Google DeepMind verliest in één week vijf toponderzoekers: een reconstructie van de uittocht en de nalatenschap van Denny Zhou

John Jumper → Anthropic (19 juni 2026)

Jumper, die in 2024 de Nobelprijs voor de Scheikunde deelde voor het mede-creëren van AlphaFold, kondigde op X aan dat hij vertrok na 'bijna 9 jaar' . Zijn laatste periode bij Google was gericht op AI-codeertools, niet op het wetenschappelijke werk waarmee hij de Nobelprijs won . Zijn vertrek, samen met dat van Shazeer, kostte Alphabet ongeveer 270 miljard dollar aan beurswaarde in één handelssessie .

Jonas Adler → Anthropic (aangekondigd ~24 juni 2026)

Adler werd intern gezien als een sleutelfiguur voor Gemini en Google's AI-codeerproject. Mensen die bekend waren met de verhuizing noemden de wens om bij een wendbaardere AI-startup te werken .

Alexander Pritzel → Anthropic (aangekondigd ~24 juni 2026)

Pritzel werkte aan Gemini-pretraining en AlphaFold. Zijn vertrek werd samen met dat van Adler gemeld, met dezelfde context van het zoeken naar een snellere werkomgeving .

Denny Zhou → Meta (gemeld op 26 juni 2026)

Zhou, bekend als DeepMind's 'Reasoning King' en oprichter van Google Brain's redeneeronderzoeksgroep, vertrok stilletjes. Hij plaatste geen openbaar afscheid — de verhuizing werd gemeld door HTX nadat hij zijn LinkedIn had bijgewerkt, waaruit bleek dat hij al vier maanden bij Meta werkte . Noch Zhou, noch Meta gaf uitleg.

De bredere context: wat dreef de uittocht?

Meerdere bronnen beschrijven een bredere talentenlekkage bij DeepMind gedurende 2026, aangedreven door drie factoren :

• Agressieve overnamepogingen door goed gefinancierde rivalen Anthropic en OpenAI, die zich voorbereidden op marktdebuten.
• Interne frustratie over de toewijzing van rekenkracht — het gevoel dat Google's bureaucratie het onderzoekstempo vertraagde in vergelijking met startups .
• Perceptie van bureaucratie: onderzoekers vonden dat ze sneller konden werken bij kleinere, meer gefocuste labs.

De drie redeneertechnieken van Denny Zhou

Denny Zhou en zijn medewerkers ontwikkelden drie fundamentele prompting-technieken die centraal zijn komen te staan in hoe grote taalmodellen redeneren. Ze vormen een progressieve stapel, waarbij elk voortbouwt op de vorige.

1. Chain-of-Thought (CoT) Prompting

Wat het doet: In plaats van een LLM te vragen om direct een antwoord te geven (invoer → uitvoer), vraagt CoT het model om een reeks tussenliggende, natuurlijke taal redeneerstappen te genereren voordat het tot het uiteindelijke antwoord komt (invoer → redeneerstappen → uitvoer).

Belangrijkste voordeel: Het verbetert de prestaties op rekenkundige, gezond verstand- en symbolische redeneertaken aanzienlijk. Het maakt ook interpreteerbaarheid mogelijk — je kunt het 'denkproces' van het model lezen. In combinatie met grote modellen zoals PaLM-540B behaalde CoT state-of-the-art resultaten met slechts 0,1% van de geannoteerde voorbeelden .

2. Self-Consistency

Wat het doet: Een decoderingsstrategie die CoT verbetert. In plaats van één enkele redeneerketen te gebruiken, genereert het model meerdere onafhankelijke CoT-redeneerpaden (via sampling met een hogere temperatuur) en selecteert vervolgens het meest consistente antwoord over alle paden heen via meerderheidsstemming .

Belangrijkste voordeel: Het vermindert de variabiliteit van een enkele redeneerketen. Een enkele CoT-pad kan fout zijn vanwege één enkele foutieve stap; self-consistency middelt over diversiteit en is aanzienlijk robuuster op wiskunde- en redeneerbenchmarks . Denny Zhou heeft benadrukt dat self-consistency niet oppervlakkig moet worden geïnterpreteerd als louter meerderheidsstemming — het is een empirische implementatie van marginalisatie .

3. Least-to-Most Prompting

Wat het doet: Een tweefasen-promptingstrategie ontworpen voor problemen die moeilijker zijn dan de voorbeelden in de prompt. Eerst ontleedt het model het oorspronkelijke moeilijke probleem in een lijst van eenvoudigere subproblemen. Vervolgens lost het deze subproblemen sequentieel op, waarbij het antwoord van elk eerder subprobleem als context dient voor het volgende .

Belangrijkste voordeel: Het maakt generalisatie van makkelijk naar moeilijk mogelijk — het model kan problemen oplossen die strikt moeilijker zijn dan elk getoond voorbeeld. Het is gedemonstreerd op symbolische manipulatie, compositionele generalisatiebenchmarks (zoals SCAN en CFQ) en wiskundige redeneertaken . Zhou beschrijft het als 'Plannen + Redeneren' .

Samenvatting

Vijf van de zes genoemde onderzoekers zijn bevestigd vertrokken bij DeepMind naar Meta, OpenAI of Anthropic in juni 2026, gedreven door overnamepogingen van concurrenten, geschillen over de toewijzing van rekenkracht en een verlangen naar snellere werkomgevingen. Het vertrek van Dawn Song kon niet worden geverifieerd en behoort niet tot deze golf. Zhou's drie prompting-technieken — Chain-of-Thought, Self-Consistency en Least-to-Most — vormen een progressieve stapel: CoT voegt redeneerstappen toe, Self-Consistency voegt stemming over meerdere redeneerpaden toe, en Least-to-Most voegt probleemdecompositie en sequentiële oplossing voor moeilijkere problemen toe.