Чи Хуайьсинь: тайванец, научивший ИИ «думать шаг за шагом», перенёс когнитивную психологию в машины

Пока весь мир гонялся за ИИ, вкладывая сотни миллионов долларов в вычислительные мощности, одна статья изменила подход к машинному рассуждению, стоив всего около пяти тысяч долларов.

Эту статью назвали «Цепочка мыслей» (Chain of Thought). Её идея звучала настолько просто, что не походила на прорыв: в примерах для ИИ добавили несколько строк с «процессом решения», заставляя модель сначала вывести промежуточные шаги, а потом давать ответ — как если бы вы заставили ученика сначала написать черновик, а не сразу выдавать结论. Среди девяти соавторов был таиванец, родившийся в Даньшуе, по имени Цзи Хуайсинь.

Позже он объяснял те пять тысяч долларов так: «Эта проблема не решалась вычислительными мощностями — это был иной режим мышления».¹

За 30 секунд: Цзи Хуайсинь (Ed H. Chi) — вице-президент по исследованиям Google DeepMind, один из соавторов статьи «Цепочка мыслей», научившей ИИ «рассуждать шаг за шагом». Каждый раз, когда вы просите ChatGPT или Gemini «подумать пошагово», и они отвечают лучше — за этой идеей замышления машины шаг за шагом стоит нить, идущая из Тайваня. Примерно в 15 лет он эмигрировал в США вместе с мамой, обучавшейся в докторантуре, и, помогая ей писать диссертацию по педагогической психологии, усвоил концепцию о том, «как люди учатся». Тридцать лет спустя он перенёс эту концепцию в машины. Тайвань знает своих «светов тайваньской промышленности чипов», но почти не знает человека, сформировавшего «то, как ИИ думает».

Докторская диссертация мамы

История начинается не с Google, а с письменного стола.

Цзи Хуайсинь вырос в Даньшуе. «Я — тайванец со рождения, родился в Даньшуе, а потом примерно в 15 лет переехал с родителями в США учиться, потому что моя мама пошла в аспирантуру»². В этих словах скрывается не совсем обычная картина: в то время большинство тайванских детей, уезжавших за границу, сами были «малыми зарубежными студентами», а он переехал на Запад всей семьёй ради того, чтобы мама могла защитить диссертацию. Тайванская семья, переехавшая в США целиком из-за учёбы матери, в те годы была редкостью.

Даньшуй, где Цзи Хуайсинь родился и вырос. Более тридцати лет спустя то, что он унёс отсюда, станет методом обучения машин мышлению.

Мама писала докторскую диссертацию по педагогической психологии. В годы старшей школы и университета он помогал маме с диссертацией. Ещё школьник/студент, он помогал матери систематизировать академическую работу, исследующую вопрос «как люди учатся», и именно в этом процессе он впервые столкнулся с теорией схем (schema theory) швейцарского психолога Пьяже.

Теория схем гласит: в человеческом мозге существуют организованные структуры знаний, называемые «схемами», и мы используем их для понимания мира. Когда мы учимся чему-то новому, мы либо вписываем новую информацию в существующие схемы (это называется ассимиляцией), либо старые схемы не вмещают новое и их приходится перестраивать или создавать новые (это называется аккомодацией). Звучит абстрактно, но эта теория отвечает на фундаментальный вопрос: как человек превращается из «не умеющего» в «умеющего».

Концепции за тем письменным столом тридцать лет спустя превратятся в метод обучения машин рассуждению. Но прежде ему предстояло пройти долгий путь, да ещё и по тропе, по которой мало кто ходил.

Цзи Хуайсинь в VK Технологическое время чтения EP122 сам рассказывает об происхождении цепочки мышлений (Chain-of-Thought), от помощи маме с докторской по педагогической психологии и изучения теории схем Пьяже до того, как превратить это в метод обучения ИИ рассуждению. Это интервью — душа данной статьи.

Из Даньшуй в Миннесоту, следуя за разрешением на поступление в аспирантуру

Приехав в Миннесоту, он прошёл путь от старшей школы до аспирантуры в одном и том же учебном заведении — Университете Миннесоты: за шесть с половиной лет получил три степени³. Поступив, он сразу был награждён высшей степенью отличия (Summa Cum Laude). Тема его докторской диссертации — визуализация информации: «A Framework for Information Visualization Spreadsheets». Научный руководитель Джон Т. Ридл — пионер рекомендательных систем.

