L’esodo del 2026 da DeepMind: chi è andato dove, e le tre tecniche di ragionamento di Denny Zhou

John Jumper → Anthropic (19 giugno 2026)

Jumper, che ha condiviso il Premio Nobel per la Chimica 2024 per aver co-creato AlphaFold, ha annunciato su X che se ne andava dopo "quasi 9 anni" . Il suo ultimo periodo a Google era stato dedicato a strumenti di codifica IA, non al lavoro scientifico che gli ha fatto vincere il Nobel . La sua uscita, combinata con quella di Shazeer, ha cancellato circa 270 miliardi di dollari dalla capitalizzazione di mercato di Alphabet in una singola sessione di scambi .

Jonas Adler → Anthropic (annunciato ~24 giugno 2026)

Adler era considerato internamente un contributore chiave di Gemini e dello sforzo di codifica IA di Google. Le persone informate del trasferimento hanno citato il desiderio di lavorare in una startup IA più agile .

Alexander Pritzel → Anthropic (annunciato ~24 giugno 2026)

Pritzel ha lavorato sul pre-addestramento di Gemini e su AlphaFold. La sua partenza è stata riportata insieme a quella di Adler, con lo stesso contesto di ricerca di ambienti più veloci .

Denny Zhou → Meta (riportato il 26 giugno 2026)

Zhou, noto come il "Re del Ragionamento" di DeepMind e fondatore del gruppo di ricerca sul ragionamento di Google Brain, se n'è andato in silenzio. Non ha fatto alcun saluto pubblico — la mossa è stata riportata da HTX dopo che ha aggiornato il suo LinkedIn per mostrare che stava già lavorando per Meta da quattro mesi . Non è stata fornita alcuna spiegazione da Zhou o da Meta.

Il contesto più ampio: cosa ha guidato l'esodo?

Molte fonti descrivono un più ampio drenaggio di talenti a DeepMind durante il 2026, guidato da tre fattori :

• Caccia alle stelle aggressiva da parte di rivali ben finanziate come Anthropic e OpenAI, entrambe in preparazione per i loro debutti sul mercato.
• Frustrazione interna per l'allocazione delle risorse di calcolo — la sensazione che la burocrazia di Google stesse rallentando la velocità della ricerca rispetto alle startup .
• Percezione di burocrazia: i ricercatori sentivano di poter andare più veloci in laboratori più piccoli e più focalizzati.

Le tre tecniche di ragionamento di Denny Zhou

Denny Zhou e i suoi collaboratori hanno sviluppato tre tecniche di prompting fondamentali che sono diventate centrali per il modo in cui i grandi modelli linguistici ragionano. Formano una pila progressiva, ciascuna costruita sulla precedente.

1. Chain-of-Thought (CoT) Prompting

Cosa fa: Invece di richiedere a un LLM di produrre una risposta direttamente (input → output), il CoT richiede al modello di generare una sequenza di passaggi di ragionamento intermedi in linguaggio naturale prima di arrivare alla risposta finale (input → passaggi di ragionamento → output).

Vantaggio chiave: Migliora drasticamente le prestazioni su compiti aritmetici, di buon senso e di ragionamento simbolico. Consente anche l'interpretabilità — puoi leggere il "processo di pensiero" del modello. Combinato con modelli di grandi dimensioni come PaLM-540B, il CoT ha raggiunto risultati all'avanguardia utilizzando appena lo 0,1% degli esempi annotati .

2. Self-Consistency

Cosa fa: Una strategia di decodifica che migliora il CoT. Invece di prendere un'unica catena di ragionamento, il modello genera percorsi di ragionamento CoT multipli e indipendenti (attraverso il campionamento con temperatura più alta), quindi seleziona la risposta più coerente tra tutti i percorsi tramite voto di maggioranza .

Vantaggio chiave: Mitiga la varianza di una singola catena di ragionamento. Un singolo percorso CoT potrebbe essere sbagliato a causa di un passaggio errato; l'autocoerenza fa una media sulla diversità ed è significativamente più robusta nei benchmark di matematica e ragionamento . Denny Zhou ha sottolineato che l'autocoerenza non dovrebbe essere interpretata superficialmente come un mero voto di maggioranza — è un'implementazione empirica della marginalizzazione .

3. Least-to-Most Prompting

Cosa fa: Una strategia di prompting in due fasi progettata per problemi più difficili degli esempi nel prompt. In primo luogo, il modello scompone il problema originale difficile in un elenco di sottoproblemi più semplici. Poi, risolve in sequenza quei sottoproblemi, usando la risposta di ogni sottoproblema precedente come contesto per il successivo .

Vantaggio chiave: Consente la generalizzazione dal facile al difficile — il modello può risolvere problemi che sono strettamente più difficili di qualsiasi esempio che gli è stato mostrato. È stato dimostrato su compiti di manipolazione simbolica, benchmark di generalizzazione composizionale (come SCAN e CFQ) e compiti di ragionamento matematico . Zhou lo descrive come "Pianificazione + Ragionamento" .

Riepilogo

Cinque dei sei ricercatori elencati sono confermati aver lasciato DeepMind per Meta, OpenAI o Anthropic nel giugno 2026, spinti dalla caccia alle stelle dei concorrenti, dalle controversie sull'allocazione delle risorse di calcolo e dal desiderio di ambienti più veloci. La partenza di Dawn Song non ha potuto essere verificata e non appartiene a questa ondata. Le tre tecniche di prompting di Zhou — Chain-of-Thought, Self-Consistency e Least-to-Most — formano una pila progressiva: CoT aggiunge passaggi di ragionamento, Self-Consistency aggiunge il voto su più percorsi di ragionamento e Least-to-Most aggiunge la scomposizione dei problemi e la risoluzione sequenziale per problemi più difficili.