Ed Chi: o taiwanês que ensinou a IA a "pensar passo a passo" levou a psicologia cognitiva para dentro da máquina

Quando o mundo inteiro persegue a IA com centenas de milhões de dólares em poder de computação, um artigo mudou a forma como as máquinas raciocinam gastando apenas cerca de cinco mil dólares.

Esse artigo chama-se "Chain of Thought" (Cadeia de Pensamento). O que ele faz soa simples demais para ser um avanço: nos exemplos mostrados à IA, acrescentam-se algumas linhas de "processo de resolução", guiando-a a primeiro produzir os passos intermédios e só depois dar a resposta — como pedir a um aluno que faça rascunho em vez de escrever só a conclusão. Entre os nove coautores, há um taiwanês nascido em Tamsui, chamado Ed Chi.

Ele explicou depois aqueles cinco mil dólares: "Aquele problema não era um problema que se resolvesse com poder de computação, mas sim um modo de pensar diferente." ¹

Resumo em 30 segundos: Ed H. Chi é vice-presidente de pesquisa do Google DeepMind e um dos coautores do artigo Chain of Thought, que fez a IA aprender a "raciocinar passo a passo". Sempre que você pede ao ChatGPT ou ao Gemini para "pensar passo a passo" e a resposta melhora, a ideia por trás disso tem um fio que sai de Taiwan. Aos 15 anos, ele emigrou para os EUA com a mãe, que ia fazer doutorado. Ajudando a mãe a escrever a tese de psicologia da educação, aprendeu um conceito sobre "como as pessoas aprendem". Trinta anos depois, levou esse conceito para dentro das máquinas. Taiwan conhece o "orgulho de Taiwan" que faz chips, mas quase não conhece esta pessoa que moldou "como a IA pensa".

A tese de doutorado da mãe

A história não começa no Google, começa numa secretária.

Ed Chi cresceu em Tamsui. "Sou taiwanês, nascido e criado em Taiwan, nasci em Tamsui e, por volta dos 15 anos, fui com os pais para os EUA estudar, porque a minha mãe foi fazer doutorado." ² Nesta frase esconde-se um quadro pouco comum: na época, a maioria das crianças taiwanesas que iam para o exterior eram "pequenos estudantes internacionais" por conta própria; ele, porém, mudou-se com a família inteira porque a mãe ia fazer doutorado. Uma família taiwanesa emigrar para os EUA pelos estudos da mãe, naqueles anos, não era nada frequente.

Tamsui, onde Ed Chi nasceu e cresceu. Trinta e tantos anos depois, o que ele levou dali viraria método para ensinar máquinas a pensar.

A mãe fazia doutorado em psicologia da educação. Nos anos de liceu e universidade, ele ajudava a mãe a escrever a tese. Um jovem ainda a estudar, a ajudar a própria mãe a organizar uma tese académica sobre "como as pessoas aprendem", foi nesse processo que ele tocou pela primeira vez na teoria dos esquemas (schema theory) do psicólogo suíço Piaget.

A teoria dos esquemas diz que o cérebro humano tem estruturas de conhecimento organizadas, chamadas "esquemas", com as quais entendemos o mundo. Ao aprender algo novo, ou encaixamos a nova informação nos esquemas antigos (isso chama-se assimilação), ou os esquemas antigos não servem e somos forçados a reescrevê-los ou criar novos (isso chama-se acomodação). Soa abstrato, mas responde a uma pergunta fundamental: como alguém passa de "não saber" para "saber".

Aquele conceito na secretária, trinta anos depois, viraria método para ensinar máquinas a raciocinar. Mas antes ele teve de percorrer um longo caminho, e por uma trilha que pouca gente trilha.

Ed Chi no VK Tech Reading Time EP122 conta em primeira pessoa a origem do Chain of Thought, desde ajudar a mãe com a tese de psicologia da educação, aprender a teoria dos esquemas de Piaget, até transformar isso em método para ensinar IA a raciocinar. Esta entrevista é a fonte viva deste artigo.

