Eksodus Besar-Besaran: Ini Dia 5 Peneliti Puncak Google DeepMind yang Hengkang ke Meta, OpenAI, dan Anthropic

Fakta-Fakta Kepergian: Lima Peneliti, Tiga Pesaing

Hanya lima dari enam nama yang beredar yang dapat dikonfirmasi benar-benar hengkang dari Google DeepMind pada periode ini. Nama keenam, Dawn Song, tidak muncul di berita mana pun tentang gelombang Juni 2026. Sepertinya terjadi kesalahan identitas — latar belakang Dawn Song ada di bidang keamanan siber dan AI di University of California, Berkeley, dan tidak ada bukti ia bekerja di DeepMind atau hengkang pada waktu ini .

Noam Shazeer → OpenAI (18 Juni 2026)

Shazeer adalah salah satu penemu arsitektur Transformer — fondasi hampir semua model AI canggih saat ini — dan pemimpin bersama proyek Gemini. Kepergiannya dipicu oleh ulang alokasi sumber daya komputasi: timnya kehilangan akses ke GPU dan TPU karena Google memindahkan sumber daya tersebut ke tim pretraining DeepMind di London, yang mengakibatkan proyek varian Transformer miliknya terhenti . Ironisnya, Google baru saja memboyong Shazeer kembali ke perusahaannya pada tahun 2024 melalui akuisisi Character.AI senilai $2,7 miliar .

John Jumper → Anthropic (19 Juni 2026)

Jumper adalah peraih Nobel Kimia 2024 berkat karya monumentalnya bersama tim: AlphaFold. Di akun X-nya, ia mengumumkan hengkang setelah "hampir 9 tahun" . Fakta menarik: tahun-tahun terakhir Jumper di Google tidak dihabiskan untuk riset sains pemenang Nobel, melainkan berkutat pada pengembangan alat bantu coding AI . Kepergiannya, bersamaan dengan Shazeer, langsung membuat kapitalisasi pasar Alphabet ambruk $270 miliar dalam sehari .

Jonas Adler → Anthropic (diumumkan sekitar 24 Juni 2026)

Adler adalah kontributor kunci untuk proyek Gemini dan upaya coding AI Google. Sumber internal menyebut Adler tertarik pindah ke startup AI yang lebih gesit dan lincah .

Alexander Pritzel → Anthropic (diumumkan sekitar 24 Juni 2026)

Pritzel mengerjakan pretraining Gemini dan juga berkontribusi pada AlphaFold. Ia pergi bersama Adler dengan alasan yang sama: mencari lingkungan kerja yang lebih cepat dan dinamis .

Denny Zhou → Meta (dilaporkan pada 26 Juni 2026)

Dijuluki "Si Raja Penalaran" (Reasoning King), Zhou adalah pendiri kelompok riset penalaran di Google Brain. Kepergiannya sangat diam-diam — tidak ada pamit, tidak ada surat perpisahan. HTX melaporkan kepergiannya setelah Zhou memperbarui profil LinkedIn yang menunjukkan ia sudah bekerja di Meta selama empat bulan .

Akar Masalah: Mengapa Mereka Pergi?

Beberapa sumber menyebutkan adanya gelombang eksodus yang lebih luas di DeepMind sepanjang 2026, yang dipicu oleh tiga faktor utama :

• Perburuan agresif oleh pesaing: Anthropic dan OpenAI, yang tengah mempersiapkan debut mereka di pasar, gencar membajak talenta Google .
• Frustrasi alokasi komputasi: Banyak peneliti merasa proyek mereka terhambat karena birokrasi Google dalam mengalokasikan sumber daya komputasi yang besar .
• Birokrasi internal: Para peneliti merasa bisa bergerak lebih cepat dan lebih fokus di laboratorium yang lebih kecil .

Tiga Teknik Penalaran dari Denny Zhou

Denny Zhou dan kolaboratornya mengembangkan tiga teknik yang kini menjadi fondasi bagaimana model bahasa besar (LLM) berpikir dan bernalar. Ketiga teknik ini membentuk tumpukan progresif (progressive stack), di mana setiap teknik dibangun di atas teknik sebelumnya.

1. Chain-of-Thought (CoT) Prompting

Apa yang Dilakukannya: Alih-alih memerintahkan LLM untuk langsung memberikan jawaban (input → output), CoT memerintahkan model untuk menghasilkan serangkaian langkah penalaran dalam bahasa alami sebelum sampai pada jawaban akhir (input → langkah penalaran → output).

Manfaat Utama: Meningkatkan performa secara dramatis pada tugas-tugas aritmetika, penalaran akal sehat (commonsense reasoning), dan penalaran simbolis. CoT juga memungkinkan interpretasi — kita bisa membaca "proses berpikir" model. Dengan model besar seperti PaLM-540B, CoT mencapai hasil setara dengan teknik terbaik hanya menggunakan 0,1% contoh beranotasi .

2. Self-Consistency

Apa yang Dilakukannya: Strategi decoding yang menyempurnakan CoT. Alih-alih hanya menghasilkan satu jalur penalaran, model menghasilkan banyak jalur penalaran CoT yang independen (melalui sampling dengan temperatur lebih tinggi), lalu memilih jawaban yang paling konsisten dari semua jalur tersebut melalui suara terbanyak .

Manfaat Utama: Mengurangi varians dari satu jalur penalaran. Satu jalur CoT bisa saja salah karena satu langkah yang keliru; Self-Consistency merata-rata keragaman dan jauh lebih stabil pada tolok ukur matematika dan penalaran . Denny Zhou sendiri menekankan bahwa Self-Consistency jangan ditafsirkan secara dangkal sebagai sekadar "pemungutan suara" — ini adalah implementasi empiris dari marginalisasi .

3. Least-to-Most Prompting

Apa yang Dilakukannya: Strategi dua tahap yang dirancang untuk masalah yang lebih sulit daripada contoh yang diberikan dalam perintah. Pertama, model menguraikan masalah awal yang sulit menjadi daftar sub-masalah yang lebih sederhana. Lalu, model memecahkan sub-masalah tersebut secara berurutan, menggunakan jawaban dari setiap sub-masalah sebelumnya sebagai konteks untuk sub-masalah berikutnya .

Manfaat Utama: Memungkinkan generalisasi dari yang mudah ke yang sulit (easy-to-hard generalization) — model bisa memecahkan masalah yang secara ketat lebih sulit daripada contoh mana pun yang diperlihatkan. Teknik ini telah terbukti bekerja pada tugas manipulasi simbolis, tolok ukur generalisasi komposisional (seperti SCAN dan CFQ), serta penalaran matematika . Zhou mendeskripsikannya sebagai "Perencanaan + Penalaran" .

Ringkasan

Lima dari enam peneliti yang disebutkan telah dikonfirmasi hengkang dari DeepMind menuju Meta, OpenAI, atau Anthropic pada Juni 2026, didorong oleh perburuan pesaing, sengketa alokasi komputasi, dan hasrat akan lingkungan yang lebih gesit. Nama Dawn Song tidak termasuk dalam gelombang ini dan tidak terbukti. Tiga teknik penalaran Zhou — Chain-of-Thought, Self-Consistency, dan Least-to-Most — membentuk tumpukan progresif: CoT menambahkan langkah penalaran, Self-Consistency menambahkan pemungutan suara dari beberapa jalur penalaran, dan Least-to-Most menambahkan penguraian masalah serta pemecahan berurutan untuk masalah yang lebih sulit.