В 15 лет он переехал в Миннесоту вместе с матерью, а позже за шесть с половиной лет в Университете Миннесоты получил три степени. Научный руководитель Джон Т. Ридл — пионер исследований рекомендательных систем: эта нить позже свяжется с его работой в Google.

Но важнее степей — то, как он определил себя.

В интервью он честно признался: «По-английски это звучит так: I'm a generalist… тот самый исследователь типа jack of all trades, master of none. Но когда я осознал, что моя математика не лучше, чем у других, я подумал, что, возможно, могу заниматься чем-то вроде связующего (bridging) исследования — мостом между одной областью и другой»⁴.

В академической среде это выбор имеет свою цену. Он сам говорил: когда ты делаешь связующие исследования, «ты не совсем свой в области А, и не настоящий исследователь в области Б». Человек, знающий только одну сторону, получает от мира чёткое место; а тот, кто стоит посередине между двумя, часто оказывается никому не нужен. Но именно на этом промежуточном пространстве он и поставил. Позже оказалось, что самые ключевые шаги в ИИ произошли именно в таком пространстве.

✦ «Возможно, я могу заниматься чем-то вроде связующего исследования — мостом между одной областью и другой».

В Пало-Альто он научился превращать психологию в программу

1997 год, он попал на стажировку в легендарное место: исследовательский центр Xerox PARC в Пало-Альто.

Для читателей из Тайваня это название может быть незнакомым, но каждый день вы пользуетесь тем, что изобрели там. Мышь, графический пользовательский интерфейс, лазерный принтер, Ethernet — эти технологии, заложившие основы эры персональных компьютеров, во многом родились именно в этом исследовательском центре компании-производителя ксероксов, расположенном рядом со Стэнфордским университетом. В своё время Джобс заглянул туда, увидел графический интерфейс, унёс идею и сделал из неё будущий Macintosh. Цзи Хуайсинь попал туда как раз во время его второго золотого века.

Компьютер Alto, разработанный исследовательским центром Xerox PARC в 1973 году, стал предтечей персонального компьютера и графического интерфейса. Позже Цзи Хуайсинь именно здесь научился превращать когнитивную психологию в работающую программу.

Ключевое было не в том, какие крутые технологии он создал, а в том, кого он встретил. «Мой тогдашний начальник звали Стюарт Кард, он был студентом Аллена Ньюэлла».⁵ Эта линия наставничества ведёт вверх к лауреату Нобелевской премии по экономике: Герберту Саймону.

Саймон ввёл понятие «ограниченной рациональности» (bounded rationality): когда человек принимает решения, он ограничен когнитивными способностями, информацией и временем, поэтому «полная рациональность» принципиально недостижима. Он также придумал термин «достаточно хорошее решение» (satisficing): человек не ищет оптимальное решение, а ищет такое, которое «пройдёт». Саймон и Ньюэлл вместе рассматривали человеческий мозг как информационно-обрабатывающую машину, считая, что «решение проблемы» — это пошаговый поиск ответа в пространстве проблемы. Кард принёс этот подход в PARC, а Цзи Хуайсинь принял эстафету у Карда.

📝 Примечание куратора
Принятый нарратив об ИИ звучит так: машины становятся всё умнее, потому что чипы всё быстрее, данных всё больше, модели всё больше. Этот рассказ удобен, но он упускает другую, скрытую линию. Уже в 1950-х Саймон спрашивал: «Как мозг принимает решения под ограничениями»; в 1974 году Кард привёз психологию в компьютерные исследования PARC; в 1990-х Цзи Хуайсинь подхватил эстафету, превратив теорию фуражирования в модель того, как люди ищут информацию в сети. Полвека группа людей задавалась одним и тем же вопросом: как именно думает человек. Пока мейнстрим был занят тем, чтобы заставить машины считать быстрее, они были заняты тем, чтобы заставить машины думать более похоже на человека. Цепочка рассуждений (Chain-of-Thought) — это плод именно этой скрытой линии.

Его основное исследование в PARC называлось «информационное фуражирование» (information foraging). Концепция такова: поиск информации человеком в сети похож на поиск пищи животным в дикой природе — они следуют за «запахом», запах сильный — идут дальше, слабый — бросают. Он инженеризировал эту биологическую и психологическую модель фуражирования в настоящую работающую систему, предсказывающую, как люди навигируют между сайтами. Это был первый реальный бой «моста»: с одной стороны — когнитивная психология, с другой — информационная наука, а он в середине построил мост.