De Tamsui a Minnesota, seguindo uma carta de admissão ao doutorado

Chegado a Minnesota, fez lá o liceu, a licenciatura, o mestrado e o doutorado, tudo na mesma universidade: Universidade de Minnesota, seis anos e meio, três diplomas ³. Entrou com a mais alta distinção (Summa Cum Laude), a tese de doutorado foi em visualização de informação, intitulada "A Framework for Information Visualization Spreadsheets", orientada por John T. Riedl, pioneiro dos sistemas de recomendação.

Aos quinze anos foi com a mãe para Minnesota; depois, na Universidade de Minnesota, gastou seis anos e meio a tirar três diplomas. O orientador John T. Riedl é pioneiro na investigação de sistemas de recomendação: esta linha mais tarde ligar-se-ia ao que ele fez no Google.

Mas mais do que os diplomas, vale a pena lembrar como ele se posiciona.

Em entrevista disse uma frase muito honesta: "Em inglês diz-se I'm a generalist... jack of all trades but master of none, esse tipo de investigador. Mas quando percebi que a minha matemática não era melhor que a dos outros, achei que talvez pudesse fazer investigação mais parecida com ponte (bridging), uma ponte entre um domínio e outro." ⁴

No meio académico, essa escolha tem custo. Ele próprio diz que, quando se faz investigação de ponte, "no domínio A não se é verdadeiramente da casa, no domínio B também não se é verdadeiramente investigador". Quem só sabe um lado ganha um lugar claro no mundo; quem fica no meio dos dois, muitas vezes não é aceite em nenhum. Mas ele apostou justamente nesse meio-termo. Os factos provaram depois que os passos mais decisivos da IA aconteceram exatamente nesse terreno de fronteira.

✦ "Talvez eu possa fazer investigação mais parecida com ponte, uma ponte entre um domínio e outro."

Em Palo Alto, aprendeu a transformar psicologia em código

Em 1997, entrou num lugar lendário para estagiar: Xerox PARC (Palo Alto Research Center).

Este nome pode ser desconhecido para leitores taiwaneses, mas você usa todos os dias coisas inventadas lá. Rato, interface gráfica, impressora laser, Ethernet — tecnologias que fundaram a era do computador pessoal, muitas nasceram neste centro de pesquisa que a empresa de fotocopiadoras montou ao lado de Stanford. Jobs entrou lá, viu a interface gráfica, levou a ideia e fez o Macintosh. Quando Ed Chi chegou, o centro vivia a sua segunda idade de ouro.

O Alto, desenvolvido pelo Xerox PARC em 1973, é pioneiro do computador pessoal e da interface gráfica. Ed Chi esteve lá depois e aprendeu a transformar psicologia cognitiva em programa que roda.

O essencial não é que tecnologia brilhante ele fez, mas quem encontrou. "O meu chefe na altura chamava-se Stuart Card, aluno de Allen Newell." ⁵ Esta linha de mestrado sobe até um Nobel da Economia: Herbert Simon.

Simon propôs a "racionalidade limitada" (bounded rationality): ao decidir, o ser humano sofre limites cognitivos, de informação, de tempo, e nunca pode ser "totalmente racional". Cunhou também o termo "satisficing" (satisfazer-suficiente): o ser humano não procura a solução ótima, só uma que baste. Simon e Newell juntos trataram o cérebro como máquina de processamento de informação, e "resolver problemas" como buscar passo a passo num espaço de problemas. Card levou este pensamento para o PARC, e Ed Chi recebeu o bastão de Card.

📝 Nota do curador
A narrativa corrente da IA diz: as máquinas ficam mais espertas porque os chips são mais rápidos, os dados mais abundantes, os modelos maiores. Esta narrativa é cómoda, mas deixa de fora outra linha subterrânea. Simon já nos anos 50 perguntava "como o cérebro decide sob restrições"; Card em 1974 levou a psicologia para a pesquisa em computadores do PARC; Ed Chi nos anos 90 pegou o bastão, transformou a teoria do forrageamento óptimo em modelo de como as pessoas buscam informação na rede. Meio século a perseguir a mesma pergunta: como é que as pessoas pensam, afinal. Enquanto o mainstream corria para fazer a máquina calcular mais rápido, eles corriam para fazer a máquina pensar mais como gente. O Chain of Thought é o fruto desta linha subterrânea.

