Exodus z DeepMind w 2026: Kto odszedł, dokąd i jakie techniki wnioskowania ze sobą zabrał

Potwierdzone odejścia: Pięciu badaczy, trzech rywali

Tylko pięć z sześciu nazwisk powszechnie wymienianych w kontekście tej fali odejść można potwierdzić. Szóste – Dawn Song – nie pojawia się w żadnych doniesieniach prasowych dotyczących fali z czerwca 2026 i najprawdopodobniej jest błędem. Song zajmuje się bezpieczeństwem i AI (University of California, Berkeley), a nie znaleziono dowodów na to, że pracowała w Google DeepMind lub odchodziła w tym okresie .

Noam Shazeer → OpenAI (18 czerwca 2026)

Shazeer był współtwórcą architektury Transformer, współliderem modeli Gemini Google i jednym z najbardziej wpływowych badaczy AI dekady. Jego odejście było podobno spowodowane wewnętrzną realokacją zasobów obliczeniowych – Google przekierował moc obliczeniową jego zespołu do londyńskiego zespołu pretrainingowego DeepMind, odkładając na półkę jego projekt wariantu Transformera . Było to tym bardziej uderzające, że Google sprowadził Shazeera z powrotem w 2024 roku dzięki wartemu 2,7 miliarda dolarów przejęciu jego startupu Character.AI .

John Jumper → Anthropic (19 czerwca 2026)

Jumper, który w 2024 roku podzielił Nagrodę Nobla w dziedzinie chemii za współtworzenie AlphaFold, ogłosił na X, że odchodzi po „prawie 9 latach” . Ostatni okres w Google spędził na pracy nad narzędziami do kodowania AI, a nie nad badaniami naukowymi, które przyniosły mu Nobla . Jego odejście, w połączeniu z odejściem Shazeera, spowodowało w ciągu jednej sesji handlowej spadek kapitalizacji Alphabetu o około 270 miliardów dolarów .

Jonas Adler → Anthropic (ogłoszone około 24 czerwca 2026)

Adler był postrzegany wewnętrznie jako kluczowy współtwórca Gemini i wysiłków Google w zakresie kodowania AI. Osoby zaznajomione z tą decyzją wskazywały na chęć pracy w bardziej elastycznym startupie AI .

Alexander Pritzel → Anthropic (ogłoszone około 24 czerwca 2026)

Pritzel pracował nad pretrainingiem Gemini i AlphaFold. Jego odejście zostało ogłoszone razem z odejściem Adlera, z tym samym kontekstem poszukiwania szybszego tempa pracy .

Denny Zhou → Meta (doniesienia z 26 czerwca 2026)

Zhou, znany jako „Król Wnioskowania” DeepMind i założyciel grupy badawczej nad wnioskowaniem Google Brain, odszedł po cichu. Nie opublikował publicznego pożegnania – o przenosinach poinformował HTX po tym, jak Zhou zaktualizował swoje LinkedIn, pokazujące, że pracuje w Meta już od czterech miesięcy . Ani Zhou, ani Meta nie podali żadnego wyjaśnienia.

Szerszy kontekst: Co było przyczyną exodusu?

Wiele źródeł opisuje szerszy odpływ talentów z DeepMind w ciągu całego 2026 roku, napędzany przez trzy czynniki :

• Agresywny poaching przez dobrze finansowanych rywali – Anthropic i OpenAI, oba przygotowujące się do debiutów rynkowych.
• Wewnętrzna frustracja związana z alokacją mocy obliczeniowej – przekonanie, że biurokracja Google spowalnia tempo badań w porównaniu ze startupami .
• Postrzeganie biurokracji – naukowcy czuli, że mogą działać szybciej w mniejszych, bardziej skoncentrowanych laboratoriach.

Trzy techniki wnioskowania Denny'ego Zhou

Denny Zhou i jego współpracownicy opracowali trzy fundamentalne techniki promptowania, które stały się kluczowe dla sposobu, w jaki duże modele językowe wnioskują. Tworzą one progresywny stos, w którym każda kolejna opiera się na poprzedniej.

1. Chain-of-Thought (CoT) Prompting

Co robi: Zamiast nakłaniać LLM do bezpośredniego udzielenia odpowiedzi (wejście → wyjście), CoT nakłania model do wygenerowania sekwencji pośrednich kroków wnioskowania w języku naturalnym przed podaniem ostatecznej odpowiedzi (wejście → kroki wnioskowania → wyjście).

Główna zaleta: Dramatycznie poprawia wydajność w zadaniach arytmetycznych, z zakresu zdrowego rozsądku i wnioskowania symbolicznego. Umożliwia także interpretowalność – można odczytać „proces myślowy” modelu. W połączeniu z dużymi modelami, takimi jak PaLM-540B, CoT osiągał wyniki na poziomie stanu techniki, używając zaledwie 0,1% oznaczonych przykładów .

2. Self-Consistency

Co robi: Strategia dekodowania, która ulepsza CoT. Zamiast opierać się na pojedynczym łańcuchu wnioskowania, model generuje wiele niezależnych ścieżek wnioskowania CoT (poprzez próbkowanie z wyższą temperaturą), a następnie wybiera najbardziej spójną odpowiedź spośród wszystkich ścieżek w drodze głosowania większościowego .

Główna zaleta: Łagodzi zmienność pojedynczego łańcucha wnioskowania. Pojedyncza ścieżka CoT może być błędna z powodu jednego wadliwego kroku; self-consistency uśrednia różnorodność i jest znacznie bardziej odporna w testach matematycznych i wnioskowania . Denny Zhou podkreślał, że self-consistency nie powinna być powierzchownie interpretowana jako zwykłe głosowanie większościowe – to empiryczna implementacja marginalizacji .

3. Least-to-Most Prompting

Co robi: Dwuetapowa strategia promptowania zaprojektowana dla problemów trudniejszych niż przykłady w podpowiedzi. Najpierw model rozkłada oryginalny trudny problem na listę prostszych podproblemów. Następnie sekwencyjnie rozwiązuje te podproblemy, używając odpowiedzi z każdego wcześniejszego podproblemu jako kontekstu dla następnego .

Główna zaleta: Umożliwia uogólnianie od łatwych do trudnych – model może rozwiązywać problemy, które są ściśle trudniejsze niż jakikolwiek przykład, który mu pokazano. Zostało to zademonstrowane w zadaniach manipulacji symbolicznej, testach uogólniania kompozycyjnego (takich jak SCAN i CFQ) oraz zadaniach wnioskowania matematycznego . Zhou opisuje to jako „Planowanie + Wnioskowanie” .

Podsumowanie

Pięciu z sześciu wymienionych badaczy potwierdziło odejście z DeepMind do Meta, OpenAI lub Anthropic w czerwcu 2026 roku, spowodowane poachingiem konkurencji, sporami o alokację mocy obliczeniowej i pragnieniem szybszego tempa pracy. Odejścia Dawn Song nie udało się potwierdzić i nie należą one do tej fali. Trzy techniki promptowania Zhou – Chain-of-Thought, Self-Consistency i Least-to-Most – tworzą progresywny stos: CoT dodaje kroki wnioskowania, Self-Consistency dodaje głosowanie na wielu ścieżkach, a Least-to-Most dodaje dekompozycję i sekwencyjne rozwiązywanie trudniejszych problemów.