Не больше данных, а больше похоже на человека

В 2011 году он ушёл из Пало-Альто в Google. Причина была вполне прагматичной: «Нельзя только заниматься исследованиями, нужно делать прикладные вещи». Он своими глазами видел тот режим PARC Зерокса, когда «базовые исследования делаются очень глубоко, но не превращаются в продукт».

В Google он сначала занимался анализом сетевых данных, в 2015–2017 годах возглавлял команду, перестроившую нейронную рекомендательную систему YouTube, в 2017 году стал главным учёным Google Brain, руководив командой из семидесяти человек, в 2021 году получил звание выдающегося учёного (Distinguished Scientist), расширив команду до ста двадцати человек, а позже стал вице-президентом по исследованиям в DeepMind⁶.

За этой чередой званий на самом деле стоит одна и та же методологическая нить: теория информационного поиска (information foraging) — это модель «как люди ищут вещи», рекомендательные системы — модель «что люди хотят посмотреть», а когда дело дошло до цепочки рассуждений (chain-of-thought), это стала модель «как люди рассуждают». От человеческого познания — к машине.

Поворот к цепочке рассуждений произошёл из-за его недовольства тогдашним мейнстримом машинного обучения. «Зачем нужно столько данных, чтобы машина могла действительно научиться?» — он начал думать: «Нельзя ли использовать методы когнитивной психологии, чтобы учить машину учиться?»⁷

Тогда он вернулся к той концепции. «Эта идея на самом деле исходит из… 60-х, 70-х годов — это так называемая теория схем (schema theory). Её смысл в том, что если человек может решить проблему, используя шаблон (template), то, возможно, мы тоже можем использовать этот метод, чтобы учить машину учиться. Поэтому цепочка рассуждений на самом деле начинается именно с этой идеи». Ведущий интервью уточнил, речь ли о схемах Пиаже, и он ответил: «Да, именно идея схем Пиаже. Это то, чему я научился в старших классах школы и в университете, помогая маме писать её диссертацию по педагогической психологии, так что со временем все эти вещи связались вместе»⁸.

Семя на письменном столе прорастало.

Самая известная иллюстрация из статьи о цепочке рассуждений: слева задают вопрос обычным способом, модель ошибается; справа в примере просто добавляют фрагмент рассуждения (тот, что на синем фоне), и модель отвечает правильно. Разница не в вычислительной мощности, а в том, есть ли «пошаговая запись мыслей». Иллюстрация из Wei et al., 2022.

При этом это почти ничего не стоило. «Знаете, сколько всего вычислительных ресурсов мы использовали? Примерно на пять тысяч долларов. Потому что эта проблема не решается вычислительной мощностью, это иной режим мышления. Когда мы делали то исследование, по сути, не было никакого финансирования — мы просто придумали это из ничего»¹.

Вот что эта статья хочет сказать главное: ключ к тому, чтобы ИИ научился рассуждать, — не в большей вычислительной мощности, а в большей похожести на человека: а эта «похожесть на человека» выросла в диссертации по педагогической психологии, которую ребёнок из Даньшуй помогал писать маме.

Он сказал подчинённому: «Не используй этот метод, попробуй базовую модель»

Здесь нужно быть честным.

У статьи о цепочке рассуждений (Chain of Thought) девять авторов, Цзи Хуайсинь стоит седьмым. Первый автор — Джейсон Вэй (Jason Wei), основной исполнитель; последний автор — по академической традиции старший руководитель — Денни Чжоу (Denny Zhou), основатель команды исследований рассуждений в Google Brain. Говорить, что эту статью «изобрёл Цзи Хуайсинь», — неточно; именно Денни Чжоу ведёт это исследовательское направление, а Денни Чжоу — исследователь в команде Цзи Хуайсиня, его прямой подчинённый.

Тогда в чём его роль? Послушаем его самого: «Денни Чжоу — исследователь в моей команде, после того как он к нам присоединился, он пришёл и сказал, что хочет заниматься исследованиями рассуждений… Изначально он использовал довольно традиционный нейросимволический (neural symbolic) метод, а я сказал ему, что мне кажется, нейросимволический подход вряд ли сработает, не стоит ли рассмотреть другие методы? И тогда мы постепенно обсудили и поняли, что, возможно, можно использовать концепцию базовой модели».⁹

Этот фрагмент показывает его истинный вклад. Он не был основным исполнителем статьи, но он был тем, кто на критическом развилке сказал: «Не иди по той дороге»: он отверг нейросимволическое направление, которое тогда казалось само собой разумеющимся, и направил обсуждение к базовым моделям. Что ещё важнее, он смог прийти к идее базовых моделей, потому что пришёл в эту команду с тридцатилетним когнитивно-научным бэкграундом. Иными словами, он — тот человек, благодаря которому Денни Чжоу «смог прийти к идее базовых моделей».