A pesquisa principal dele no PARC chamava-se "information foraging" (forrageamento de informação). O conceito: as pessoas a buscar informação na rede comportam-se como animais a forragear na natureza, seguem "cheiros", cheiro forte seguem, cheiro fraco desistem. Ele engenheirou este modelo biológico e psicológico num sistema que roda de verdade, para prever como as pessoas navegam entre sites. Esta foi a primeira batalha real da "ponte": de um lado psicologia cognitiva, do outro ciência da informação, ele no meio construiu a ponte.

Não são mais dados, é mais parecido com gente

Em 2011, saiu do PARC para o Google. Razão prática: "Só fazer pesquisa não chega, tem de fazer coisas aplicadas." O modelo do PARC — "pesquisa básica muito funda, mas que não vira produto" — ele viu com os próprios olhos.

No Google, começou com análise de dados de rede, 2015–2017 liderou a equipa que reconstruiu o sistema de recomendação por redes neurais do YouTube, 2017 virou chief scientist do Google Brain, liderando setenta pessoas, 2021 promovido a distinguished scientist, já com cento e vinte pessoas, depois vice-presidente de pesquisa do DeepMind ⁶. Por trás da fila de títulos, estica-se a mesma genealogia metodológica: forrageamento de informação é modelo de "como as pessoas encontram coisas", sistema de recomendação é modelo de "o que as pessoas querem ver", no Chain of Thought vira modelo de "como as pessoas raciocinam". Da cognição humana, um empurrão contínuo até à máquina.

A viragem do Chain of Thought nasceu de uma insatisfação dele com o mainstream do machine learning da época. "Por que é que é preciso tanta data para a máquina realmente aprender?" começou a pensar, "não se pode usar métodos da psicologia cognitiva para ensinar a máquina a aprender?" ⁷

Voltou então àquele conceito. "Esta idea na verdade vem de... anos 60, 70, uma idea chamada teoria dos esquemas. O significado básico é: se uma pessoa pode usar um molde (template) para resolver um problema, talvez nós também possamos usar este método para ensinar a máquina a aprender. Por isso o Chain of Thought na verdade começa desta idea." O entrevistador perguntou se era a teoria dos esquemas de Piaget, ele respondeu: "Sim, é a idea da teoria dos esquemas de Piaget. Aquilo na verdade eu aprendi no liceu, na universidade, porque ajudava a minha mãe a escrever a tese de doutorado dela de psicologia da educação, então mais tarde estas coisas todas se foram ligando." ⁸

A semente na secretária germinou.

A figura mais famosa do artigo Chain of Thought: à esquerda, pergunta-se do modo padrão, o modelo erra; à direita, apenas se acrescenta um trecho de processo de raciocínio nos exemplos (a parte a azul), e o modelo acerta. A diferença não está no poder de computação, está em ter ou não "escrito o pensamento passo a passo". Figura de Wei et al., 2022.

E custou quase nada. "Sabem quanto poder de computação usámos no total? Uns cinco mil dólares. Porque aquele problema não se resolvia com poder de computação, era outro modo de pensar. Quando fizemos aquela pesquisa, no início basicamente não havia verba, foi coisa que inventámos do nada." ¹

É isto que este artigo mais quer dizer: a chave para a IA aprender a raciocinar não é mais poder de computação, é ser mais parecida com gente; e esse "mais parecida com gente" cresceu numa tese de psicologia da educação que um miúdo de Tamsui ajudou a mãe a escrever.

Ele diz aos subordinados: não usem aquele método, tentem os esquemas

Aqui tem de se ser honesto.

O artigo Chain of Thought tem nove autores, Ed Chi é o sétimo. O primeiro autor é Jason Wei, o principal executor; o último, segundo a convenção académica o orientador sénior, é Denny Zhou, fundador da equipa de pesquisa de raciocínio do Google Brain. Dizer que o artigo "foi inventado por Ed Chi" não é exato; Denny Zhou é quem lidera esta direção de pesquisa, e Denny Zhou é investigador na equipa de Ed Chi, seu subordinado direto.

