בריחת המוחות הגדולה של DeepMind 2026: מי עזב, לאן הלך, ומה הן טכניקות החשיבה שבנה

ביוני 2026 חוותה גוגל DeepMind את אחד מאובדני הכישרונות המרוכזים ביותר בתולדות הבינה המלאכותית. בשבוע אחד, לפחות חמישה חוקרים בכירים הודיעו על עזיבתם למטא (Meta), OpenAI ו-Anthropic. היציאות מחקו כ-270 מיליארד דולר משווי השוק של חברת האם אלפבית (Alphabet) והעלו שאלות כבדות על יכולתה של גוגל לשמר את החוקרים שבנו את מערכות הבינה המלאכותית החשובות ביותר שלה .

מאמר זה מספק תיאור מבוסס־עובדות של מי עזב, לאן הלך ומה הניע אותו – ולאחר מכן הסבר ברור של שלוש טכניקות ה-prompting (הנחיה) שפיתח "מלך ההיגיון" של DeepMind, דני ג'ואו (Denny Zhou).

היציאות המאושרות: חמישה חוקרים, שלוש מתחרות

רק חמישה מתוך שישה שמות המופיעים לעתים קרובות בהקשר זה אושרו כמי שעזבו את DeepMind בגל זה. השישי – דון סונג (Dawn Song) – אינו מופיע באף דיווח חדשותי על הגל של יוני 2026 ונראה כטעות. הרקע של סונג הוא בתחום האבטחה והבינה המלאכותית (אוניברסיטת קליפורניה, ברקלי), ולא נמצאה ראיה לכך שהייתה ב-DeepMind או עזבה בחלון הזמנים הזה .

נעם שזיר (Noam Shazeer) ← OpenAI (18 ביוני 2026)

שזיר היה מממציאי ארכיטקטורת ה-Transformer (המהפך), מוביל משותף של מודלי ה-Gemini של גוגל, ואחד החוקרים המשפיעים ביותר בעשור. עזיבתו הוצתה, לפי הדיווחים, על ידי הקצאה מחדש של משאבי מחשוב פנימיים – גוגל הפנתה את כוח העיבוד של הצוות שלו לצוות ה-pretraining של DeepMind בלונדון, ובכך גנזה את פרויקט הווריאנט של Transformer שלו . הדבר היה בולט במיוחד משום שגוגל רק החזירה את שזיר ב-2024 באמצעות רכישת כישרונות של 2.7 מיליארד דולר של הסטארט-אפ שלו Character.AI .

ג'ון ג'מפר (John Jumper) ← Anthropic (19 ביוני 2026)

ג'מפר, שזכה בפרס נובל לכימיה ב-2024 על יצירת AlphaFold, הודיע ב-X על עזיבתו לאחר "כמעט 9 שנים" . תקופתו האחרונה בגוגל הוקדשה לכלי תכנות מבוססי בינה מלאכותית, ולא לעבודה המדעית שזיכתה אותו בנובל . עזיבתו, בשילוב עם זו של שזיר, מחקה כ-270 מיליארד דולר משווי אלפבית ביום מסחר אחד .

יונאס אדלר (Jonas Adler) ← Anthropic (הוכרז ~24 ביוני 2026)

אדלר נתפס בארגון כתורם מרכזי ל-Gemini ולמאמץ התכנות החכם של גוגל. גורמים הבקיאים בנושא ציטטו רצון לעבוד בסטארט-אפ זריז יותר .

אלכסנדר פריצל (Alexander Pritzel) ← Anthropic (הוכרז ~24 ביוני 2026)

פריצל עבד על ה-pretraining של Gemini ועל AlphaFold. עזיבתו דווחה יחד עם זו של אדלר, באותו הקשר של חיפוש סביבות עבודה מהירות יותר .

דני ג'ואו (Denny Zhou) ← מטא (Meta) (דווח ב-26 ביוני 2026)

ג'ואו, המכונה "מלך ההיגיון" של DeepMind ומייסד קבוצת המחקר בנושא חשיבה בגוגל Brain, עזב בשקט. הוא לא פרסם הודעת פרידה – המהלך דווח על ידי HTX לאחר שעדכן את לינקדאין שלו והראה שכבר עובד במטא ארבעה חודשים . לא ניתנה הסבר על ידי ג'ואו או מטא.

ההקשר הרחב: מה גרם לבריחה?