📝 Примечание куратора
Самая частая ошибка нарратива «Свет Тайваня» — сжать сложный вклад в одну фразу «он изобрёл X». Но реальность часто интереснее. Настоящая незаменимость Цзи Хуайсиня — в двадцатилетней длинной дуге: он понемногу переносил когнитивную психологию в машины, от информационного поиска (information foraging) — к рекомендательным системам, а затем — к цепочке рассуждений. У статей бывают девять авторов, рейтинги, споры о приоритете; но «двадцать лет подряд приносить вопрос "как думает человек" на инженерную площадку» — в целой команде это умеет только он. Увидеть его ценность можно только в масштабе двадцати лет, а не в одном списке авторов.

Он сам объяснил дальнейшее развитие цепочки рассуждений более глубоким фреймворком. Когда ИИ не просто решает задачи по шаблону, но и «рефлексирует» над своим рассуждением, возвращается и исправляет его, он говорит: «В когнитивной теории Пьезе (Piaget), или, если угодно, в науке об обучении, это называют ассимиляцией и аккомодацией… Похоже, что у машин этот настоящий обучение действительно началось».¹⁰ Решать по шаблону — это ассимиляция, возвращаться и переписывать шаблон — аккомодация: он взял ту пару понятий, которую узнал годами, помогая маме писать диссертацию, и перенёс её без изменений для описания машинного обучения.

Он также связал цепочку рассуждений с фреймворком другого психолога: «Цепочка рассуждений плюс дообучение (fine-tuning), плюс предсказание следующего токена — похоже, это начало машины рассуждений, то есть так называемого мышления Системы два — именно то, о чём говорит Канеман (Kahneman)».¹¹ Система один — интуитивное, быстрое, не требующее усилий мышление (увидел микрофон — сразу знаешь, что это микрофон); система два — затратное, рациональное, требующее пошагового вывода мышление (то, что включается, когда тебя спрашивают: «Как определить AGI?»). По его мнению, прошлое глубокое обучение уже очень глубоко проработало систему один, а цепочка рассуждений — это отправная точка, где машины начинают делать систему два.

Машины, умеющие рассуждать, и стандарт бабушки

Когда же ИИ по-настоящему «придёт»? Ответ Цзи Хуайсиня не в каких-либо технических показателях, а в бабушке.

«Того дня, когда твоя бабушка будет ругать твоего домашнего робота: "Я уже учила тебя раз, как же ты всё ещё не умеешь", — ты узнаешь, что AGI пришёл… Наш критерий измерения растёт на бабушке.»¹²

Эта фраза острее, чем кажется на первый взгляд. Современные роботы-пылесосы всё ещё путаются в проводах, наезжают на мебель, мы считаем их глупыми, но не злимся на них по-настоящему: потому что в глубине души мы уверены — «машина и так глупее меня, нормально, что её надо учить несколько раз». Но когда-нибудь бабушка начнёт ругать робота так, будто это человек, который не может выучить урок, — это значит, что в её голове он уже стал объектом, «которому достаточно показать раз, чтобы он запомнил». Момент прихода AGI — это не столько какой-то бенчмарк, преодолённый по баллам, сколько тихая смена человеческих ожиданий.

Это также связано с его взглядом на общий искусственный интеллект. Он считает, что для реализации AGI нужно два условия: во-первых, ИИ не может жить только в виртуальном мире, он должен влиться в реальную жизненную среду человека; во-вторых, «научил раз — и ты навсегда умеешь» — способность делать выводы по аналогии, исследовать самостоятельно, а не требовать повторного обучения. Его текущий Project Astra занимается именно первым: это универсальный помощник, способный воспринимать контекст, в котором ты находишься.

