Ed Chi (紀懷新): Orang Taiwan yang Mengajarkan AI "Berpikir Langkah demi Langkah", Membawa Psikologi Kognitif ke dalam Mesin

Saat seluruh dunia mengejar AI dengan kekuatan komputasi ratusan juta dolar, ada satu paper yang mengubah cara mesin berpenalar, dengan biaya hanya sekitar lima ribu dolar.

Paper itu bernama "Chain of Thought" (思維鏈). Yang dilakukannya kedengarannya sederhana hingga tak terlihat seperti terobosan: dalam contoh yang diberikan ke AI, tambahkan beberapa baris "proses penyelesaian", arahkan ia untuk memikirkan langkah-langkah tengah terlebih dahulu, baru memberikan jawaban — seperti menyuruh siswa membuat draf terlebih dahulu, bukan langsung menulis kesimpulan. Di antara sembilan co-author, ada seorang Taiwan kelahiran Tamsui bernama Ed Chi (紀懷新).

Belakangan ia menjelaskan soal lima ribu dolar itu begini: "Masalah itu bukanlah masalah yang bisa diselesaikan dengan kekuatan komputasi, melainkan masalah mode berpikir yang lain." ¹

Ringkasan 30 Detik: Ed H. Chi adalah Wakil Presiden Penelitian Google DeepMind, serta salah satu co-author paper Chain of Thought yang membuat AI belajar "berpikir langkah demi langkah". Setiap kali Anda meminta ChatGPT atau Gemini "pikirkan langkah demi langkah", ia menjawab lebih baik — dan ide yang membuat mesin berpenalar bertahap itu, akarnya terhubung ke Taiwan. Ia pindah ke AS mengikuti ibunya yang mengejar doktor pada usia ~15 tahun. Saat membantu ibu menulis tesis psikologi pendidikan, ia menemui konsep psikologi tentang "bagaimana manusia belajar". Tiga puluh tahun kemudian, ia membawa konsep itu ke dalam mesin. Taiwan mengenal "Taiwan yang gemilang membuat chip", namun hampir tak mengenal orang yang membentuk "bagaimana AI berpikir".

Tesis Doktor Ibu

Kisah ini tidak bermula dari Google, melainkan dari sebuah meja belajar.

Ed Chi besar di Tamsui. "Saya orang Taiwan asli, lahir di Tamsui, lalu sekitar usia 15 tahun pindah ke AS bersama orang tua, karena ibu saya saat itu mengejar gelar doktor." ² Kalimat itu menyimpan pemandangan tak biasa: pada masa itu kebanyakan anak Taiwan pergi ke luar negeri sebagai "pelajar kecil" sendirian, ia justru ikut seluruh keluarga pindah ke barat demi studi ibu. Seorang keluarga Taiwan pindah ke AS karena pendidikan ibu, pada era itu jarang terjadi.

Tamsui, tempat kelahiran dan masa kecil Ed Chi. Tiga puluh tahun kemudian, apa yang ia bawa dari sini, akan jadi metode mengajarkan mesin berpikir.

Ibu mengejar doktor di psikologi pendidikan. Selama SMA dan kuliah, ia membantu ibu menulis tesis. Seorang anak yang masih sekolah, membantu ibunya sendiri menyusun tesis akademis yang membahas "manusia belajar bagaimana", dan di proses itulah ia pertama kali menyentuh teori skema (schema theory) dari psikolog Swiss, Piaget.

Teori skema berbicara: di otak manusia ada struktur-struktur pengetahuan terorganisir yang disebut "skema", kita mengandalkannya untuk memahami dunia. Saat belajar hal baru, ya kita masukkan informasi baru ke skema lama (ini disebut asimilasi), ya skema lama tak muat, terpaksa ditulis ulang atau dibangun baru (ini disebut akomodasi). Kedengarannya abstrak, tapi ia menjawab pertanyaan fundamental: seseorang, bagaimana bisa dari "tidak bisa" jadi "bisa".