מקורות רבים מתארים בריחת כישרונות רחבה יותר ב-DeepMind במהלך 2026, שהונעה משלושה גורמים :

• צייד ראשים אגרסיבי מצד מתחרות מתוקצבות היטב: Anthropic ו-OpenAI, שהתכוננו להנפקות ראשונות לציבור.
• תסכול פנימי מהקצאת משאבי מחשוב – התחושה שהבירוקרטיה של גוגל האטה את קצב המחקר לעומת סטארט-אפים .
• תפיסה של בירוקרטיה: חוקרים חשו שיוכלו להתקדם מהר יותר במעבדות קטנות וממוקדות יותר.

שלוש טכניקות החשיבה של דני ג'ואו

דני ג'ואו ומשתפי הפעולה שלו פיתחו שלוש טכניקות יסוד של prompting שהפכו למרכזיות באופן שבו מודלי שפה גדולים (LLMs) חושבים. הן יוצרות ערימה פרוגרסיבית, כל אחת בונה על קודמתה.

1. Prompting של שרשרת מחשבה (Chain-of-Thought, CoT)

מה היא עושה: במקום להנחות את המודל להפיק תשובה ישירות (קלט ← פלט), CoT מנחה את המודל לייצר רצף של שלבי חשיבה בשפה טבעית לפני ההגעה לתשובה הסופית (קלט ← שלבי חשיבה ← פלט).

יתרון מרכזי: שיפור דרמטי בביצועים במשימות חשבון, הגיון בריא וחשיבה סימבולית. היא גם מאפשרת פרשנות – ניתן לקרוא את "תהליך החשיבה" של המודל. בשילוב עם מודלים גדולים כמו PaLM-540B, CoT השיגה תוצאות חדשניות תוך שימוש ב-0.1% בלבד מדוגמאות מסומנות .

2. עקביות עצמית (Self-Consistency)

מה היא עושה: אסטרטגיית קידוד (decoding) המשפרת את CoT. במקום לקחת שרשרת חשיבה אחת, המודל מייצר מספר נתיבי חשיבה עצמאיים של CoT (באמצעות דגימה בטמפרטורה גבוהה יותר), ולאחר מכן בוחר את התשובה העקבית ביותר על פני כל הנתיבים באמצעות הצבעת רוב .

יתרון מרכזי: ממתן את השונות של שרשרת חשיבה בודדת. נתיב CoT יחיד עלול להיות שגוי בגלל שלב פגום אחד; עקביות עצמית מבצעת מיצוע על פני גיוון והיא חזקה משמעותית במדדי מתמטיקה וחשיבה . דני ג'ואו הדגיש שאין לפרש עקביות עצמית באופן שטחי כסתם הצבעת רוב – זוהי הטמעה אמפירית של מיצוע (marginalization) .

3. Prompting מהקל אל הכבד (Least-to-Most Prompting)

מה הוא עושה: אסטרטגיית prompting דו-שלבית המיועדת לבעיות קשות יותר מהדוגמאות המופיעות ב-prompt. ראשית, המודל מפרק את הבעיה הקשה המקורית לרשימה של תת-בעלות פשוטות יותר. לאחר מכן, הוא פותר אותן ברצף, תוך שימוש בתשובה של כל תת-בעלה קודמת כהקשר לזו הבאה .

יתרון מרכזי: מאפשר הכללה מקלה לכבדה – המודל יכול לפתור בעלות קשות יותר מכל דוגמה שהוצגה לו. הודגם על משימות מניפולציה סימבולית, מדדי הכללה קומפוזיציונית (כמו SCAN ו-CFQ), ומשימות חשיבה מתמטית . ג'ואו מתאר זאת כ"תכנון + חשיבה" .

סיכום

חמישה מתוך שישה חוקרים הרשומים אושרו כמי שעזבו את DeepMind למטא, OpenAI או Anthropic ביוני 2026, בעקבות צייד ראשים מצד מתחרות, מחלוקות על הקצאת משאבי מחשוב ורצון בסביבות עבודה מהירות יותר. עזיבתה של דון סונג לא אומתה ואינה שייכת לגל זה. שלוש טכניקות ה-prompting של ג'ואו – שרשרת מחשבה, עקביות עצמית, ומהקל אל הכבד – יוצרות ערימה פרוגרסיבית: CoT מוסיפה שלבי חשיבה, Self-Consistency מוסיפה הצבעה על פני נתיבים מרובים, ו-Least-to-Most מוסיפה פירוק בעיות ופתרון רציף לבעלות קשות יותר.