Исход талантов из DeepMind в 2026 году: кто ушел, куда и какие техники рассуждений они создали

John Jumper → Anthropic (19 июня 2026)

Джампер, разделивший Нобелевскую премию по химии 2024 года за создание AlphaFold, объявил в X, что уходит «почти после 9 лет» . Последний отрезок его работы в Google был сосредоточен на инструментах ИИ для кодинга, а не на научной работе, принесшей ему Нобеля . Его уход в сочетании с уходом Шазира стер около $270 миллиардов рыночной капитализации Alphabet за одну торговую сессию .

Jonas Adler → Anthropic (объявлено ~24 июня 2026)

Адлер внутренне считался ключевым участником проектов Gemini и усилий Google по ИИ-кодингу. Люди, знакомые с ситуацией, назвали причиной желание работать в более гибком ИИ-стартапе .

Alexander Pritzel → Anthropic (объявлено ~24 июня 2026)

Притцель работал над предварительным обучением Gemini и AlphaFold. Об его уходе сообщалось одновременно с Адлером, с тем же контекстом — стремление к более динамичной среде .

Denny Zhou → Meta (сообщено 26 июня 2026)

Чжоу, известный как «король рассуждений» DeepMind и основатель исследовательской группы рассуждений Google Brain, ушел тихо. Он не делал публичных прощаний — о переходе сообщило HTX после того, как он обновил свой LinkedIn, показав, что уже четыре месяца работает в Meta . Ни Чжоу, ни Meta не дали объяснений.

Общий контекст: что вызвало исход?

Множество источников описывают более широкую утечку талантов из DeepMind на протяжении 2026 года, вызванную тремя факторами :

• Агрессивный хантинг со стороны хорошо финансируемых конкурентов Anthropic и OpenAI, готовящихся к выходу на рынок.
• Внутреннее недовольство распределением вычислительных ресурсов — ощущение, что бюрократия Google замедляет скорость исследований по сравнению со стартапами .
• Восприятие бюрократичности: исследователи чувствовали, что могут двигаться быстрее в меньших, более узконаправленных лабораториях.

Три техники рассуждений Денни Чжоу

Денни Чжоу и его соавторы разработали три основополагающие техники промптинга, которые стали центральными для того, как большие языковые модели рассуждают. Они образуют прогрессивный стек, где каждая следующая строится на предыдущей.

1. Chain-of-Thought (CoT) Prompting (Цепочка мыслей)

Что делает: Вместо того чтобы побуждать языковую модель выдавать ответ напрямую (ввод → вывод), CoT предлагает модели сгенерировать последовательность промежуточных шагов рассуждения на естественном языке перед тем, как прийти к финальному ответу (ввод → шаги рассуждения → вывод).

Ключевое преимущество: Значительно улучшает производительность на задачах арифметики, здравого смысла и символических рассуждений. Также позволяет интерпретировать «ход мыслей» модели. В сочетании с большими моделями, такими как PaLM-540B, CoT достиг самых современных результатов, используя всего 0,1% аннотированных примеров .

2. Self-Consistency (Самосогласованность)

Что делает: Стратегия декодирования, улучшающая CoT. Вместо использования одной цепочки рассуждений модель генерирует несколько независимых путей рассуждений CoT (путем сэмплирования с более высокой температурой), а затем выбирает наиболее согласованный ответ среди всех путей голосованием большинства .

Ключевое преимущество: Снижает вариативность одной цепочки рассуждений. Один путь CoT может быть неверным из-за одной ошибочной ступени; Self-Consistency усредняет разнообразие и значительно более устойчива на задачах математики и рассуждений . Денни Чжоу подчеркивал, что Self-Consistency не следует поверхностно интерпретировать как простое голосование — это эмпирическая реализация маргинализации .

3. Least-to-Most Prompting (От простого к сложному)

Что делает: Двухэтапная стратегия промптинга для задач, сложнее примеров в запросе. Сначала модель декомпозирует исходную сложную проблему на список более простых подзадач. Затем она последовательно решает эти подзадачи, используя ответ каждой предыдущей подзадачи как контекст для следующей .

Ключевое преимущество: Позволяет обобщение от легкого к сложному — модель может решать задачи, которые строго сложнее любого показанного ей примера. Демонстрация проведена на задачах символьных манипуляций, бенчмарках композиционной генерализации (например, SCAN и CFQ) и математических рассуждениях . Чжоу описывает это как «Планирование + Рассуждение» .

Резюме

Пять из шести перечисленных исследователей подтвержденно покинули DeepMind в июне 2026 года, перейдя в Meta, OpenAI или Anthropic. Причинами стали переманивание конкурентами, споры о распределении вычислительных ресурсов и желание работать в более динамичной среде. Уход Dawn Song не удалось подтвердить, и он не относится к этой волне. Три техники промптинга Чжоу — Chain-of-Thought, Self-consistency и Least-to-Most — образуют прогрессивный стек: CoT добавляет шаги рассуждения, Self-Consistency добавляет голосование по множеству путей, а Least-to-Most — декомпозицию задач и последовательное решение сложных проблем.