Konsep di atas meja belajar itu, tiga puluh tahun kemudian, jadi metode mengajarkan mesin berpenalar. Tapi sebelum itu, ia harus menempuh jalan panjang, dan itu jalan yang jarang dilewati orang.

Ed Chi di VK Tech Reading Time EP122 bercerita sendiri asal-usul Chain of Thought, dari membantu tesis doktor psikologi pendidikan ibu, belajar teori skema Piaget, hingga mengubahnya jadi metode mengajarkan AI berpenalar. Wawancara ini adalah sumber jiwa artikel ini.

Dari Tamsui ke Minnesota, Mengikuti Surat Izin Masuk Program Doktor

Sampai di Minnesota, ia menuntaskan SMA, S1, S2, S3 semuanya di universitas yang sama: University of Minnesota, total enam setengah tahun, tiga gelar ³. Masuk langsung mendapat penghargaan tertinggi (Summa Cum Laude), disertasi doktor di bidang visualisasi informasi, berjudul "A Framework for Information Visualization Spreadsheets", dibimbing Prof. John T. Riedl, pelopor sistem rekomendasi.

Lima belas tahun ikut ibu ke Minnesota, ia kemudian enam setengah tahun di University of Minnesota menyelesaikan tiga gelar. Pembimbing Prof. John T. Riedl adalah pelopor penelitian sistem rekomendasi: garis ini nanti akan menyambung ke pekerjaannya di Google.

Tapi lebih berarti dari gelar-gelar itu, adalah bagaimana ia memposisikan dirinya.

Dalam wawancara ia pernah jujur berkata: "Bahasa Inggrisnya: I'm a generalist... tipe peneliti jack of all trades but master of none. Tapi saat sadar matematika saya tidak lebih baik dari orang lain, saya merasa mungkin saya bisa melakukan penelitian yang lebih seperti 'menghubungkan' (bridging), jembatan antara satu bidang dan bidang lain." ⁴

Pilihan ini di dunia akademik punya harga. Ia sendiri juga bilang, saat kamu riset "menghubungkan", "di bidang A kamu bukan orangnya yang asli, di bidang B juga bukan penelitinya yang asli". Orang yang hanya paham satu sisi, dunia memberinya posisi jelas; orang yang berdiri di tengah dua sisi, sering tak diterima di mana pun. Tapi ia bertaruh di tanah tengah ini. Nanti terbukti, beberapa langkah paling krusial AI, justru terjadi di tanah tengah semacam ini.

✦ "Mungkin saya bisa melakukan penelitian yang lebih seperti jembatan, jembatan antara satu bidang dan bidang lain."

Di Palo Alto, Ia Belajar Mengubah Psikologi Menjadi Program

1997, ia magang di tempat legendaris: Xerox Palo Alto Research Center (Xerox PARC).

Nama ini bagi pembaca Taiwan mungkin asing, tapi setiap hari Anda pakai barang penemuannya. Mouse, antarmuka pengguna grafis, printer laser, Ethernet — teknologi-teknologi yang mendasari era komputer pribadi, banyak lahir di pusat riset ini yang didirikan perusahaan fotokopi di sebelah Stanford. Dulu Jobs masuk lihat antarmuka grafisnya, bawa pulang ide itu, jadi Macintosh kemudian. Ed Chi datang saat PARC masa keemasan keduanya.

Xerox PARC mengembangkan Alto 1973, pelopor komputer pribadi dan antarmuka grafis. Ed Chi kemudian di sini, belajar mengubah psikologi kognitif jadi program yang bisa dijalankan.

Kuncinya bukan teknologi keren apa yang ia buat, tapi siapa yang ia temui. "Atasan saya saat itu bernama Stuart Card, dia murid Allen Newell." ⁵ Garis guru-murid ini ke atas, akan menyambung ke seorang pemenang Nobel Ekonomi: Herbert Simon.

