Êxodo no Google DeepMind: Pesquisadores Fugiram para Rivais e Levaram Técnicas Revolucionárias

As Saídas Confirmadas: Cinco Pesquisadores, Três Rivais

Apenas cinco dos seis nomes comumente listados em conexão com este êxodo podem ser confirmados como tendo deixado o Google DeepMind neste período. O sexto — Dawn Song — não aparece em nenhuma reportagem que cobre a onda de junho de 2026 e parece ser um erro. A formação de Song é em segurança e IA (Universidade da Califórnia, Berkeley), e não foi encontrada nenhuma evidência de que ela estava no Google DeepMind ou saiu durante esta janela .

Noam Shazeer → OpenAI (18 de junho de 2026)

Shazeer foi coinventor da arquitetura Transformer, colíder dos modelos Gemini do Google e um dos pesquisadores de IA mais importantes da década. Sua saída foi supostamente desencadeada por uma realocação interna de recursos de computação — o Google redirecionou o poder computacional de sua equipe para a equipe de pré-treinamento de Londres do DeepMind, engavetando seu projeto de variante do Transformer . Isso foi especialmente impressionante porque o Google só trouxe Shazeer de volta em 2024 por meio de uma aquisição de US$ 2,7 bilhões de sua startup Character.AI .

John Jumper → Anthropic (19 de junho de 2026)

Jumper, que dividiu o Prêmio Nobel de Química de 2024 por cocriar o AlphaFold, anunciou no X que estava saindo após 'quase 9 anos' . Seu último período no Google foi focado em ferramentas de codificação de IA, não no trabalho científico que lhe rendeu o Nobel . Sua saída, combinada com a de Shazeer, eliminou cerca de US$ 270 bilhões do valor de mercado da Alphabet em uma única sessão de negociação .

Jonas Adler → Anthropic (anunciado por volta de 24 de junho de 2026)

Adler era visto internamente como um contribuidor-chave para o Gemini e o esforço de codificação de IA do Google. Pessoas familiarizadas com a mudança citaram o desejo de trabalhar em uma startup de IA mais ágil .

Alexander Pritzel → Anthropic (anunciado por volta de 24 de junho de 2026)

Pritzel trabalhou no pré-treinamento do Gemini e no AlphaFold. Sua saída foi relatada junto com a de Adler, com o mesmo contexto de busca por ambientes mais dinâmicos .

Denny Zhou → Meta (relatado em 26 de junho de 2026)

Zhou, conhecido como o 'Rei do Raciocínio' do DeepMind e fundador do grupo de pesquisa em raciocínio do Google Brain, saiu silenciosamente. Ele não fez nenhuma despedida pública — a mudança foi relatada pelo HTX depois que ele atualizou seu LinkedIn para mostrar que já estava trabalhando na Meta há quatro meses . Nenhuma explicação foi dada por Zhou ou pela Meta.

O Contexto Mais Amplo: O que Motivou o Êxodo?

Múltiplas fontes descrevem uma drenagem de talentos mais ampla no DeepMind ao longo de 2026, impulsionada por três fatores :

• Caça agressiva por parte dos rivais bem financiados Anthropic e OpenAI, ambos se preparando para suas estreias no mercado.
• Frustração interna com a alocação de computação — a sensação de que a burocracia do Google estava desacelerando a velocidade da pesquisa em comparação com as startups .
• Percepção de burocracia: os pesquisadores sentiam que poderiam se mover mais rápido em laboratórios menores e mais focados.

As Três Técnicas de Raciocínio de Denny Zhou

Denny Zhou e seus colaboradores desenvolveram três técnicas fundamentais de prompt que se tornaram centrais para a forma como os grandes modelos de linguagem raciocinam. Elas formam uma pilha progressiva, cada uma construída sobre a anterior.

1. Prompt de Cadeia de Pensamento (CoT)

O que faz: Em vez de solicitar que um LLM produza uma resposta diretamente (entrada → saída), o CoT solicita que o modelo gere uma sequência de etapas de raciocínio intermediárias em linguagem natural antes de chegar à resposta final (entrada → etapas de raciocínio → saída).

Principal benefício: Melhora drasticamente o desempenho em tarefas de raciocínio aritmético, de senso comum e simbólico. Também permite interpretabilidade — você pode ler o 'processo de pensamento' do modelo. Combinado com modelos grandes como o PaLM-540B, o CoT alcançou resultados de última geração usando apenas 0,1% dos exemplos anotados .

2. Autoconsistência

O que faz: Uma estratégia de decodificação que melhora o CoT. Em vez de seguir uma única cadeia de raciocínio, o modelo gera múltiplos caminhos de raciocínio CoT independentes (via amostragem com temperatura mais alta) e, em seguida, seleciona a resposta mais consistente em todos os caminhos por votação majoritária .

Principal benefício: Mitiga a variância de uma única cadeia de raciocínio. Um único caminho CoT pode estar errado devido a uma etapa falha; a autoconsistência calcula a média sobre a diversidade e é significativamente mais robusta em benchmarks de matemática e raciocínio . Denny Zhou enfatizou que a autoconsistência não deve ser interpretada superficialmente como mera votação majoritária — é uma implementação empírica de marginalização .

3. Prompt do Menos para o Mais (Least-to-Most)

O que faz: Uma estratégia de prompt em dois estágios projetada para problemas mais difíceis do que os exemplos no prompt. Primeiro, o modelo decompõe o problema original difícil em uma lista de subproblemas mais simples. Em seguida, ele resolve sequencialmente esses subproblemas, usando a resposta de cada subproblema anterior como contexto para o próximo .

Principal benefício: Permite a generalização do fácil para o difícil — o modelo pode resolver problemas que são estritamente mais difíceis do que qualquer exemplo que lhe foi mostrado. Foi demonstrado em benchmarks de manipulação simbólica, generalização composicional (como SCAN e CFQ) e tarefas de raciocínio matemático . Zhou o descreve como 'Planejamento + Raciocínio' .

Resumo

Cinco dos seis pesquisadores listados são confirmados como tendo deixado o DeepMind para Meta, OpenAI ou Anthropic em junho de 2026, impulsionados por caça de talentos de concorrentes, disputas de alocação de computação e desejo por ambientes mais dinâmicos. A saída de Dawn Song não pôde ser verificada e não pertence a esta onda. As três técnicas de prompt de Zhou — Cadeia de Pensamento, Autoconsistência e Do Menos para o Mais — formam uma pilha progressiva: CoT adiciona etapas de raciocínio, Autoconsistência adiciona votação em múltiplos caminhos de raciocínio e Do Menos para o Mais adiciona decomposição de problemas e resolução sequencial para problemas mais difíceis.