Он рассказывал о личном случае. Примерно год назад он привёз ещё находящийся под NDA Project Astra на конференцию в Барселону, в бар на крыше отеля, направил камеру телефона на небосклён города и спросил: «Где я нахожусь?». Ответ: «Похоже, ты в Барселоне». Он уточнил, в каком районе — система назвала правильное название. Снова спросил, есть ли рядом хорошие рестораны, «лучше с мишленовскими звёздами» — тоже получила ответ. «Я сказал: "Можешь забронировать столик?" Оно ответило: "Пока нет, но, может быть, в будущем смогу".» В тот момент он осознал: такой настоящий личный помощник, который всегда рядом и понимает твою ситуацию, может появиться при жизни.¹³

Цзи Хуайсинь в Sidechat E350 беседует об умных очках, «стандарте бабушки» для AGI и возможностях Тайваня. Во время интервью он достал прототип очков с Project Astra, сказав, что это, вероятно, первый такой экземпляр на Тайване.

На месте интервью он вытащил из кармана прототип умных очков с Project Astra, назвав их «должными быть» первыми на Тайване. Он рассказал, где у Тайваня главные шансы. Железо — одна из частей: «Позиция Тайваня в полупроводниках, особенно в производственной части, крайне трудно подорвать». Но затем он сменил тон: «Если Тайваню удастся хорошо интегрировать железо с софтом, используя возможности больших языковых моделей, это безусловно станет большой возможностью.»¹⁴

Тайвань узнаёт чипы, но не узнаёт этот мозг

Говория до этого места, нельзя обойти один вопрос: считается ли он тайваньцем?

Факты лежат на поверхности: он уехал из Тайваня примерно в 15 лет, старшую школу, университет и аспирантуру он прошёл полностью в США, вся профессиональная карьера — в Кремниевой долине. Он — тайваньский американец (Taiwanese American), человек, родившийся на Тайване, выросший и ставший кем-то в США. Если кто-то говорит, что ярлык «свет Тайваня» (台灣之光) используется для потребления человека, давно эмигрировавшего, — это сомнение небезосновательно.

Но на другой чаше весов тоже есть весомые аргументы. Он даёт интервью на китайском, добровольно говорит: «Родился в Даньшуй, настоящий тайванец» (淡水出生、台灣土生土長), ничуть не уворачиваясь. Он продолжает возвращаться на Тайвань для лекций — в Шьда (師大), Чуньсин (中興) и Янминь Цзяода (陽明交大) остались следы его присутствия. У него есть конкретные наблюдения по поводу кризи долгосрочного ухода (長照) на Тайване, статуса полупроводниковой отрасли и экосистемы AI-стартапов, он даже называет цифру: на Тайване уже около 15 тысяч пользователей используют инструмент DeepMind для предсказания структуры белков.

Лучше всего иллюстрирует его позицию «и внутри, и снаружи» фраза, которую он сказал тайваньским исследователям: «В этой части исследований я фактически возвращаюсь на Тайвань уже много лет, каждый раз об этом говорю, но не видел, чтобы тайваньские исследователи…… в этом направлении делали бы много. Исследования, для которых не нужно много чипов.»¹⁵

В этих словах тянутся две идентичности. Он говорит «возвращаюсь на Тайвань» — это человек, считающий себя принадлежащим сюда; но «каждый раз говорю, а никто не делает» снова несет дистанцию стороннего — как человек, долго ушедший из дома, вернувшийся и увидевший, что в каком-то углу дома никто не наводит порядок, тревожится, но не может применить усилия. Является ли он «светом Тайваня» — эта статья не ставит за вас точку. Факты все здесь, решайте сами.

📊 Он в цифрах

Источник: интервью Цзи Хуайсинь в VK EP122, Google Scholar, OpenAI o1 System Card (arXiv 2412.16720)

Демонстрация рассуждений: большая ли это прозрачность или просто умение лучше оправдываться

Цепочка рассуждений (Chain of Thought) заставляет ИИ «показывать» процесс рассуждений. На поверхности это делает машину более прозрачной — вы видите, как она думает. Но здесь скрывается опасность, которую честный человек должен рассматривать параллельно.