Simon mengemukakan "rasionalitas terbatas" (bounded rationality): manusia ambil keputusan terbatas kognisi, informasi, waktu, mustahil "rasional sempurna". Ia juga ciptakan istilah "keputusan cukup baik" (satisficing): manusia tak cari solusi optimal, cukup solusi yang layak. Simon dan Newell bersama-sama mengumpamakan otak manusia jadi mesin pemroses informasi, berpendapat "memecahkan masalah" itu hanyalah mencari jawaban langkah demi langkah di ruang masalah. Card bawa alur pikir ini ke PARC, Ed Chi terima dari Card.

📝 Catatan Kurator
Cerita AI yang lazim berbunyi: mesin semakin pintar karena chip semakin cepat, data semakin banyak, model semakin besar. Narasi ini enak, tapi kelewatan garis gelap lain. Simon sejak 1950-an sudah tanya "otak manusia bagaimana putus di bawah keterbatasan"; Card 1974 bawa psikologi ke riset komputer PARC; Ed Chi 1990-an meneruskan, ubah teori foraging jadi model manusia cari info di jaringan. Setengah abad, segelintir orang mengejar pertanyaan sama: manusia sebenarnya berpikir bagaimana. Saat arus utama sibuk bikin mesin hitung lebih cepat, mereka sibuk bikin mesin pikir lebih manusia. Chain of Thought adalah buah garis gelap itu.

Riset utamanya di PARC disebut "information foraging" (覓食資訊). Konsepnya: manusia cari info di jaringan, mirip hewan liar mencari makanan, ikut "bau", bau kuat diikutin, bau lemah ditinggal. Ia rekayasa model foraging biologis-psikologis ini jadi sistem nyata yang bisa dijalankan, memprediksi manusia navigasi antar situs. Inilah "menghubungkan" pertamanya nyata: satu sisi psikologi kognitif, sisi lain ilmu informasi, ia bangun jembatan di tengah.

Bukan Lebih Banyak Data, Tapi Lebih Manusia

2011, ia tinggalkan PARC ke Google. Alasannya praktis: "Riset murni saja tidak cukup, harus bikin hal aplikatif." Model PARC "riset dasar sangat dalam, tapi tak bisa jadi produk", ia lihat sendiri.

Di Google, ia dulu riset analisis data jaringan, 2015–2017 memimpin tim bangun ulang sistem rekomendasi neural network YouTube, 2017 jadi Principal Scientist Google Brain memimpin 70 orang, 2021 naik jadi Distinguished Scientist memimpin 120 orang, kemudian jadi VP Research DeepMind ⁶. Deretan jabatan di baliknya, sebenarnya satu metodologi gen yang sama terus terektensi: information foraging adalah model "manusia cari apa", sistem rekomendasi adalah model "manusia mau lihat apa", sampai Chain of Thought, jadi model "manusia berpenalar bagaimana". Dari kognisi manusia, mendorong ke mesin.

Titik balik Chain of Thought, muncul dari ketidakpuasannya pada machine learning arus utama saat itu. "Kenapa harus pakai begitu banyak data, mesin baru benar-benar bisa belajar?" Ia mulai pikir, "Bisa tidak pakai metode psikologi kognitif untuk mengajarkan mesin belajar." ⁷

Lalu ia kembali ke konsep itu. "Ide ini sebenarnya dari... era 1960-an 1970-an, namanya teori skema. Artinya dasarnya: kalau orang bisa pakai satu template (cetakan) pecahkan masalah, mungkin kita juga bisa pakai metode ini ajarkan mesin belajar. Jadi Chain of Thought sebenarnya mulai dari ide ini." Pembawa wawancara tanya apakah teori skema Piaget, ia jawab: "Ya, tepat, ide teori skema Piaget. Hal itu sebenarnya saya pelajari saat SMA, kuliah, karena bantu ibu tulis tesis doktor psikologi pendidikan, jadi kemudian perlahan hal-hal ini tersambung." ⁸

Biji di meja belajar, bermekah.

