2026년 6월, 구글 딥마인드에서 무슨 일이 있었나: 5명의 핵심 연구자 이탈과 그들이 남긴 추론 기술

2026년 6월, 구글 딥마인드는 AI 역사상 가장 집중적인 인재 유출을 겪었습니다. 단 일주일 사이에 최소 다섯 명의 고위 연구자가 메타, 오픈AI, 앤트로픽으로 이직한다고 발표한 것입니다. 이 여파로 알파벳(구글 모회사)의 시가총액은 약 2700억 달러가 증발했고, 구글이 자사의 가장 중요한 AI 시스템을 구축한 연구원들을 지켜낼 수 있을지에 대한 심각한 의문이 제기되었습니다 .

이 글은 누가 떠났고, 어디로 갔으며, 무엇이 그들을 떠나게 만들었는지에 대한 사실 확인된 연구자별 기록을 제공합니다. 이어서 떠난 연구자 중 '추론의 왕(Reasoning King)'이라 불리는 데니 저우(Denny Zhou)가 개발한 세 가지 프롬프팅 기술에 대해 자세히 설명합니다.

확정된 이탈: 연구자 5명, 경쟁사 3곳

이번 이탈 물결과 관련해 흔히 거론되는 6명의 이름 중 5명만이 2026년 6월 구글 딥마인드를 떠난 것으로 확인되었습니다. 여섯 번째 인물인 던 송(Dawn Song)은 이번 이탈을 보도한 어떤 뉴스에도 등장하지 않으며, 오류로 판단됩니다. 송은 보안 및 AI 분야의 전문가(캘리포니아 대학교 버클리)이며, 그녀가 구글 딥마인드에 재직했거나 이 시기에 이직했다는 증거는 발견되지 않았습니다 .

노암 샤지어(Noam Shazeer) → 오픈AI (2026년 6월 18일)

샤지어는 트랜스포머 아키텍처의 공동 발명가이자 구글 제미나이(Gemini) 모델의 공동 리더로, 10년간 가장 영향력 있는 AI 연구자 중 한 명입니다. 그의 이직은 내부 컴퓨팅 자원 재배치가 촉발한 것으로 알려졌습니다. 구글이 그의 팀에 배정된 컴퓨팅 자원을 딥마인드 런던 사전학습 팀으로 돌리면서 그의 트랜스포머 변형 프로젝트가 무산된 것입니다 . 특히 구글이 2024년에야 그의 스타트업 캐릭터닷에이아이(Character.AI)를 27억 달러에 사실상 인수하며 그를 다시 데려왔다는 점에서 더욱 충격적이었습니다 .

존 점퍼(John Jumper) → 앤트로픽 (2026년 6월 19일)

알파폴드(AlphaFold) 공동 창시자로 2024년 노벨 화학상을 받은 점퍼는 엑스(X)에 '거의 9년 만에' 딥마인드를 떠난다고 발표했습니다 . 구글에서의 마지막 기간은 노벨상을 안긴 과학적 연구 대신 AI 코딩 도구 개발에 집중되어 있었습니다 . 그의 이탈은 샤지어의 이탈과 더불어 단 하루 만에 알파벳 시가총액의 약 2700억 달러를 증발시켰습니다 .

요나스 아들러(Jonas Adler) → 앤트로픽 (2026년 6월 24일경 발표)

아들러는 내부적으로 제미나이 및 구글의 AI 코딩 작업에 핵심 기여자로 평가받았습니다. 이직에 정통한 소식통들은 더 민첩한 AI 스타트업에서 일하고자 하는 바람을 이유로 꼽았습니다 .

알렉산더 프리첼(Alexander Pritzel) → 앤트로픽 (2026년 6월 24일경 발표)

프리첼은 제미나이 사전학습과 알파폴드 작업에 참여했습니다. 그의 이직은 아들러와 함께, 더 빠른 속도의 환경을 찾는 것과 같은 맥락에서 보도되었습니다 .

데니 저우(Denny Zhou) → 메타 (2026년 6월 26일 보도)

딥마인드의 '추론의 왕'이자 구글 브레인 추론 연구 그룹의 창시자로 알려진 저우는 조용히 퇴사했습니다. 그는 공식적인 작별 인사를 하지 않았으며, HTX가 그의 링크드인 업데이트를 통해 그가 이미 4개월 동안 메타에서 일하고 있었다고 보도하면서 이 사실이 알려졌습니다 . 저우나 메타 측은 어떠한 설명도 내놓지 않았습니다.

