紀懷新：教 AI 學會「一步一步想」的台灣人，把認知心理學搬進了機器

當全世界用幾億美金的算力追逐 AI 的時候，有一篇論文改變了機器推理的方式，只花了大約五千美金。

那篇論文叫〈思維鏈〉（Chain of Thought）。它做的事情聽起來簡單到不像突破：在給 AI 看的範例裡，多寫幾行「解題過程」，引導它先把中間步驟想出來，再給答案，就像讓一個學生先打草稿，而不是直接寫結論。九位共同作者裡，有一個淡水出生的台灣人，叫紀懷新。

他事後是這樣解釋那五千美金的：「那個問題並不是用算力能夠解決的問題，而是說它是另外一個思考的模式。」¹

30 秒概覽： 紀懷新（Ed H. Chi）是 Google DeepMind 的研究副總裁，也是讓 AI 學會「一步一步推理」的思維鏈論文共同作者之一。你每次叫 ChatGPT 或 Gemini「一步一步想」、它就答得更好，而那個讓機器分步推理的點子，源頭有一條從台灣牽出去的線。他約 15 歲跟著念博士的媽媽移民美國，在幫媽媽寫教育心理學論文時，學到了一個關於「人怎麼學習」的心理學概念。三十年後，他把這個概念帶進了機器。台灣認得做晶片的台灣之光，卻幾乎不認得這個形塑「AI 怎麼想」的人。

媽媽的博士論文

故事不從 Google 開始，從一張書桌開始。

紀懷新是淡水長大的。「我是台灣土生土長的人，在淡水出生，然後在大概 15 歲的時候跟父母一起到美國去念書，因為我媽媽那時候跑去念博士。」² 這句話裡藏著一個不太尋常的畫面：當年多數出國的台灣孩子是自己當「小留學生」，他卻是全家為了媽媽要念博士一起西遷。一個台灣家庭因為母親的學業舉家移民美國，在那個年代並不多見。

淡水，紀懷新出生、長大的地方。三十多年後，他從這裡帶走的東西，會變成教機器思考的方法。

媽媽念的是教育心理學博士。高中、大學那幾年，他幫媽媽寫論文。一個還在念書的孩子，幫自己的母親整理一份探討「人是怎麼學習的」的學術論文，就在那個過程裡，他第一次碰到瑞士心理學家 Piaget 的基模理論（schema theory）。

基模理論講的是：人腦裡有一套套組織好的知識結構，叫「基模」，我們靠它來理解世界。學新東西的時候，要嘛把新資訊塞進舊基模（這叫同化），要嘛舊基模裝不下、被迫改寫或新建（這叫調適）。聽起來抽象，但它回答的是一個很根本的問題：一個人，是怎麼從「不會」變成「會」的。

當年那張書桌上的概念，三十年後會變成教機器推理的方法。但在那之前，他得先走很長一段路，而且是一條沒什麼人走的路。

紀懷新在 VK 科技閱讀時間 EP122 親口講述思維鏈的起源，從幫媽媽寫教育心理學博士論文、學到 Piaget 的基模理論，一路講到怎麼把它變成教 AI 推理的方法。這支訪談是這篇文章的靈魂出處。

淡水到明尼蘇達，跟著一張博士班入學許可

到了明尼蘇達，他把高中、大學、碩士、博士全在同一所學校念完：明尼蘇達大學，前後六年半，三個學位³。他入學就拿到最高榮譽（Summa Cum Laude），博士論文做的是資訊視覺化，題目是〈A Framework for Information Visualization Spreadsheets〉，指導教授 John T. Riedl 是推薦系統的先驅。

十五歲隨母親到明尼蘇達，他後來在明尼蘇達大學六年半念完三個學位。指導教授 John T. Riedl 是推薦系統研究的先驅——這條線日後會接回他在 Google 做的事。

但比學位更值得記住的，是他怎麼定位自己。

他在訪談裡講過一句很誠實的話：「用英文講就是 I'm a generalist……jack of all trades but master of none 的那種研究者。但當我意識到自己的數學沒有比其他人好的時候，我就覺得也許我可以做一些更像是橋接（bridging）的研究，一個領域跟另一個領域之間的橋。」⁴