Gambar paling terkenal di paper Chain of Thought: kiri tanya cara biasa, model salah hitung; kanan cuma di contoh cuma ditambah segmen penalaran (bagian highlight biru), model jawab benar. Bedanya bukan kekuatan komputasi, tapi ada tidaknya "tuliskan pikiran langkah demi langkah". Gambar dari Wei et al., 2022.

Dan hampir tak butuh biaya. "Tahu tidak total kekuatan komputasi kita berapa? Kira-kira cuma lima ribu dolar. Karena masalah itu bukan yang bisa diselesaikan kekuatan komputasi, tapi mode berpikir lain. Saat riset itu, awalnya dasarnya tidak ada dana, cuma kita sendiri idekan dari hampa." ¹

Inilah yang paling ingin disampaikan artikel ini: kunci mengajarkan AI berpenalar, bukan lebih banyak kekuatan komputasi, tapi lebih manusia: dan "lebih manusia" ini, tumbuh di tesis doktor psikologi pendidikan yang ditulis anak Tamsui bantu ibunya.

Ia Bilang ke Bawahan: Jangan Pakai Metode Itu, Coba Skema

Di sini harus jujur.

Paper Chain of Thought punya sembilan penulis, Ed Chi urutan ketujuh. Penulis pertama Jason Wei, pelaku utama; penulis terakhir, yaitu pemimpin senior menurut konvensi akademik, adalah Denny Zhou, pendiri tim riset penalaran Google Brain. Mengatakan paper ini "diciptakan Ed Chi", tidak akurat; Denny Zhou lah pemimpin arah riset ini, dan Denny Zhou, adalah anggota tim Ed Chi, bawahan langsungnya.

Lalu peran aslinya apa? Dengarkan dia sendiri: "Denny Zhou adalah peneliti di tim saya, bergabung lalu datang bilang mau riset penalaran... dia awalnya pakai metode neural symbolic tradisional, saya bilang menurut saya neural symbolic sepertinya kurang work, apakah pertimbangkan metode lain? Lalu kita pelan-pelan diskusi, nemu mungkin bisa pakai konsep skema." ⁹

Paragraf ini menggaris kontribusi aslinya. Ia bukan penulis utama eksekusi, tapi orang di persimpangan krusial bilang "jangan lewat sana": ia menolak neural symbolic yang saat itu kelihatannya paling logis, arahkan diskusi ke skema. Lebih penting, ia bisa mikir ke skema, karena ia bawa perspektif ilmu kognitif dua puluh tahun ke tim ini. Dengan kata lain, ia orang yang membuat Denny Zhou "bisa memikirkan skema".

📝 Catatan Kurator
Penyakit "Taiwan yang gemilang" paling umum, adalah memadatkan kontribusi kompleks jadi satu kalimat "ia ciptakan X". Tapi realita sering lebih menarik. Yang tak tergantikan Ed Chi, adalah busur panjang dua puluh tahun: ia perlahan bawa psikologi kognitif ke mesin, dari information foraging, ke sistem rekomendasi, ke Chain of Thought. Paper punya sembilan penulis, ada ranking, ada perebutan kredit; tapi "dua puluh tahun terus bawa pertanyaan 'manusia pikir bagaimana' ke lapangan rekayasa" ini, di seluruh tim hanya dia yang bisa. Mau lihat nilai dia, harus tarik skala dua puluh tahun, bukan berhenti di daftar penulis satu paper.

Ia sendiri pakai kerangka lebih dalam jelaskan lanjutan Chain of Thought. Saat AI tidak cuma pecah masalah pakai template, tapi "merefleksi" pemikiran sendiri, mundur memperbaiki, ia bilang: "Ini dalam kognitif Piaget, atau ilmu belajar, disebut asimilasi dan akomodasi... penalaran mesin yang sesungguhnya sepertinya baru benar-benar mulai." ¹⁰ Pecah masalah pakai template = asimilasi, mundur tulis ulang template = akomodasi: ia bawa pasangan konsep yang dulu dipelajari bantu ibu nulis tesis, utuh, untuk menggambarkan pembelajaran mesin.

