DeepMinds 2026-Talentexodus: Wer ging, wohin und die drei Reasoning-Techniken, die sie entwickelten

John Jumper → Anthropic (19. Juni 2026)

Jumper, der 2024 den Nobelpreis für Chemie für die Mitschöpfung von AlphaFold erhielt, gab auf X bekannt, dass er nach „fast 9 Jahren“ gehe . Seine letzte Zeit bei Google hatte er mit KI-Coding-Tools verbracht, nicht mit der wissenschaftlichen Arbeit, die ihm den Nobelpreis eingebracht hatte . Sein Abgang löschte zusammen mit dem von Shazeer an einem einzigen Handelstag rund 270 Milliarden Dollar von Alpabets Marktkapitalisierung .

Jonas Adler → Anthropic (bekannt gegeben ~24. Juni 2026)

Adler galt intern als Schlüsselbeiträger zu Gemini und Googles KI-Coding-Bemühungen. Personen, die mit dem Schritt vertraut sind, nannten den Wunsch, in einem agileren KI-Startup zu arbeiten .

Alexander Pritzel → Anthropic (bekannt gegeben ~24. Juni 2026)

Pritzel arbeitete an Gemini-Pretraining und AlphaFold. Sein Abgang wurde zusammen mit dem von Adler gemeldet, mit dem gleichen Kontext der Suche nach schnelleren Arbeitsumgebungen .

Denny Zhou → Meta (gemeldet am 26. Juni 2026)

Zhou, bekannt als DeepMinds „Reasoning King“ und Gründer der Reasoning-Forschungsgruppe von Google Brain, ging leise. Er gab keinen öffentlichen Abschied – der Wechsel wurde von HTX berichtet, nachdem er sein LinkedIn aktualisiert hatte und zeigte, dass er bereits seit vier Monaten bei Meta arbeitete . Weder Zhou noch Meta gaben eine Erklärung.

Der breitere Kontext: Was trieb den Exodus an?

Mehrere Quellen beschreiben eine breitere Talentabwanderung bei DeepMind im Laufe des Jahres 2026, angetrieben von drei Faktoren :

• Aggressives Abwerben durch gut finanzierte Rivalen Anthropic und OpenAI, die sich beide auf Markteintritte vorbereiten.
• Interne Frustration über die Zuteilung von Rechenressourcen – das Gefühl, dass Googles Bürokratie die Forschungsgeschwindigkeit im Vergleich zu Startups verlangsamte .
• Wahrnehmung von Bürokratie: Forscher glaubten, in kleineren, fokussierteren Laboren schneller voranzukommen.

Die drei Reasoning-Techniken von Denny Zhou

Denny Zhou und seine Mitarbeiter entwickelten drei grundlegende Prompting-Techniken, die zentral dafür geworden sind, wie große Sprachmodelle logische Schlussfolgerungen ziehen. Sie bilden einen progressiven Stapel, bei dem jede auf der vorherigen aufbaut.

1. Chain-of-Thought (CoT) Prompting

Was es tut: Anstatt ein KI-Modell direkt nach einer Antwort zu fragen (Eingabe → Ausgabe), fordert CoT das Modell auf, eine Sequenz von natürlichen Zwischenschritten zu generieren, bevor es zur endgültigen Antwort gelangt (Eingabe → Denkschritte → Ausgabe).

Hauptvorteil: Verbessert die Leistung bei arithmetischen, alltäglichen und symbolischen Denkaufgaben drastisch. Es ermöglicht auch Interpretierbarkeit – man kann den „Denkprozess“ des Modells lesen. In Kombination mit großen Modellen wie PaLM-540B erzielte CoT mit nur 0,1 % der annotierten Beispiele Spitzenergebnisse .

2. Self-Consistency (Selbstkonsistenz)

Was es tut: Eine Dekodierungsstrategie, die CoT verbessert. Anstatt nur eine einzige Argumentationskette zu verwenden, generiert das Modell mehrere unabhängige CoT-Denkkettten (durch Sampling mit höherer Temperatur) und wählt dann die konsistenteste Antwort über alle Ketten hinweg per Mehrheitsentscheid aus .

Hauptvorteil: Mildert die Varianz einer einzelnen Argumentationskette. Eine einzelne CoT-Kette könnte aufgrund eines fehlerhaften Schrittes falsch sein; Self-Consistency mittelt über die Diversität und ist bei Mathe- und Reasoning-Benchmarks deutlich robuster . Denny Zhou hat betont, dass Self-Consistency nicht oberflächlich als bloße Mehrheitsabstimmung interpretiert werden sollte – es ist eine empirische Umsetzung von Marginalisierung .

3. Least-to-Most Prompting (Vom Leichten zum Schweren)

Was es tut: Eine zweistufige Prompting-Strategie, die für Probleme entwickelt wurde, die schwieriger sind als die Beispiele im Prompt. Zuerst zerlegt das Modell das ursprüngliche schwierige Problem in eine Liste einfacherer Teilprobleme. Dann löst es diese Teilprobleme nacheinander, wobei die Antwort jedes vorherigen Teilproblems als Kontext für das nächste dient .

Hauptvorteil: Ermöglicht eine Verallgemeinerung von leicht zu schwer – das Modell kann Probleme lösen, die streng genommen schwieriger sind als jedes gezeigte Beispiel. Es wurde bei symbolischer Manipulation, kompositorischen Generalisierungs-Benchmarks (wie SCAN und CFQ) und mathematischen Denkaufgaben demonstriert . Zhou beschreibt es als „Planung + Denken“ .

Zusammenfassung

Fünf der sechs aufgeführten Forscher haben bestätigt, dass sie DeepMind im Juni 2026 in Richtung Meta, OpenAI oder Anthropic verlassen haben, getrieben von Abwerbung, Streitigkeiten über Rechenzuteilung und dem Wunsch nach schnelleren Arbeitsumgebungen. Dawn Songs Abgang konnte nicht verifiziert werden und gehört nicht zu dieser Welle. Zhou‘ drei Prompting-Techniken – Chain-of-Thought, Self-Consistency und Least-to-Most – bilden einen progressiven Stapel: CoT fügt Denkschritte hinzu, Self-Consistency fügt eine Abstimmung über mehrere Denkpfade hinzu, und Least-to-Most fügt Problemanalyse und sequentielles Lösen für schwierigere Probleme hinzu.