L'exode des cerveaux chez DeepMind en 2026 : qui est parti, où sont-ils allés et les techniques de raisonnement qu'ils ont laissées derrière eux

John Jumper → Anthropic (19 juin 2026)

Jumper, qui a partagé le prix Nobel de chimie 2024 pour la création d'AlphaFold, a annoncé sur X qu'il partait après « près de 9 ans » . Sa dernière période chez Google avait été consacrée aux outils de codage IA, et non au travail scientifique qui lui a valu le Nobel . Son départ, combiné à celui de Shazeer, a effacé environ 270 milliards de dollars de la capitalisation boursière d'Alphabet en une seule séance de bourse .

Jonas Adler → Anthropic (annoncé ~24 juin 2026)

Adler était considéré en interne comme un contributeur clé à Gemini et à l'effort de codage IA de Google. Des personnes proches du dossier ont cité le désir de travailler dans une startup IA plus agile .

Alexander Pritzel → Anthropic (annoncé ~24 juin 2026)

Pritzel a travaillé sur le pré-entraînement de Gemini et sur AlphaFold. Son départ a été rapporté en même temps que celui d'Adler, avec le même contexte de recherche d'environnements plus rapides .

Denny Zhou → Meta (rapporté le 26 juin 2026)

Zhou, connu comme le « Roi du Raisonnement » de DeepMind et fondateur du groupe de recherche sur le raisonnement de Google Brain, est parti discrètement. Il n'a fait aucun adieu public — le départ a été rapporté par HTX après qu'il a mis à jour son profil LinkedIn pour montrer qu'il travaillait déjà chez Meta depuis quatre mois . Aucune explication n'a été donnée par Zhou ou Meta.

Le contexte plus large : qu'est-ce qui a provoqué l'exode ?

Plusieurs sources décrivent une fuite des talents plus large chez DeepMind tout au long de 2026, motivée par trois facteurs :

• Débauchage agressif par des rivaux bien financés, Anthropic et OpenAI, tous deux se préparant pour leurs entrées en bourse.
• Frustration interne concernant l'allocation des ressources de calcul — le sentiment que la bureaucratie de Google ralentissait la vitesse de la recherche par rapport aux startups .
• Perception de bureaucratie : les chercheurs estimaient pouvoir progresser plus vite dans des laboratoires plus petits et plus ciblés.

Les trois techniques de raisonnement de Denny Zhou

Denny Zhou et ses collaborateurs ont développé trois techniques d'incitation fondamentales qui sont devenues centrales dans la manière dont les grands modèles de langage raisonnent. Elles forment une pile progressive, chacune s'appuyant sur la précédente.

1. Incitation « Chain-of-Thought » (CoT)

Ce qu'elle fait : Au lieu d'inciter un LLM à produire une réponse directement (entrée → sortie), la CoT incite le modèle à générer une séquence d'étapes de raisonnement intermédiaires en langage naturel avant d'arriver à la réponse finale (entrée → étapes de raisonnement → sortie).

Avantage clé : Améliore considérablement les performances sur les tâches de raisonnement arithmétique, de bon sens et symbolique. Elle permet également l'interprétabilité — vous pouvez lire le « processus de pensée » du modèle. Combinée avec de grands modèles comme PaLM-540B, la CoT a atteint des résultats de pointe en utilisant aussi peu que 0,1 % d'exemples annotés .

2. « Self-Consistency » (Auto-cohérence)

Ce qu'elle fait : Une stratégie de décodage qui améliore la CoT. Au lieu de prendre une seule chaîne de raisonnement, le modèle génère plusieurs chemins de raisonnement CoT indépendants (via un échantillonnage avec une température plus élevée), puis sélectionne la réponse la plus cohérente parmi tous les chemins par vote majoritaire .

Avantage clé : Atténue la variance d'une seule chaîne de raisonnement. Un seul chemin CoT peut être erroné en raison d'une étape défectueuse ; l'auto-cohérence fait la moyenne de la diversité et est significativement plus robuste sur les benchmarks de mathématiques et de raisonnement . Denny Zhou a souligné que l'auto-cohérence ne doit pas être interprétée superficiellement comme un simple vote majoritaire — c'est une implémentation empirique de la marginalisation .

3. Incitation « Least-to-Most » (Du plus simple au plus complexe)

Ce qu'elle fait : Une stratégie d'incitation en deux étapes conçue pour des problèmes plus difficiles que les exemples donnés dans l'incitation. D'abord, le modèle décompose le problème initial complexe en une liste de sous-problèmes plus simples. Ensuite, il résout séquentiellement ces sous-problèmes, en utilisant la réponse de chaque sous-problème précédent comme contexte pour le suivant .

Avantage clé : Permet une généralisation du facile au difficile — le modèle peut résoudre des problèmes strictement plus difficiles que tout exemple montré. Cela a été démontré sur la manipulation symbolique, les benchmarks de généralisation compositionnelle (comme SCAN et CFQ) et les tâches de raisonnement mathématique . Zhou le décrit comme « Planification + Raisonnement » .

Résumé

Cinq des six chercheurs listés sont confirmés comme ayant quitté DeepMind pour Meta, OpenAI ou Anthropic en juin 2026, motivés par le débauchage des concurrents, les litiges sur l'allocation des ressources de calcul et le désir d'environnements plus rapides. Le départ de Dawn Song n'a pas pu être vérifié et n'appartient pas à cette vague. Les trois techniques d'incitation de Zhou — « Chain-of-Thought », « Self-Consistency » et « Least-to-Most » — forment une pile progressive : CoT ajoute des étapes de raisonnement, Self-Consistency ajoute un vote sur plusieurs chemins de raisonnement, et Least-to-Most ajoute la décomposition du problème et la résolution séquentielle pour les problèmes plus difficiles.