Ia juga hubungkan Chain of Thought ke kerangka psikolog lain: "Chain of Thought ditambah fine-tuning, ditambah prediksi kata berikutnya, sepertinya awal mesin penalaran, yaitu yang disebut System 2 thinking — versi Kahneman." ¹¹ System 1 adalah intuisi, cepat, tak butuh usaha (lihat microphone tahu itu microphone); System 2 adalah usaha, rasional, butuh langkah demi langkah (ditanya "definisi AGI apa" lalu otak itu yang bergerak). Menurut dia, deep learning dulu sudah mendalami System 1, sedangkan Chain of Thought, adalah titik awal mesin mulai System 2.

Mesin yang Berpenalar, dan Standar Nenek

Lalu kapan AI baru dikatakan "sampai"? Jawaban Ed Chi tidak di metrik teknis manapun, tapi di nenek.

"Hari di mana nenek Anda marah ke robot di rumah bilang 'Sudah kujarinkan sekali, kenapa masih tidak bisa', Anda tahu AGI telah tiba... Standar pengukuran kita tumbuh di nenek." ¹²

Kalimat ini lebih tajam dari kedengarannya. Robot penyapu hari ini masih kelilit kabel, nabrak furnitur, kita bilang bodoh, tapi tidak benar-benar marah: karena di hati kita "robot memang lebih bodoh dari saya, diajar berkali-kali wajar". Tapi suatu hari, nenek marah ke robot seperti marah ke orang yang tidak belajar, berarti di hatinya robot sudah jadi objek "diajari sekali seharusnya bisa". Saat AGI tiba, dengan kata lain, bukan soal skor lolos garis, tapi harapan manusia diam-diam berubah.

Ini juga nyambung ke pandangannya soal AGI. Ia percaya AGI成立 butuh dua hal: satu, AI tak bisa cuma hidup di dunia virtual, harus bisa masuk ke lingkungan hidup nyata manusia; dua, "Ajar sekali, selanjutnya bisa" — bisa analogi, eksplor sendiri, bukan minta diajar berulang. Project Astra yang ia pimpin sekarang, kerjakan hal pertama: asisten universal yang bisa memahami konteks di mana Anda berada.

Ia pernah cerita pengalaman nyata. Sekitar setahun lalu, ia bawa Project Astra yang masih rahasia ke Barcelona rapat, di bar rooftop hotel, ia keluarkan HP pindai skyline kota, tanya "Saya di mana". Ia jawab "Kelihatannya Anda di Barcelona". Ia lanjut tanya distrik mana, ia jawab nama distrik benar. Ia tanya lagi restoran bagus dekat sini "kalau bintang Michelin lebih baik", ia juga jawab. "Saya bilang 'Bisa bantu pesan meja?' Ia bilang 'Sekarang belum, tapi mungkin masa depan bisa'." Saat itu ia sadar, asisten pribadi benar-benar di samping Anda, paham situasi Anda, di hayatnya bisa dibuat. ¹³

Ed Chi di Sidechat E350 membahas kacamata pintar, standar "nenek" AGI, dan peluang Taiwan. Di wawancara ia keluarkan prototipe kacamata Project Astra, bilang ini "seharusnya" unit pertama di Taiwan.

Di tempat wawancara, ia keluarkan dari saku prototipe kacamata pintar berbeban Project Astra, bilang ini "seharusnya" unit pertama di Taiwan. Ia bicara peluang terbesar Taiwan di mana. Hardware salah satunya: "Taiwan di setengah konduktor, khususnya manufaktur, posisinya sangat sulit digoyangkan." Tapi bicara berbelok, "Kalau Taiwan bisa integrasi hardware dan software dengan baik, memanfaatkan kemampuan large language model, memang peluang sangat besar." ¹⁴

Taiwan Kenal Chip, Tak Kenal Otak Ini

Sampai sini, tak bisa hindari satu pertanyaan: apakah ia dihitung orang Taiwan?

