DeepMinds talentflukt i 2026: Hvem sluttet, hvor gikk de, og hva er resonneringsteknikkene de bygde

I juni 2026 opplevde Google DeepMind et av de mest konsentrerte talenttapene i AI-historien. I løpet av en uke annonserte minst fem seniorforskere at de sluttet til fordel for Meta, OpenAI og Anthropic. Avgangene utslettet omtrent 270 milliarder dollar av Alphabets markedsverdi og reiste alvorlige spørsmål om Googles evne til å beholde forskerne som bygde deres viktigste AI-systemer .

Denne artikkelen gir en faktasjekket, forsker-for-forsker-redegjørelse av hvem som sluttet, hvor de gikk, og hva som drev dem ut – etterfulgt av en tydelig forklaring av de tre prompt-teknikkene utviklet av den avtroppende «Resonneringskongen», Denny Zhou.

De bekreftede avgangene: Fem forskere, tre konkurrenter

Bare fem av de seks navnene som ofte listes opp i forbindelse med denne eksodusen kan bekreftes å ha forlatt Google DeepMind i denne perioden. Den sjette – Dawn Song – dukker ikke opp i noen nyhetsrapporter som dekker bølgen i juni 2026, og ser ut til å være en feil. Songs bakgrunn er innen sikkerhet og AI (University of California, Berkeley), og det ble ikke funnet bevis for at hun var ved Google DeepMind eller sluttet i løpet av dette tidsrommet .

Noam Shazeer → OpenAI (18. juni 2026)

Shazeer var en av oppfinnerne av Transformer-arkitekturen, medleder for Googles Gemini-modeller, og en av de mest betydningsfulle AI-forskerne i tiåret. Avgangen hans skal ha blitt utløst av en intern omfordeling av datakraft – Google omdirigerte teamets regnekraft til DeepMinds London-baserte fortreningsteam, noe som førte til at hans Transformer-variantprojekt ble lagt på hyllen . Dette var spesielt slående fordi Google bare hadde hentet Shazeer tilbake i 2024 gjennom et 2,7 milliarder dollar oppkjøp av hans oppstart Character.AI .

John Jumper → Anthropic (19. juni 2026)

Jumper, som delte Nobelprisen i kjemi i 2024 for å ha skapt AlphaFold, kunngjorde på X at han sluttet etter «nesten 9 år» . Hans siste periode hos Google var fokusert på AI-kodeverktøy, ikke det vitenskapelige arbeidet som ga ham Nobelprisen . Avgangen hans, kombinert med Shazeers, utslettet omtrent 270 milliarder dollar av Alphabets markedsverdi i løpet av en enkelt handelsdag .

Jonas Adler → Anthropic (kunngjort ~24. juni 2026)

Adler ble internt sett på som en nøkkelbidragsyter til Gemini og Googles AI-kodesatsing. Personer med kjennskap til flyttingen viste til et ønske om å jobbe i en mer smidig AI-startup .

Alexander Pritzel → Anthropic (kunngjort ~24. juni 2026)

Pritzel jobbet med Gemini-fortrening og AlphaFold. Avgangen hans ble rapportert sammen med Adlers, med samme kontekst om å søke raskere miljøer .

Denny Zhou → Meta (rapportert 26. juni 2026)

Zhou, kjent som DeepMinds «Resonneringskonge» og grunnlegger av Google Brains resonneringsforskningsgruppe, sluttet stille. Han kom med ingen offentlig avskjed – flyttingen ble rapportert av HTX etter at han oppdaterte LinkedIn-profilen sin for å vise at han allerede hadde jobbet i Meta i fire måneder . Verken Zhou eller Meta ga noen forklaring.

Den bredere konteksten: Hva drev eksodusen?

Flere kilder beskriver en bredere talentflukt hos DeepMind gjennom 2026, drevet av tre faktorer :

• Aggressiv headhunting fra velfinansierte rivaler som Anthropic og OpenAI, som begge forbereder seg på børsnotering.
• Intern frustrasjon over datakraftfordeling – oppfatningen av at Googles byråkrati bremset forskningshastigheten sammenlignet med oppstartsbedrifter .
• Byråkrati-oppfatning: Forskere følte at de kunne bevege seg raskere i mindre, mer fokuserte laboratorier.

De tre resonneringsteknikkene av Denny Zhou

Denny Zhou og hans samarbeidspartnere utviklet tre grunnleggende prompt-teknikker som har blitt sentrale for hvordan store språkmodeller resonnerer. De utgjør en progressiv stabel, der hver bygger på den forrige.

1. Chain-of-Thought (CoT) Prompting

Hva det gjør: I stedet for å be en LLM om å gi et svar direkte (input → output), ber CoT modellen om å generere en sekvens av mellomliggende naturlige resonneringstrinn før den kommer frem til det endelige svaret (input → resonneringstrinn → output).

Viktigste fordel: Forbedrer dramatisk ytelsen på aritmetiske, sunn fornuft- og symbolske resonneringsoppgaver. Det muliggjør også tolkbarhet – du kan lese modellens «tankeprosess». Kombinert med store modeller som PaLM-540B, oppnådde CoT toppmoderne resultater med så lite som 0,1 % av kommenterte eksempler .

2. Self-Consistency

Hva det gjør: En dekodingsstrategi som forbedrer CoT. I stedet for en enkelt resonneringskjede, genererer modellen flere uavhengige CoT-resonneringsveier (via sampling med høyere temperatur), og velger deretter det mest konsistente svaret på tvers av alle veier ved flertallsavstemning .

Viktigste fordel: Demper variansen til en enkelt resonneringskjede. En enkelt CoT-vei kan være feil på grunn av ett feilaktig trinn; self-consistency gjennomsnitt over mangfold og er betydelig mer robust på matte- og resonneringsreferanser . Denny Zhou har understreket at self-consistency ikke bør tolkes overfladisk som ren flertallsavstemning – det er en empirisk implementering av marginalisering .

3. Least-to-Most Prompting

Hva det gjør: En to-trinns prompt-strategi designet for problemer som er vanskeligere enn eksemplene i prompten. Først dekomponerer modellen det opprinnelige vanskelige problemet til en liste over enklere delproblemer. Deretter løser den sekvensielt disse delproblemene, ved å bruke svaret fra hvert tidligere delproblem som kontekst for det neste .

Viktigste fordel: Muliggjør generalisering fra lett til vanskelig – modellen kan løse problemer som er strengt tatt vanskeligere enn noe eksempel den ble vist. Det er demonstrert på symbolmanipulering, sammensatte generaliseringsreferanser (som SCAN og CFQ) og matte-resonneringsoppgaver . Zhou beskriver det som «Planlegging + Resonnering» .

Sammendrag

Fem av de seks listede forskerne er bekreftet å ha forlatt DeepMind til fordel for Meta, OpenAI eller Anthropic i juni 2026, drevet av headhunting fra konkurrenter, tvister om datakraftfordeling og et ønske om raskere miljøer. Dawn Songs avgang kunne ikke verifiseres og tilhører ikke denne bølgen. Zhous tre prompt-teknikker – Chain-of-Thought, Self-Consistency og Least-to-Most – utgjør en progressiv stabel: CoT legger til resonneringstrinn, Self-Consistency legger til avstemning på tvers av flere resonneringsveier, og Least-to-Most legger til problemdekomponering og sekvensiell løsning for vanskeligere problemer.