Qual é então o papel dele? Ouçamo-lo: "O Denny Zhou é um investigador da minha equipa, entrou na minha equipa e veio ter comigo a dizer que queria fazer pesquisa de raciocínio... ele usava originalmente métodos de neural symbolic mais tradicionais, eu disse-lhe que achava que neural symbolic não ia funcionar muito bem, que tal considerar outros métodos? E fomos discutindo devagar, descobrimos que talvez se pudesse usar o conceito de esquemas." ⁹

Este trecho desenha a sua contribuição real. Não é o executor principal do artigo, mas é quem no bifurcação decisiva disse "não vão por ali": vetou o neural symbolic, que na altura parecia o caminho natural, e empurrou a discussão para os esquemas. Mais importante, ele só pôde pensar em esquemas porque trazia trinta anos de perspetiva de ciência cognitiva para dentro da equipa. Dito de outro modo: ele é a pessoa que tornou possível que Denny Zhou pensasse em esquemas.

📝 Nota do curador
O defeito mais comum do "orgulho de Taiwan" é comprimir uma contribuição complexa numa frase "ele inventou X". Mas a realidade costuma ser mais interessante. O verdadeiramente insubstituível em Ed Chi é um arco longo de vinte anos: ele foi levando a psicologia cognitiva, passo a passo, para dentro da máquina, do forrageamento de informação, aos sistemas de recomendação, ao Chain of Thought. Artigos têm nove autores, têm ordem, têm disputa de crédito; mas "vinte anos a trazer continuamente a pergunta 'como as pessoas pensam' para o chão de fábrica da engenharia", na equipa inteira só ele fez. Para ver o valor dele, a régua tem de abrir para vinte anos, não parar na lista de autores.

Ele próprio usa um quadro mais profundo para explicar o que vem depois do Chain of Thought. Quando a IA não só resolve pelo molde, mas também "reflete" sobre o próprio raciocínio, volta atrás e corrige, ele diz: "Isto na psicologia cognitiva de Piaget, ou nas ciências da aprendizagem, chama-se assimilação e acomodação... a verdadeira aprendizagem da máquina parece ter realmente começado." ¹⁰ Resolver pelo molde é assimilação, voltar atrás e reescrever o molde é acomodação: ele trouxe intacto o par de conceitos que aprendeu ajudando a mãe a escrever a tese, para descrever a aprendizagem da máquina.

Ligou também o Chain of Thought ao quadro de outro psicólogo: "Chain of Thought mais fine-tuning, mais next-token prediction, parece ser o começo da máquina de raciocínio, o chamado pensamento Sistema 2 — o que Kahneman descreve." ¹¹ Sistema 1 é intuitivo, rápido, sem esforço (vê um microfone e sabe que é microfone); Sistema 2 é custoso, racional, precisa de raciocinar passo a passo (quando lhe perguntam "qual a definição de AGI" e o cérebro entra em marcha). Na visão dele, o deep learning passado já fez o Sistema 1 muito fundo, e o Chain of Thought é o ponto de partida para a máquina começar a fazer o Sistema 2.

A máquina que raciocina, e o padrão da avó

Quando é que a IA conta como "chegou lá"? A resposta de Ed Chi não está em nenhum indicador técnico, está na avó.

"O dia em que a tua avó ralhar com o robô lá de casa a dizer 'já te ensinei uma vez, como é que ainda não sabes', sabes que a AGI chegou... o nosso padrão de medida está na avó." ¹²

Esta frase é mais cortante do que parece. Os robôs aspiradores de hoje ainda se enrolam em fios, batem nos móveis, achamos parvo, mas não ficamos verdadeiramente zangados: porque no fundo achamos "máquina é mais burra que eu, normal ter de ensinar várias vezes". Mas quando um dia a avó ralhar com o robô como ralha com uma pessoa que não aprende, significa que ela já o trata como um objeto "ensinou uma vez, devia saber". O momento da AGI chegar, mais do que uma pontuação passar uma linha, parece uma mudança silenciosa na expectativa humana.

Isto liga-se à visão dele de AGI. Acha que a AGI precisa de duas coisas: uma, a IA não pode viver só no mundo virtual, tem de se integrar no ambiente de vida real das pessoas; duas, "ensino uma vez, daí em diante sabes" — saber generalizar, explorar sozinho, não precisar que alguém repita o ensino. O Project Astra que lidera agora faz exatamente a primeira coisa: um assistente universal que percebe o contexto onde você está.