這在學術圈是有代價的選擇。他自己也說過，當你做橋接的研究，「你在領域 A 裡不是真正的人，在領域 B 裡也不是真正的研究者」。一個只懂一邊的人，世界會給他一個清楚的位置；一個站在兩邊中間的人，常常哪邊都不收。但他賭的就是這個中間地帶。日後事實證明，AI 最關鍵的幾步，恰好都發生在這種地帶。

✦ 「也許我可以做一些更像是橋接的研究，一個領域跟另一個領域之間的橋。」

在帕羅奧多，他學會把心理學變成程式

1997 年，他進了一個傳奇的地方實習：全錄帕羅奧多研究中心（Xerox PARC）。

這個名字對台灣讀者也許陌生，但你每天都在用它發明的東西。滑鼠、圖形使用者介面、雷射印表機、乙太網路，這些奠定個人電腦時代的技術，很多都誕生在這個影印機公司設在史丹佛大學旁邊的研究中心。當年賈伯斯就是進去看過那套圖形介面，把點子學了出來，做成後來的麥金塔。紀懷新去的時候，正好是它的第二次黃金期。

全錄帕羅奧多研究中心 1973 年開發的 Alto，是個人電腦與圖形介面的先驅。紀懷新後來在這裡，學會了把認知心理學變成能跑的程式。

關鍵不在他做了什麼炫的技術，而在他遇到了什麼人。「我自己的老闆那時候叫 Stuart Card，他是 Allen Newell 的學生。」⁵ 這條師承線往上接，會接到一個經濟學諾貝爾獎得主：赫伯特·賽門（Herbert Simon）。

賽門提出過「有限理性」（bounded rationality）：人做決策時受認知、資訊、時間限制，根本不可能「完全理性」。他還造了一個詞叫「夠好就好」的決策（satisficing）：人不求最佳解，只求一個過得去的解。賽門和 Newell 一起把人腦類比成一台資訊處理機器，認為「解決問題」就是在一個問題空間裡一步步搜尋答案。Card 把這套思路帶進了帕羅奧多，紀懷新又從 Card 那裡接了下來。

📝 策展人筆記
通行的 AI 故事是這樣說的：機器之所以越來越聰明，是因為晶片越來越快、資料越來越多、模型越來越大。這個敘事順手，但它漏掉了另一條暗線。賽門早在 1950 年代就在問「人腦怎麼在限制下做決策」；Card 在 1974 年把心理學搬進帕羅奧多的電腦研究；紀懷新 1990 年代接棒，把覓食理論變成人們在網路上找資訊的模型。半個世紀裡，有一群人一直在追問同一個問題：人到底是怎麼想的。當主流忙著讓機器算得更快，他們忙著讓機器想得更像人。思維鏈正是這條暗線結出的果。

他在帕羅奧多的主要研究，叫「資訊覓食」（information foraging）。概念是：人在網路上找資訊，跟動物在野外覓食很像，會循著「氣味」找下去，氣味濃就追、氣味淡就放棄。他把這套生物學、心理學的覓食模型，工程化成了真正能跑的系統，去預測人怎麼在網站之間導航。這就是「橋接」的第一次實戰：一邊是認知心理學，一邊是資訊科學，他在中間搭了座橋。

資料來源：各學者維基百科、arXiv 2201.11903

不是更多資料，是更像人

2011 年，他離開帕羅奧多去了 Google。理由很實在：「光做研究不行，也要做應用的東西。」全錄那種「基礎研究做得很深、卻轉不成產品」的模式，他看在眼裡。

在 Google，他先做網路數據分析，2015 到 2017 年帶團隊重建了 YouTube 的神經網路推薦系統，2017 年當上 Google Brain 的首席科學家、帶七十人團隊，2021 年升為傑出科學家、帶到一百二十人，後來成為 DeepMind 的研究副總裁⁶。一連串頭銜背後，其實是同一條方法論基因在延伸：資訊覓食是「人怎麼找東西」的模型，推薦系統是「人想看什麼」的模型，到了思維鏈，變成「人怎麼推理」的模型。從人類認知，一路推向機器。

思維鏈的轉折，發生在他對當時主流機器學習的一種不滿。「為什麼要用這麼多的資料，這個機器才能夠真正學習到？」他開始想，「可不可以用認知心理學的方法來教導機器來學習。」⁷

