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.

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.