Contou uma cena vivida por ele. Há cerca de um ano, levou o ainda confidencial Project Astra a Barcelona para uma reunião, no bar do terraço de um hotel, sacou o telemóvel, varreu o horizonte da cidade, perguntou "onde estou". Respondeu "parece que estás em Barcelona". Perguntou qual o bairro, acertou o nome. Perguntou se havia bons restaurantes por perto, "se tiver estrela Michelin melhor", também respondeu. "Perguntei 'podes reservar?' Respondeu 'agora ainda não, mas talvez no futuro'." Naquele momento percebeu que este assistente pessoal que fica realmente ao seu lado, entende a sua situação, na vida dele dá para fazer. ¹³

Ed Chi no Sakai Sidechat E350 fala de óculos inteligentes, padrão da avó para AGI e oportunidade de Taiwan. Na entrevista tira do bolso uns óculos protótipo com Project Astra, diz que "deve ser" o primeiro par em Taiwan.

Na entrevista, tirou do bolso uns óculos protótipo com Project Astra, disse que este "deve ser" o primeiro par em Taiwan. Falou onde Taiwan tem mais oportunidade. Hardware é uma fatia: "Taiwan em semicondutores, especialmente na parte de fabrico, tem uma posição muito difícil de abalar." Mas virou a agulha: "Se Taiwan conseguir integrar bem hardware e software, aproveitando a capacidade dos grandes modelos de linguagem, de facto é uma grande oportunidade." ¹⁴

Taiwan conhece o chip, não conhece este cérebro

Chegados aqui, não se escapa a uma pergunta: ele conta como taiwanês?

Os factos estão postos: saiu de Taiwan aos 15 anos, liceu, universidade, pós-graduação tudo nos EUA, carreira toda no Vale do Silício. É Taiwanese American, nascido em Taiwan, crescido e formado na América. Se alguém disser que "orgulho de Taiwan" é consumir alguém que emigrou cedo, a dúvida não é infundada.

Mas no outro prato da balança também há peso real. Ele dá entrevistas em chinês, diz por iniciativa própria "nasci em Tamsui, taiwanês de raiz", sem rodeios. Volta continuamente a Taiwan para palestras — Universidade Normal de Taiwan, Universidade Nacional Chung Hsing, Universidade Nacional Yang Ming Chiao Tung têm o rasto dele. Tem observações concretas sobre o envelhecimento e cuidados longos de Taiwan, a posição nos semicondutores, o ecossistema de startups de IA, até aponta que Taiwan já tem cerca de quinze mil utilizadores da ferramenta de previsão de estrutura proteica do DeepMind.

O que melhor ilustra a posição dele "tanto dentro como fora" é o que disse a investigadores taiwaneses: "Esta parte da pesquisa, na verdade volto a Taiwan há tantos anos, cada vez falo disto, mas não vejo investigadores de Taiwan... a fazer muito nesta área. Pesquisa que não precisa de muitos chips." ¹⁵

Nesta frase puxam-se duas identidades. Diz "volto a Taiwan", fala como quem se sente daqui; mas "cada vez falo e ninguém faz" traz uma distância de quem está fora — como alguém que esteve longe de casa muito tempo, volta e vê um canto da casa que ninguém arruma, fica ansioso, mas não tem como meter a mão. Se ele conta ou não como orgulho de Taiwan, este artigo não decide por você. Os factos estão todos aqui, julgue você.

📊 Ele em números

Fonte: entrevista VK EP122 de Ed Chi, Google Scholar, OpenAI o1 System Card (arXiv 2412.16720)

Mostrar o raciocínio, é mais transparente ou só mais bom de conversa

O Chain of Thought faz a IA "mostrar" o processo de raciocínio. À superfície, torna a máquina mais transparente — você vê como ela pensou. Mas aqui esconde-se uma preocupação que uma pessoa honesta deve pôr lado a lado.

