Eksodus Besar-besaran: Google DeepMind Kehilangan 5 Penyelidik Utama dalam Masa Seminggu

John Jumper → Anthropic (19 Jun 2026)

Jumper, yang menerima Hadiah Nobel Kimia 2024 untuk mencipta AlphaFold, mengumumkan di X bahawa beliau meninggalkan selepas "hampir 9 tahun" . Perjalanan terakhirnya di Google tertumpu pada alat pengekodan AI, bukan kerja saintifik yang memenangkannya Hadiah Nobel . Pemergiannya, digabungkan dengan pemergian Shazeer, menghapuskan kira-kira $270 bilion daripada nilai pasaran Alphabet dalam satu sesi dagangan .

Jonas Adler → Anthropic (diumumkan ~24 Jun 2026)

Adler dilihat dalaman sebagai penyumbang utama kepada Gemini dan usaha pengekodan AI Google. Individu yang mengetahui mengenainya menyebut hasrat untuk bekerja di syarikat permulaan AI yang lebih tangkas .

Alexander Pritzel → Anthropic (diumumkan ~24 Jun 2026)

Pritzel bekerja pada pra-latihan Gemini dan AlphaFold. Pemergiannya dilaporkan bersama Adler, dengan konteks yang sama iaitu mencari persekitaran yang lebih pantas .

Denny Zhou → Meta (dilaporkan 26 Jun 2026)

Zhou, dikenali sebagai "Raja Penaakulan" DeepMind dan pengasas kumpulan penyelidikan penaakulan Google Brain, pergi secara senyap. Beliau tidak membuat ucapan selamat tinggal awam – perpindahan itu dilaporkan oleh HTX selepas beliau mengemas kini LinkedIn untuk menunjukkan bahawa beliau sudah bekerja di Meta selama empat bulan . Tiada penjelasan diberikan oleh Zhou atau Meta.

Konteks Lebih Luas: Apa yang Mendorong Eksodus Ini?

Pelbagai sumber menggambarkan kekurangan bakat yang lebih luas di DeepMind sepanjang 2026, didorong oleh tiga faktor :

• Pemburuan bakat agresif oleh pesaing yang dibiayai dengan baik, Anthropic dan OpenAI, yang kedua-duanya sedang bersedia untuk debut pasaran.
• Kekecewaan dalaman dengan peruntukan sumber pengkomputeran – perasaan bahawa birokrasi Google memperlahankan kelajuan penyelidikan berbanding dengan syarikat permulaan .
• Persepsi birokrasi: penyelidik merasakan mereka boleh bergerak lebih pantas di makmal yang lebih kecil dan lebih fokus.

Tiga Teknik Penaakulan oleh Denny Zhou

Denny Zhou dan rakan-rakannya membangunkan tiga teknik pemintaan asas yang menjadi teras kepada cara model bahasa besar berfikir. Ia membentuk satu timbunan progresif, setiap satu dibina di atas yang lain.

1. Chain-of-Thought (CoT) Prompting

Apa yang ia lakukan: Daripada meminta LLM untuk mengeluarkan jawapan secara langsung (input → output), CoT mendorong model untuk menjana urutan langkah penaakulan bahasa semula jadi pertengahan sebelum tiba di jawapan akhir (input → langkah penaakulan → output).

Faedah utama: Meningkatkan prestasi secara dramatik pada tugas aritmetik, akal sehat, dan penaakulan simbolik. Ia juga membolehkan interpretasi – anda boleh membaca "proses pemikiran" model. Digabungkan dengan model besar seperti PaLM-540B, CoT mencapai hasil terkini menggunakan sebanyak 0.1% daripada contoh beranotasi .

2. Self-Consistency

Apa yang ia lakukan: Strategi penyahkodan yang menambah baik CoT. Daripada mengambil satu rangkaian penaakulan, model menghasilkan pelbagai laluan penaakulan CoT bebas (melalui pensampelan dengan suhu lebih tinggi), kemudian memilih jawapan paling konsisten merentas semua laluan melalui undian majoriti .

Faedah utama: Mengurangkan varians satu rangkaian penaakulan. Satu laluan CoT mungkin salah disebabkan oleh satu langkah yang cacat; self-consistency purata merentasi kepelbagaian dan jauh lebih mantap pada penanda aras matematik dan penaakulan . Denny Zhou telah menekankan bahawa self-consistency tidak boleh ditafsir secara cetek sebagai undian majoriti semata-mata – ia adalah pelaksanaan empirikal marginalisasi .

3. Least-to-Most Prompting

Apa yang ia lakukan: Strategi pemintaan dua peringkat yang direka untuk masalah yang lebih sukar daripada contoh dalam prompt. Pertama, model menguraikan masalah sukar asal kepada senarai sub-masalah yang lebih mudah. Kemudian, ia menyelesaikan secara berurutan sub-masalah tersebut, menggunakan jawapan setiap sub-masalah yang lebih awal sebagai konteks untuk yang seterusnya .

Faedah utama: Membolehkan generalisasi mudah-ke-sukar – model boleh menyelesaikan masalah yang sememangnya lebih sukar daripada mana-mana contoh yang ditunjukkan. Ia telah ditunjukkan pada manipulasi simbolik, penanda aras generalisasi komposisi (seperti SCAN dan CFQ), dan tugas penaakulan matematik . Zhou menerangkannya sebagai "Perancangan + Penaakulan" .

Ringkasan

Lima daripada enam penyelidik yang disenaraikan telah disahkan meninggalkan DeepMind untuk Meta, OpenAI, atau Anthropic pada Jun 2026, didorong oleh pemburuan bakat pesaing, pertikaian peruntukan sumber pengkomputeran, dan keinginan untuk persekitaran yang lebih pantas. Pemergian Dawn Song tidak dapat disahkan dan bukan sebahagian daripada gelombang ini. Tiga teknik pemintaan Zhou – Chain-of-Thought, Self-Consistency, dan Least-to-Most – membentuk satu timbunan progresif: CoT menambah langkah penaakulan, Self-Consistency menambah undian merentasi pelbagai laluan penaakulan, dan Least-to-Most menambah penguraian masalah dan penyelesaian berurutan untuk masalah yang lebih sukar.