더 넓은 맥락: 무엇이 이탈을 부추겼나?

여러 소식통은 2026년 내내 딥마인드에서 광범위한 인재 유출이 있었으며, 여기에는 세 가지 요인이 작용했다고 설명합니다 :

• 경쟁사의 적극적인 스카우트: 시장 데뷔를 준비 중인 자금력이 풍부한 경쟁사 앤트로픽과 오픈AI의 공세.
• 컴퓨팅 자원 할당에 대한 내부 불만: 구글의 관료주의가 스타트업에 비해 연구 속도를 늦추고 있다는 인식 .
• 관료주의에 대한 인식: 연구원들은 더 작고 집중된 연구소에서 더 빠르게 움직일 수 있다고 느꼈습니다.

데니 저우의 세 가지 추론 기술

데니 저우와 그의 공동 연구자들은 대규모 언어 모델(LLM)이 추론하는 방식의 핵심이 된 세 가지 기본적인 프롬프팅 기술을 개발했습니다. 이 세 기술은 각각 이전 기술을 기반으로 하는 점진적인 스택을 형성합니다.

1. 체인오브소트(Chain-of-Thought, CoT) 프롬프팅

기능: LLM이 최종 답변을 바로 출력하도록 유도하는 대신(input → output), 답변에 도달하기 전에 일련의 중간 자연어 추론 단계를 생성하도록 합니다(input → reasoning steps → output).

주요 장점: 산술, 상식, 기호 추론 작업에서 성능을 획기적으로 향상시킵니다. 또한 모델의 '사고 과정'을 읽을 수 있어 해석 가능성을 제공합니다. PaLM-540B와 같은 대규모 모델과 결합하면 주석이 달린 예제의 0.1%만 사용해도 최첨단 결과를 달성했습니다 .

2. 셀프 컨시스턴시(Self-Consistency)

기능: CoT의 성능을 개선하는 디코딩 전략입니다. 단일 추론 체인만 생성하는 대신, 더 높은 온도로 샘플링하여 여러 개의 독립적인 CoT 추론 경로를 생성한 다음, 모든 경로에서 가장 일관된 답변을 다수결로 선택합니다 .

주요 장점: 단일 추론 체인의 변동성을 완화합니다. 하나의 CoT 경로는 한 단계의 오류로 인해 틀릴 수 있지만, 셀프 컨시스턴시는 다양한 경로를 평균화하여 수학 및 추론 벤치마크에서 훨씬 더 강력한 성능을 보입니다 . 데니 저우는 셀프 컨시스턴시를 단순한 다수결로 피상적으로 해석해서는 안 되며, 이는 한계화(marginalization)의 경험적 구현이라고 강조했습니다 .

3. 최소-최대 프롬프팅(Least-to-Most Prompting)

기능: 프롬프트에 제시된 예제보다 더 어려운 문제를 해결하기 위해 고안된 2단계 프롬프팅 전략입니다. 먼저 모델이 원래의 어려운 문제를 더 간단한 하위 문제들로 분해합니다. 그런 다음, 이전 하위 문제의 답을 다음 하위 문제의 맥락으로 사용하여 하위 문제들을 순차적으로 해결합니다 .

주요 장점: 쉬운 문제에서 어려운 문제로 일반화(easy-to-hard generalization)가 가능해집니다. 즉, 모델이 본 어떤 예제보다 엄격하게 더 어려운 문제도 풀 수 있습니다. 기호 조작, 구성 일반화 벤치마크(예: SCAN, CFQ), 수학 추론 작업에서 그 효과가 입증되었습니다 . 저우는 이를 '계획 + 추론(Planning + Reasoning)'이라고 설명합니다 .

요약

2026년 6월, 거론된 6명의 연구자 중 5명이 경쟁사의 스카우트, 컴퓨팅 자원 할당 분쟁, 더 빠른 속도에 대한 갈망 등으로 인해 딥마인드를 떠나 메타, 오픈AI, 또는 앤트로픽으로 간 것이 확인되었습니다. 던 송의 이직은 확인할 수 없었으며 이번 이탈 물결에 속하지 않습니다. 저우의 세 가지 프롬프팅 기술(CoT, 셀프 컨시스턴시, 최소-최대 프롬프팅)은 점진적인 스택을 형성합니다. CoT는 추론 단계를 추가하고, 셀프 컨시스턴시는 여러 추론 경로에 걸쳐 투표를 추가하며, 최소-최대 프롬프팅은 더 어려운 문제를 위해 문제 분해와 순차적 해결을 추가합니다.