Fakta di depan mata: ia ~15 tahun meninggalkan Taiwan, SMA, kuliah, pascasarjana semuanya di AS, seluruh karir di Silicon Valley. Ia Taiwanese American, orang lahir Taiwan, dewasa sukses di AS. Kalau ada yang bilang topi "Taiwan yang gemilang" ini mengonsumsi orang yang sudah lama migrasi, skeptisisme ini tidak sia-sia.

Tapi sisi timbangan lain juga punya barang nyata. Ia wawancara pakai Mandarin, sendiri bilang "lahir Tamsui, orang Taiwan asli", tidak menghindar. Ia terus kembali Taiwan ceramah — Normal University, Chung Hsing, Yang Ming Chiao Tung semua ada jejaknya. Ia punya observasi konkret soal krisis perawatan lanjut Taiwan, posisi setengah konduktor, ekosistem startup AI, bahkan menyinggung Taiwan sudah ~15.000 pengguna pakai alat prediksi struktur protein DeepMind.

Yang paling menggambar posisinya "di dalam tapi di luar", adalah ucapan buat peneliti Taiwan: "Bagian riset ini, saya sebenarnya kembali Taiwan bertahun-tahun, setiap kali cerita, tapi tidak pernah lihat peneliti Taiwan... di sini risetnya tidak banyak. Riset yang tidak butuh banyak chip." ¹⁵

Di kalimat ini ada dua identitas tarik-menarik. Ia pakai "kembali Taiwan" bicara, sebagai orang yang merasa milik sini; tapi "tiap kali cerita tapi tidak ada yang kerjakan" lagi bawa rasa jarak outsider — seperti orang jauh dari rumah lama, pulang lihat sudut rumah tak pernah dibersihkan, cemas, tapi tak berdaya. Apakah ia "Taiwan yang gemilang", artikel ini tidak menutupkan keputusan. Fakta semua di sini, Anda sendiri menilai.

📊 Dia dalam Angka

Sumber: Wawancara Ed Chi VK EP122, Google Scholar, OpenAI o1 System Card (arXiv 2412.16720)

Tunjukkan Penalaran, Lebih Transparan Atau Lebih Jago Alasan

Chain of Thought membuat AI "menunjukkan" proses penalaran. Di permukaan, ini membuat mesin lebih transparan — Anda lihat ia pikir apa. Tapi di sini tersembunyi kekhawatiran yang orang jujur seharusnya letakkan berdampingan.

⚠️ Pandangan Kontroversial
Chain of Thought membuat AI hamparkan "proses pikir" di hadapan Anda, kelihatannya lebih kredibel, lebih layak percaya. Tapi akademisi sudah mengangkat pertanyaan: rangkaian penalaran yang ditampilkan model, tidak tentu mencerminkan proses keputusan internalnya yang sebenarnya (dalam riset ini disebut masalah "kesetiaan" reasoning chain). Artinya, mungkin ia dulu dapat jawaban, lalu susun alasan indah buat Anda lihat — lebih jago alasan, tidak sama dengan lebih jujur. Di waktu yang sama, Maret 2026, juri di Los Angeles AS dalam kasus kecanduan media sosial, memutuskan platform seperti YouTube bertanggung jawab atas kecanduan remaja, Google dihukum ~30% tanggung jawab. Ed Chi justru berkat sistem rekomendasi YouTube dll meraih gelar Fellow ACM (Association for Computing Machinery), namun hampir tidak pernah bicara terbuka soal kerusakan yang mungkin dibawa algoritma. Seorang yang membuat mesin "lebih jago penalaran", soal "mesin lebih jago alasan lalu, akuntabilitas apakah justru jadi lebih sulit", hingga kini diam. Menyentuh ini, niatnya bukan menyerang siapa; hanya ingin bilang, saat kita bangga seorang Taiwan berdiri di garis depan AI, seharusnya kita masukin masalah-masalah ini ke pandangan.

