DeepMind v roce 2026 přišel o pět špičkových výzkumníků. Trh na to zareagoval ztrátou 270 miliard dolarů

V červnu 2026 zažil Google DeepMind jeden z nejkoncentrovanějších úniků talentů v historii umělé inteligence. Během jediného týdne oznámilo odchod nejméně pět seniorních výzkumníků – zamířili do Mete, OpenAI a Anthropicu. Odchod dvou z nich srazil tržní kapitalizaci Alphabetu zhruba o 270 miliard dolarů a vyvolal zásadní otázky o schopnosti Googlu udržet si mozky, které postavily jeho nejdůležitější systémy AI .

Tento článek přináší fakticky ověřený přehled – kdo odešel, kam zamířil a co bylo spouštěčem. A poté se podrobně věnuje třem technikám promptování, které vyvinul odcházející „král uvažování“ Denny Zhou.

Potvrzené odchody: Pět výzkumníků, tři konkurenti

Z původně uváděných šesti jmen se podařilo potvrdit odchod pěti výzkumníků. Šestá – Dawn Song – se v žádných zprávách o červnové vlně odchodů neobjevuje. Její specializací je bezpečnost a AI (University of California, Berkeley) a nebyl nalezen žádný důkaz, že by v DeepMind působila nebo v tomto období odcházela .

Noam Shazeer → OpenAI (18. června 2026)

Shazeer je spoluautor architektury Transformer a spoluvedoucí modelů Gemini. Jde o jednoho z nejvlivnějších výzkumníků AI své dekády. Jeho odchod údajně vyvolalo interní přerozdělení výpočetních zdrojů – Google přesměroval výkon jeho týmu do londýnského pretraining týmu DeepMind, čímž byl odložen jeho projekt varianty Transformeru . O to překvapivější to bylo, že Google Shazeera přivedl zpět teprve v roce 2024 díky akvizici jeho startupu Character.AI za 2,7 miliardy dolarů .

John Jumper → Anthropic (19. června 2026)

Jumper, držitel Nobelovy ceny za chemii z roku 2024 za spolupráci na AlphaFoldu, oznámil na síti X, že odchází po „téměř 9 letech“ . Poslední období v Googlu se věnoval nástrojům pro kódování, nikoliv vědecké práci, která mu vynesla Nobelovu cenu . Jeho odchod společně se Shazeerem smazal během jediné obchodní seance z tržní kapitalizace Alphabetu zhruba 270 miliard dolarů .

Jonas Adler → Anthropic (oznámeno cca 24. června 2026)

Adler byl interně považován za klíčového přispěvatele k modelům Gemini a úsilí Googlu v oblasti kódování. Zdroje uvádějí jeho touhu pracovat v agilnějším startupu .

Alexander Pritzel → Anthropic (oznámeno cca 24. června 2026)

Pritzel pracoval na pretrainingu Gemini a na AlphaFoldu. Jeho odchod je uváděn společně s Adlerem, se stejným kontextem – hledání rychlejšího tempa .

Denny Zhou → Meta (oznámeno 26. června 2026)

Zhou, přezdívaný „král uvažování“ a zakladatel výzkumné skupiny pro uvažování v Google Brain, odešel v tichosti. Neobjevil se žádný veřejný rozlučkový příspěvek – jeho přechod k Metě odhalila HTX poté, co si na LinkedInu změnil profil na „Research Scientist at MSL“ . Zhou ani Meta odchod nekomentovali.

Širší kontext: Co stálo za exodem?

Více zdrojů popisuje širší odliv talentů z DeepMind v průběhu roku 2026, který byl tažen třemi faktory :

• Agresivní přetahování dobře financovanými rivaly Anthropic a OpenAI, kteří se připravovali na vstup na trh.
• Interní frustrace z přidělování výpočetních zdrojů – pocit, že byrokracie Googlu zpomaluje rychlost výzkumu ve srovnání se startupy .
• Vnímání byrokracie – výzkumníci měli pocit, že v menších, více zaměřených laboratořích mohou dosáhnout výsledků rychleji.

Tři techniky uvažování od Dennyho Zhoua

Denny Zhou a jeho spolupracovníci vyvinuli tři zásadní techniky promptování, které se staly ústředními pro to, jak velké jazykové modely uvažují. Tvoří progresivní „stack“, kde každá technika staví na té předchozí.

1. Řetězec myšlenek (Chain-of-Thought, CoT)

Co dělá: Namísto toho, aby model dostal přímý vstup a měl vydat výstup (vstup → výstup), CoT model vybídne, aby před konečnou odpovědí vygeneroval sekvenci mezilehlých kroků přirozeného jazyka (vstup → kroky uvažování → výstup).

Hlavní přínos: Výrazně zlepšuje výkon v úlohách vyžadujících aritmetiku, selský rozum a symbolické uvažování. Umožňuje také interpretovatelnost – lze číst „proces myšlení“ modelu. V kombinaci s velkými modely, jako je PaLM-540B, dosáhl CoT špičkových výsledků s pouhými 0,1 % anotovaných příkladů .

2. Vlastní konzistence (Self-Consistency)

Co dělá: Dekódovací strategie, která vylepšuje CoT. Místo jediného řetězce uvažování model generuje několik nezávislých CoT cest (pomocí vzorkování s vyšší teplotou) a poté vybírá nejkonzistentnější odpověď napříč všemi cestami na základě většinového hlasování .

Hlavní přínos: Zmírňuje rozptyl jediného řetězce uvažování. Jedna CoT cesta může být chybná kvůli jednomu chybnému kroku; vlastní konzistence průměruje přes různorodost a je výrazně robustnější v úlohách matematiky a uvažování . Denny Zhou zdůrazňuje, že vlastní konzistenci nelze povrchně interpretovat jako pouhé většinové hlasování – je to empirická implementace marginalizace .

3. Postup od nejjednoduššího k nejsložitějšímu (Least-to-Most Prompting)

Co dělá: Dvoufázová strategie promptování navržená pro problémy, které jsou náročnější než příklady uvedené v promptu. Nejprve model rozloží původní těžký problém na seznam jednodušších podproblémů. Poté postupně řeší tyto podproblémy, přičemž odpověď na každý dřívější podproblém slouží jako kontext pro ten následující .

Hlavní přínos: Umožňuje zobecnění od jednoduchého k náročnému – model může řešit problémy, které jsou přísně náročnější než kterýkoli příklad, který mu byl ukázán. Bylo to prokázáno u symbolické manipulace, benchmarků kompozičního zobecnění (jako SCAN a CFQ) a úloh matematického uvažování . Zhou tuto techniku popisuje jako „Plánování + Uvažování“ .

Shrnutí

Potvrzeno je pět z původně uváděných šesti odchodů z DeepMind do Mete, OpenAI nebo Anthropicu v červnu 2026. Hnacím motorem bylo přetahování konkurencí, spory o přidělování výpočetních zdrojů a touha po svižnějším prostředí. Odchod Dawn Song nebylo možné ověřit a do této vlny nepatří. Zhouovy tři techniky promptování – řetězec myšlenek, vlastní konzistence a postup od nejjednoduššího k nejsložitějšímu – tvoří progresivní stack: CoT přidává kroky uvažování, vlastní konzistence přidává hlasování napříč více cestami a postup od nejjednoduššího k nejsložitějšímu přidává rozklad problémů a sekvenční řešení pro ty nejtěžší.