⚠️ Ponto de controvérsia
O Chain of Thought põe o "processo de pensamento" da IA à sua frente, parece mais credível, mais digno de confiança. Mas a academia já levanta dúvidas: essa cadeia de raciocínio exibida não reflete necessariamente o processo interno real de decisão do modelo (chama-se problema da "fidelidade" da cadeia de raciocínio). Ou seja, pode ser que o modelo primeiro tire a conclusão, depois invente uma justificação bonita para você ver — ser mais bom de conversa não é ser mais honesto. Ao mesmo tempo, em março de 2026, um júri em Los Angeles num caso de dependência de redes sociais considerou o YouTube e outras plataformas responsáveis pela dependência de adolescentes, a Google foi condenada a cerca de 30% da responsabilidade. Ed Chi tornou-se fellow da ACM (Association for Computing Machinery) graças a feitos como o sistema de recomendação do YouTube, mas quase nunca falou publicamente dos danos que o algoritmo pode trazer. Uma pessoa que fez a máquina "raciocinar melhor", perante a questão "depois de a máquina ficar mais boa de conversa, a prestação de contas não fica mais difícil?", está em silêncio por enquanto. Apontar isto não é para linchar ninguém; é só para dizer que, quando nos orgulhamos de um taiwanês na linha da frente da IA, também devemos pôr estas questões no campo de visão.

Esta contradição não tem resposta limpa, mas também não devia ter. Uma tecnologia que torna a IA mais parecida com gente, amplifica ao mesmo tempo o melhor e o mais complicado das pessoas — gente raciocina, gente também inventa razões para justificar as próprias decisões. Ver as duas faces juntas é levar a coisa a sério.

E depois?

Ed Chi observa um ciclo de oito anos: 1991 internet, 1999 nasce Google, 2007 iPhone, 2015 deep learning amadurece, 2023 Gemini e ChatGPT. Neste ritmo, o próximo ponto de viragem cai por volta de 2031. Diz que nessa altura "ninguém vai achar espantoso você usar modelo grande para fazer coisas" — como hoje ninguém acha espantoso você usar telemóvel.

A aposta dele agora é tirar a IA do ecrã, pô-la no mundo real: Project Astra que percebe o seu contexto, robôs que põem a mão na massa para fazer tarefas domésticas. O que ele conta com mais emoção é o cuidado de longa duração de Taiwan. "Será que vai haver mesmo robôs mais acessíveis, que ajudem nas tarefas de casa?" — lavar roupa, cozinhar, virar doentes, dar remédios à hora. Quando uma sociedade falta mão de obra, faltam cuidadores, hospitais não têm camisas, estas coisas que soam a ficção científica são na verdade esperanças muito concretas.

Vídeo de visão do Project Astra lançado oficialmente pelo Google, esta é a direção que Ed Chi lidera agora: um assistente universal que convive no mesmo ambiente que você, entende o seu contexto.

Voltemos àquela secretária.

Uma criança de Tamsui, aos 15 anos foi com a mãe para Minnesota, enquanto ajudava a mãe a escrever a tese de doutorado de psicologia da educação, aprendeu "como as pessoas aprendem". Trinta anos depois, pegou este conceito sobre pessoas e transformou-o em método para ensinar máquinas a pensar. Quando um dia a sua avó disser ao robô lá de casa "já te ensinei uma vez, como é que ainda não sabes" — que o robô saiba raciocinar passo a passo, refletir, generalizar, por trás puxa um fio comprido. Uma ponta do fio está no laboratório do Vale do Silício, a outra, em Tamsui.

Fontes das imagens

• Foto de Ed Chi em palestra (hero): GQ Taiwan "Entrevista GQ" Ed Chi — fair use comentário editorial
• Junyu-K / Wikimedia Commons — CC BY-SA 4.0 (pôr do sol no passadiço de Youchekou, Tamsui)
• SavagePanda845 (Elliot F) / Wikimedia Commons — CC BY-SA 4.0 (campus da Universidade de Minnesota)
• The wub / Wikimedia Commons — CC BY-SA 4.0 (computador Xerox Alto)
• Figure 1 do artigo Chain of Thought: Wei et al. 2022, arXiv:2201.11903 — fair use académico

Leitura complementar

• Jensen Huang — o orgulho de Taiwan que faz a IA correr mais rápido, o lado do hardware
• Morris Chang — fundador dos semicondutores de Taiwan, a "montanha de posição inabalável" na boca de Ed Chi
• Indústria de IA — a posição de Taiwan na cadeia de abastecimento global de IA
• Desenvolvimento e estratégia futura de IA em Taiwan — panorama geral da IA em Taiwan
• IA no quotidiano de Taiwan — como a IA já entrou na vida dos taiwaneses

Referências