⚠️ Спорная точка зрения
Цепочка рассуждений раскладывает перед вами «процесс мышления» ИИ, и это выглядит более убедительно, более достойным доверия. Однако академическое сообщество уже выразило сомнения: продемонстрированная моделью цепочка рассуждений не обязательно действительно отражает её внутренний процесс принятия решений (в исследованиях это называется проблемой «верности» цепочки рассуждений). Другими словами, она может сначала прийти к ответу, а потом подобрать красивую речь для вас — умение лучше оправдываться не означает большую честность. В то же время, в марте 2026 года присяжные в Лос-Анджелесе (США) в деле о зависимости от социальных медиа признали YouTube и другие платформы ответственными за подростковую зависимость, Google был обвинён примерно в 30% ответственности. Цзи Хуайсинь именно благодаря достижениям в системе рекомендаций YouTube и прочим получил звание феллоу Американской ассоциации вычислительной техники (АСМ), но почти никогда не говорил публично о возможном вреде алгоритмов. Человек, сумевший сделать так, чтобы машины «умели лучше рассуждать», по вопросу «не станет ли привлечение к ответственности ещё сложнее, когда машины научатся лучше оправдываться», пока сохраняет молчание. Указание на это не преследует цель кого-то критиковать в стиле «битвы за чистоту»; просто хочется сказать: когда мы гордимся тем, что таиванец стоит на передовой ИИ, эти вопросы тоже должны попасть в поле зрения.

У этого противоречия нет чистого ответа, но его и не должно быть. Технология, делающая ИИ более похожим на человека, одновременно усиливает лучшие и самые проблемные человеческие черты — люди рассуждают, но люди также придумывают причины для своих решений. Увидеть обе эти стороны вместе — значит относиться к этому делу серьезно.

Цзи Хуайсинь заметил восьмилетний цикл: 1991 год — интернет, 1999 год — рождение Google, 2007 год — iPhone, 2015 год — зрелость глубокого обучения, 2023 год — Gemini и ChatGPT. По этому ритму следующий переломный момент придётся на 2031 год. Он говорит, что к тому времени «никто не удивится, что вы используете большие модели для работы» — так же как сегодня никто не удивляется, что вы пользуетесь телефоном.

Направление, на которое он сейчас делает ставку — вывести ИИ за пределы экрана в реальный мир: Project Astra, способный воспринимать вашу ситуацию, роботы, способные делать домашнюю работу. То, о чём он говорит наиболее трогательно — это долгосрочный уход на Тайване. «Неужели действительно появятся более доступные роботы, которые смогут помогать с домашними делами?» — стирка, готовка, перекладывание больных, своевременная выдача лекарств. Когда в обществе нехватка рабочих рук, дефицит уходового персонала, в больницах нет свободных коек, эти звучащие как фантастика вещи на самом деле являются вполне реальной надеждой.

Официальное видение Google Project Astra, это направление, за которым сейчас отвечает Цзи Хуайсинь: универсальный помощник, способный находиться с вами в одной среде и понимать вашу ситуацию.

Вернёмся к тому столу.

Ребёнок из Даньшуй, лет в 15 переехав с мамой в Миннесота, помогая маме писать докторскую диссертацию по педагогической психологии, узнал «как люди учатся». Тридцать лет позже он превратил эту концепцию о человеке в метод обучения машин думать. Когда однажды ваша бабушка скажет домашнему роботу: «Я уже учила тебя раз, почему ты до сих пор не умеешь?» — то, что этот робот умеет рассуждать пошагово, рефлексировать, делать выводы по аналогии, за этим тянется длинная нить. Один конец этой нити — в лаборатории Кремниевой долины, другой — в Даньшуй.

Источники изображений

• Фото Цзи Хуайсиня (hero): GQ Taiwan《GQ 專訪》紀懷新 — fair use editorial commentary
• Junyu-K / Wikimedia Commons — CC BY-SA 4.0 (закат на деревянной тропе Даньшуй Ючекоу)
• SavagePanda845 (Elliot F) / Wikimedia Commons — CC BY-SA 4.0 (кампус Миннесотского университета)
• The wub / Wikimedia Commons — CC BY-SA 4.0 (компьютер Xerox Alto)
• Рисунок 1 из статьи «Chain-of-Thought»: Wei et al. 2022, arXiv:2201.11903 — fair use academic

Дополнительное чтение

• Хуан Жэньсюнь — Тайвань, ускоряющая ИИ: аппаратная сторона
• Чжан Чунмао — Основоположник тайваньской полупроводниковой индустрии, та «гора, чья позиция трудно erschüttern», по словам Цзи Хуайсиня
• Промышленность искусственного интеллекта — Место Тайваня в глобальной цепочке поставок ИИ
• Развитие искусственного интеллекта в Тайване и будущая стратегия — Общая картина ИИ в Тайване
• ИИ в повседневной жизни Тайваня — Как ИИ уже вошёл в жизнь тайваньцев

Ссылки