Kontradiksi ini tak punya jawaban bersih, tapi memang seharusnya tidak punya. Sebuah teknologi yang membuat AI lebih manusia, akan sekaligus memperbesar sifat terbaik dan paling merepotkan manusia — manusia penalar, manusia juga bikin alasan buat keputusan sendiri. Melihat dua sisi ini bersama, barulah menghadapi hal ini dengan serius.

Lalu Apa Lagi

Ed Chi mengamati siklus delapan tahun: 1991 Internet, 1999 Google lahir, 2007 iPhone, 2015 deep learning matang, 2023 Gemini dan ChatGPT. Ikut ritme ini, titik balik berikutnya jatuh ~2031. Ia bilang, saat itu, "Tidak akan ada yang terkejut karena Anda pakai large model kerja" — seperti hari ini tidak ada yang terkejut karena Anda pakai HP.

Arah taruhannya sekarang, adalah keluarin AI dari layar, masuk dunia nyata: Project Astra yang paham konteks Anda, robot yang bisa kerja rumah tangga. Yang paling menyentuh bicaraannya, soal perawatan lanjut Taiwan. "Mungkinkah benar-benar ada robot terjangkau, bantu urusan rumah?" — cuci, masak, balik pasien, kirim obat tepat waktu. Saat masyarakat kekurangan tenaga, tenaga perawatan minim, rumah sakit tak punya tempat tidur, hal-hal yang kedengarannya sci-fi ini, sebenarnya harapan sangat konkret.

Video visi resmi Google Project Astra, ini arah yang sekarang ditanggung Ed Chi: asisten universal yang bisa berbagi lingkungan sama Anda, paham situasi Anda.

Kembali ke meja belajar itu.

Seorang anak Tamsui, ~15 tahun ikut ibu ke Minnesota, saat bantu ibu nulis tesis doktor psikologi pendidikan, belajar "manusia belajar bagaimana". Tiga puluh tahun kemudian, ia ubah konsep soal manusia ini, jadi metode mengajarkan mesin berpikir. Suatu hari, nenek Anda marah ke robot rumah "Sudah kujarinkan sekali, kenapa masih tidak bisa" — robot itu bisa penalaran bertahap, bisa refleksi, bisa analogi, di baliknya menarik tali panjang. Ujung tali satu di lab Silicon Valley, ujung lain, di Tamsui.

Sumber Gambar

• Foto ceramah Ed Chi (hero): GQ Taiwan "GQ Interview" Ed Chi — fair use editorial commentary
• Junyu-K / Wikimedia Commons — CC BY-SA 4.0 (Matahari terbenam jalan kayu Youchekou Tamsui)
• SavagePanda845 (Elliot F) / Wikimedia Commons — CC BY-SA 4.0 (Kampus University of Minnesota)
• The wub / Wikimedia Commons — CC BY-SA 4.0 (Komputer Xerox Alto)
• Figure 1 Paper Chain of Thought: Wei et al. 2022, arXiv:2201.11903 — fair use academic

Bacaan Lanjutan

• Jensen Huang (黃仁勳) — Taiwan yang gemilang bikin AI lebih cepat, sisi hardware
• Morris Chang (張忠謀) — Pendiri setengah konduktor Taiwan, "gunung yang posisi sulit digoyang" di mulut Ed Chi
• Industri AI (AI人工智慧產業) — Posisi Taiwan di rantai pasok AI global
• Pengembangan AI Taiwan & Strategi Masa Depan (台灣人工智慧發展與未來策略) — Peta keseluruhan AI Taiwan
• AI Sehari-hari Taiwan (台灣AI日常) — AI sudah masuk kehidupan orang Taiwan seperti apa

Referensi