於是他回到了那個概念。「這個 idea 事實上是從……60 年代 70 年代發出來的一個 idea，叫做基模理論。它的意思基本上就是說，如果一個人可以用一個模板（template）來解一個問題，那也許我們也可以用這種方法來教導機器來學習。所以思維鏈事實上是從這個 idea 剛剛開始。」訪談主持人追問是不是 Piaget 的基模，他回答：「對，就是 Piaget 的基模的 idea。那個東西事實上是我在念高中的時候、大學的時候，因為幫助我媽媽寫她的教育心理學方面的博士論文的時候學到的東西，所以後來慢慢的這些東西就串在一起了。」⁸

書桌上的種子，發了芽。

思維鏈論文裡最有名的一張圖：左邊用一般方式提問，模型算錯；右邊只是在範例裡多寫一段推理過程（藍底那段），模型就答對了。差別不在算力，在有沒有「把想法一步一步寫出來」。圖出自 Wei et al., 2022。

而它幾乎沒花什麼錢。「你知道我們用了一共多少的算力嗎？大概也就五千塊錢美金的算力。因為那個問題並不是用算力能夠解決的問題，而是它是另外一個思考的模式。我們當時做那個研究的時候，剛開始基本上就是沒有經費，就是我們自己憑空想出來的東西。」¹

這就是這篇文章最想說的那件事：讓 AI 學會推理的關鍵，不是更多算力，是更像人——而這份「更像人」，長在一個淡水孩子幫媽媽寫的教育心理學博士論文裡。

他對下屬說：別用那個方法，試試基模

這裡必須誠實。

思維鏈那篇論文有九位作者，紀懷新排第七。第一作者是 Jason Wei，主要的執行者；最後一位、也就是學術慣例上的資深主導者，是 Denny Zhou，Google Brain 推理研究團隊的創辦人。把這篇論文說成「紀懷新發明的」，並不準確；Denny Zhou 才是這個研究方向的主導者，而 Denny Zhou，是紀懷新團隊裡的研究員、他的直屬下屬。

那他的角色到底是什麼？聽他自己怎麼說：「Denny Zhou 是我團隊裡面的一個研究員，他加入我的團隊後跑來跟我說想做推理的研究……他本來用比較傳統的神經符號（neural symbolic）方法，我就跟他講我覺得神經符號好像不大 work，是不是考慮用其他方法？然後我們才慢慢討論，發現也許可以用基模的概念來做。」⁹

這段話劃出了他真正的貢獻。他不是論文的主執行者，但他是那個在關鍵岔路口說「別走那條」的人——他否決了神經符號這個當時看似順理成章的方向，把討論推向了基模。更重要的是，他能想到基模，是因為他帶著三十年的認知科學視角進這個團隊。換句話說，他是讓 Denny Zhou「有可能想到基模」的那個人。

📝 策展人筆記
「台灣之光」最常見的毛病，是把一個複雜的貢獻壓成一句「他發明了 X」。但真實往往更有意思。紀懷新真正不可取代的，是一條二十年的長弧：他把認知心理學一點一點搬進機器，從資訊覓食、到推薦系統、再到思維鏈。論文會有九個作者、會排名、會爭功；但「二十年來持續把人怎麼想的問題帶進工程現場」這件事，整個團隊裡只有他做得到。要看見他的價值，得拉開到二十年的尺度，而不是停在一張作者列表上。

他自己用一個更深的框架解釋了思維鏈的後續。當 AI 不只照模板解題、還會「反思」自己的思路、回頭修正時，他說：「這個在 Piaget 的認知學裡面，或者說學習科學裡面，會把它叫做同化跟調適……機器這種真正的學習似乎已經真正開始了。」¹⁰ 照模板解題是同化，回頭改寫模板是調適——他把當年幫媽媽寫論文學到的那一對概念，原封不動地搬來描述機器的學習。

他也把思維鏈接到另一位心理學家的框架上：「思維鏈加上微調，加上下一個詞預測，似乎是推理機器的開始，也就是所謂的系統二思考——就是 Kahneman 講的。」¹¹ 系統一是直覺、快速、不費力的思考（看到一支麥克風就知道那是麥克風）；系統二是費力、理性、需要一步步推的思考（被問「什麼是 AGI 的定義」時動的那個腦）。在他看來，過去的深度學習已經把系統一做得很深，而思維鏈，是機器開始做系統二的起點。

