs très pratiques.

Vidéo de vision officielle de Google pour Project Astra, la direction dont Chi Huai-hsin est aujourd’hui responsable : un assistant généraliste capable de partager votre environnement et de comprendre votre situation.

Revenons à ce bureau.

Un enfant de Tamsui, âgé d’environ 15 ans, arrive au Minnesota avec sa mère. En l’aidant à rédiger sa thèse de doctorat en psychologie de l’éducation, il découvre « comment les humains apprennent ». Trente ans plus tard, il transforme ce concept humain en méthode pour apprendre aux machines à penser. Le jour où votre grand-mère dira au robot de la maison : « Je t’ai déjà montré une fois, comment se fait-il que tu ne saches toujours pas faire ? », si cette machine sait raisonner par étapes, réfléchir sur elle-même et généraliser, c’est qu’un long fil se trouve derrière elle. À une extrémité du fil se trouve un laboratoire de la Silicon Valley ; à l’autre, Tamsui.

Sources des images

• Photo de conférence de Chi Huai-hsin (hero) : GQ Taiwan《GQ 專訪》紀懷新 — fair use editorial commentary
• Junyu-K / Wikimedia Commons — CC BY-SA 4.0 (coucher de soleil sur la promenade en bois de Youchekou à Tamsui)
• SavagePanda845 (Elliot F) / Wikimedia Commons — CC BY-SA 4.0 (campus de l’Université du Minnesota)
• The wub / Wikimedia Commons — CC BY-SA 4.0 (ordinateur Xerox Alto)
• Figure 1 de l’article sur la chaîne de pensée : Wei et al. 2022, arXiv:2201.11903 — fair use academic

Pour aller plus loin

• Jensen Huang — la lumière taïwanaise qui fait tourner l’IA plus vite, côté matériel
• Morris Chang — le fondateur des semi-conducteurs taïwanais, la montagne dont Chi Huai-hsin dit que la « position est très difficile à ébranler »
• Industrie de l’intelligence artificielle — la place de Taïwan dans la chaîne d’approvisionnement mondiale de l’IA
• Développement de l’intelligence artificielle à Taïwan et stratégies futures — vue d’ensemble de l’IA à Taïwan
• L’IA dans le quotidien taïwanais — comment l’IA est déjà entrée dans la vie des Taïwanais

Références