會推理的機器，和阿嬤的標準

那 AI 什麼時候才算真的「到了」？紀懷新的答案不在任何技術指標裡，在阿嬤身上。

「哪一天你的阿嬤罵你家裡的機器人說『我已經教你一次，你怎麼還不會』，你就知道 AGI 到來了……我們的衡量標準長在阿嬤身上。」¹²

這句話比它聽起來更鋒利。今天的掃地機器人還會纏到線、撞到家具，我們會嫌它笨，但不會真的對它生氣——因為我們打從心裡覺得「機器本來就比我笨，多教幾次很正常」。可是當有一天，阿嬤會像罵一個學不會的人那樣去罵機器人，那代表她心裡已經把它當成一個「教一次就該會」的對象。AGI 到來的那一刻，與其說是某個跑分過了線，更像是人類的期待悄悄改變了。

這也連回他對通用人工智慧的看法。他認為 AGI 要成立有兩件事：一是 AI 不能只活在虛擬世界裡，得能融入人真實的生活環境；二是「我教你一次，你以後就會了」——能舉一反三、自己探索，而不是要人重複教。他現在帶的 Project Astra，做的正是第一件事：一個能感知你所在情境的通用助理。

他講過一個親身的場景。大約一年前，他把還在保密階段的 Project Astra 帶到巴塞隆納開會，在一間旅館頂樓的酒吧，他拿出手機掃了一下城市的天際線，問它「我在哪裡」。它回答「看起來你在巴塞隆納」。他追問是哪一區，它說出了正確的區名。他再問附近有沒有好餐廳、「如果有米其林星更好」，它也答了出來。「我說『可以幫我訂位嗎？』它說『現在還不行，但也許未來可以』。」那一刻他意識到，這種真正待在你身邊、懂你處境的私人助理，在有生之年做得出來。¹³

紀懷新在塞掐 Sidechat E350 聊智慧眼鏡、AGI 的「阿嬤標準」與台灣的機會。訪談中他掏出一台 Project Astra 眼鏡原型機，說這應該是台灣的第一台。

訪談現場，他從口袋掏出一台搭載 Project Astra 的智慧眼鏡原型機，說這「應該是」台灣的第一台。他談到台灣最有機會的地方在哪。硬體是其中一塊：「台灣在半導體、特別是製造的部分，地位是很難動搖的。」但他話鋒一轉，「台灣如果能把硬體跟軟體整合得好，利用大型語言模型的能力，的確是一個很大機會。」¹⁴

台灣認得晶片，不認得這顆腦

說到這裡，繞不開一個問題：他算台灣人嗎？

事實擺著：他約 15 歲就離開台灣，高中、大學、研究所全在美國念，整個職業生涯都在矽谷。他是 Taiwanese American，一個在台灣出生、在美國長大成材的人。如果有人說「台灣之光」這頂帽子是在消費一個早就移民的人，這個質疑不是無的放矢。

但天平另一邊也有實在的東西。他用中文受訪，主動說自己「淡水出生、台灣土生土長」，毫不迴避。他持續回台演講——師大、中興、陽明交大都留下他的身影。他對台灣的長照困境、半導體地位、AI 新創生態都有具體的觀察，甚至點名台灣已經有大約一萬五千個使用者在用 DeepMind 的蛋白質結構預測工具。

最能說明他那種「既在裡面又在外面」位置的，是他對台灣研究者講過的一段話：「這個部分的研究，我事實上回來台灣這麼多年，每次都有講，但都沒有看到台灣的研究工作者……在這方面做的都不多。不用很多的晶片都可以做的研究。」¹⁵

這句話裡有兩種身分在拉扯。他用「回來台灣」說話，是個自認屬於這裡的人；但「每次都有講，卻沒人做」又帶著一種局外人的距離感——像一個離家很久的人，回來看見家裡某個角落一直沒人整理，著急，卻又使不上力。他算不算台灣之光，這篇文章不替你下結論。事實都擺在這裡，你自己判斷。

📊 數字裡的他

來源：紀懷新 VK EP122 訪談、Google Scholar、OpenAI o1 System Card（arXiv 2412.16720）

秀出推理，是更透明還是更會講道理

思維鏈讓 AI 把推理過程「秀出來」。表面上，這讓機器更透明了——你能看到它怎麼想的。但這裡藏著一個誠實的人應該並陳的隱憂。

⚠️ 爭議觀點
思維鏈讓 AI 把「想的過程」攤在你面前，看起來更可信、更值得信任。可是學術界已經提出質疑：模型秀出來的那串推理，不一定真的反映它內部做決策的過程（這在研究上叫推理鏈的「忠實度」問題）。換句話說，它可能是先得出答案、再補一套漂亮的說詞給你看——更會講道理，不等於更誠實。同一時間，2026 年 3 月，美國洛杉磯一個陪審團在一樁社群媒體成癮案中，認定 YouTube 等平台對青少年成癮負有責任，Google 被判約三成責任。紀懷新正是靠 YouTube 推薦系統等成就拿下美國計算機協會（ACM）會士，卻幾乎不曾公開談過演算法可能帶來的傷害。一個能讓機器「更會推理」的人，對於「機器更會講道理之後，問責會不會反而更難」這件事，目前是沉默的。指出這點，無意批鬥誰；只是想說，當我們為一個台灣人站在 AI 最前線而驕傲時，也該把這些問題一起放進視野。

這個矛盾沒有乾淨的答案，但它本來就不該有。一項讓 AI 更像人的技術，會同時放大人最好和最麻煩的特質——人會推理，人也會替自己的決定編理由。把這兩面一起看見，才是認真對待這件事。

然後呢

紀懷新觀察到一個八年週期：1991 年網際網路、1999 年 Google 誕生、2007 年 iPhone、2015 年深度學習成熟、2023 年 Gemini 與 ChatGPT。照這個節奏，下一個轉捩點落在 2031 年前後。他說，到那時候，「沒有人會因為你在用大型模型做事而驚訝」——就像今天沒有人會因為你用手機而驚訝。

他現在賭的方向，是讓 AI 走出螢幕、進到真實世界：能感知你處境的 Project Astra、能動手做家務的機器人。他談得最動容的，是台灣的長照。「會不會真的有一些比較負擔得起的機器人，能幫忙家裡的家務事？」——洗衣、煮飯、替病人翻身、按時送藥。當一個社會缺工、護理人力短缺、醫院沒有床位，這些聽起來科幻的東西，其實是很實際的盼望。

Google 官方釋出的 Project Astra 願景影片，這是紀懷新現在負責的方向：一個能與你共處同一個環境、看得懂你處境的通用助理。

回到那張書桌。

一個淡水的孩子，約 15 歲跟著媽媽到了明尼蘇達，在幫媽媽寫教育心理學博士論文的時候，學到了「人是怎麼學習的」。三十年後，他把這個關於人的概念，變成了教機器思考的方法。當有一天，你的阿嬤對著家裡的機器人說「我已經教你一次，你怎麼還不會」——那台機器之所以會分步推理、會反思、會舉一反三，背後牽著一條長長的線。線的這一頭是矽谷的實驗室，那一頭，是淡水。

圖片來源

• 紀懷新演講照（hero）：GQ Taiwan《GQ 專訪》紀懷新 — fair use editorial commentary
• Junyu-K / Wikimedia Commons — CC BY-SA 4.0（淡水油車口木棧道夕陽）
• SavagePanda845 (Elliot F) / Wikimedia Commons — CC BY-SA 4.0（明尼蘇達大學校園）
• The wub / Wikimedia Commons — CC BY-SA 4.0（Xerox Alto 電腦）
• 思維鏈論文 Figure 1：Wei et al. 2022, arXiv:2201.11903 — fair use academic

延伸閱讀

• 黃仁勳——讓 AI 跑得更快的台灣之光，硬體那一面
• 張忠謀——台灣半導體的奠基者，紀懷新口中「地位很難動搖」的那座山
• AI人工智慧產業——台灣在全球 AI 供應鏈的位置
• 台灣人工智慧發展與未來策略——台灣 AI 的整體圖景
• 台灣AI日常——AI 已經怎麼走進台灣人的生活

參考資料

1. VK 科技閱讀時間 EP122：AI 演進、AGI 雛型、很多心理學（ft. 紀懷新） — VK 官方頻道訪談，紀懷新本人受訪。約 52 分處他親口說明思維鏈論文僅用約五千美金算力，是「反算力軍備」最有力的一手證據。↩
2. 塞掐 Sidechat E350（ft. 紀懷新） — INSIDE 旗下科技 podcast 官方訪談，節目開場紀懷新自我介紹，逐字說明淡水出生、約 15 歲隨母赴美。↩
3. Ed H. Chi 個人履歷 — 紀懷新本人官網履歷，記載明尼蘇達大學資工學士（1992–1994）、資工碩士（1994–1996）、計算機與資訊科學博士（1996–1999），最高榮譽畢業，指導教授 John T. Riedl。↩
4. VK 科技閱讀時間 EP122：AI 演進、AGI 雛型、很多心理學（ft. 紀懷新） — 約 56 分處，紀懷新自述因數學不如同儕而轉做「橋接」研究的心路歷程，是理解他研究風格的關鍵自白。↩
5. VK 科技閱讀時間 EP122：AI 演進、AGI 雛型、很多心理學（ft. 紀懷新） — 約 5 分處，紀懷新說明帕羅奧多研究中心的師承，老闆 Stuart Card 是 Allen Newell 的學生。專名已對學術來源校正（Stuart Card 維基百科）。↩
6. Ed H. Chi｜Google Research — Google Research 官方個人頁，記載其在 Google 的職涯軌跡與研究領域；職涯細節另參本人履歷 edchi.net/resume。↩
7. VK 科技閱讀時間 EP122：AI 演進、AGI 雛型、很多心理學（ft. 紀懷新） — 約 9 分處，紀懷新說明他對「為何要用這麼多資料機器才能學」的不滿，是思維鏈的出發點。↩
8. VK 科技閱讀時間 EP122：AI 演進、AGI 雛型、很多心理學（ft. 紀懷新） — 約 9 至 10 分處，思維鏈起源最核心的一手自述：基模理論、Piaget、以及幫媽媽寫教育心理學博士論文的個人連結。本文靈魂段落。↩
9. VK 科技閱讀時間 EP122：AI 演進、AGI 雛型、很多心理學（ft. 紀懷新） — 約 57 分處，紀懷新自述否決 Denny Zhou 的神經符號方法、轉向基模的關鍵過程，是判斷其功勞角色的一手依據。論文作者與順序見 arXiv 2201.11903。↩
10. VK 科技閱讀時間 EP122：AI 演進、AGI 雛型、很多心理學（ft. 紀懷新） — 約 15 分處，紀懷新用 Piaget 的同化與調適框架描述思維鏈到反思式推理的演進，展現他把教育心理學語言直接帶進 AI 的思路。↩
11. VK 科技閱讀時間 EP122：AI 演進、AGI 雛型、很多心理學（ft. 紀懷新） — 約 17 分處，紀懷新將思維鏈連結到 Kahneman《快思慢想》的系統一／系統二思考框架。Kahneman 著作《Thinking, Fast and Slow》出版於 2011 年。↩
12. 塞掐 Sidechat E350（ft. 紀懷新） — 訪談開場與約 60 分處，紀懷新提出 AGI 的「阿嬤標準」：當阿嬤會像罵人一樣罵機器人「教你一次怎麼還不會」，AGI 就到了。↩
13. 塞掐 Sidechat E350（ft. 紀懷新） — 約 30 分處，紀懷新講述把保密階段的 Project Astra 帶到巴塞隆納，在旅館頂樓酒吧掃描城市天際線、它正確辨識所在城市與區域的親身場景。↩
14. 塞掐 Sidechat E350（ft. 紀懷新） — 約 40 分處，紀懷新評論台灣半導體製造地位「很難動搖」，以及軟硬整合對台灣是「很大機會」。↩
15. 塞掐 Sidechat E350（ft. 紀懷新） — 約 52 分處，紀懷新對台灣研究者喊話：這方面的研究「不用很多晶片」就能做，但回台多年每次都講卻沒看到台灣研究者投入。這段最能呈現他 outsider-insider 的身分張力。↩