DeepMinds massflykt 2026: Vem lämnade, vart de tog vägen och resonemangsmetoderna de byggde

I juni 2026 drabbades Google DeepMind av en av de mest koncentrerade talangförlusterna i AI-historien. Under loppet av en enda vecka meddelade minst fem seniora forskare att de lämnade för Meta, OpenAI och Anthropic. Avhoppen raderade cirka 270 miljarder dollar från Alphabets börsvärde och väckte allvarliga frågor om Googles förmåga att behålla de forskare som byggt dess viktigaste AI-system .

Den här artikeln ger en faktagranskad, forskare-för-forskare-redogörelse över vem som lämnade, vart de tog vägen och vad som drev dem – följt av en tydlig förklaring av de tre promptningstekniker som utvecklats av den avgående "Resonemangskungen", Denny Zhou.

De bekräftade avhoppen: Fem forskare, tre rivaler

Endast fem av de sex namnen som vanligtvis nämns i samband med denna massflykt kan bekräftas ha lämnat Google DeepMind under denna period. Det sjätte – Dawn Song – förekommer inte i några nyhetsrapporter om vågen i juni 2026 och verkar vara ett fel. Songs bakgrund ligger inom säkerhet och AI (University of California, Berkeley), och inga bevis har hittats för att hon var på Google DeepMind eller lämnade under detta fönster .

Noam Shazeer → OpenAI (18 juni 2026)

Shazeer var en av uppfinnarna av Transformer-arkitekturen, medledare för Googles Gemini-modeller och en av decenniets mest inflytelserika AI-forskare. Hans avhopp utlöstes av en intern omfördelning av beräkningsresurser – Google omdirigerade hans teams beräkningskraft till DeepMinds London-baserade förträningsgrupp, vilket lade ner hans Transformer-variantprojekt . Detta var särskilt anmärkningsvärt eftersom Google bara hade tagit tillbaka Shazeer 2024 genom ett 2,7 miljarder dollar stort förvärv av hans startup Character.AI .

John Jumper → Anthropic (19 juni 2026)

Jumper, som delade 2024 års Nobelpris i kemi för att ha skapat AlphaFold, meddelade på X att han lämnade efter "nästan 9 år" . Hans sista tid på Google hade ägnats åt AI-kodningsverktyg, inte det vetenskapliga arbete som gav honom Nobelpriset . Hans avhopp, tillsammans med Shazeers, utplånade cirka 270 miljarder dollar från Alphabets börsvärde under en enda handelsdag .

Jonas Adler → Anthropic (meddelat ~24 juni 2026)

Adler sågs internt som en nyckelperson bakom Gemini och Googles AI-kodningssatsning. Personer med insyn angav en önskan att arbeta på en mer smidig AI-startup som orsak .

Alexander Pritzel → Anthropic (meddelat ~24 juni 2026)

Pritzel arbetade med Gemini-förträning och AlphaFold. Hans avhopp rapporterades tillsammans med Adlers, med samma bakgrund om att söka snabbare miljöer .

Denny Zhou → Meta (rapporterat 26 juni 2026)

Zhou, känd som DeepMinds "Resonemangskung" och grundare av Google Breains resonemangsforskningsgrupp, lämnade i tysthet. Han gjorde inget offentligt farväl – flytten rapporterades av HTX efter att han uppdaterade sin LinkedIn för att visa att han redan hade arbetat på Meta i fyra månader . Ingen förklaring gavs av Zhou eller Meta.

Den bredare kontexten: Vad drev massflykten?

Flera källor beskriver en bredare talangdränering på DeepMind under hela 2026, driven av tre faktorer :

• Aggressiv värvning av väletablerade rivaler Anthropic och OpenAI, som båda förberedde sig för marknadsintroduktioner.
• Intern frustration över resursfördelning – känslan av att Googles byråkrati bromsade forskningshastigheten jämfört med startups .
• Upplevd byråkrati: forskare kände att de kunde arbeta snabbare på mindre, mer fokuserade labb.

De tre resonemangsmetoderna av Denny Zhou

Denny Zhou och hans medarbetare utvecklade tre grundläggande promptningstekniker som har blivit centrala för hur stora språkmodeller resonerar. De bildar en progressiv stapel, där varje teknik bygger på den föregående.

1. Chain-of-Thought (CoT) Prompting

Vad den gör: Istället för att uppmana en LLM att direkt mata ut ett svar (input → output), uppmanar CoT modellen att generera en sekvens av mellanliggande naturliga språkresonemangssteg innan den når det slutgiltiga svaret (input → resonemangssteg → output).

Viktigaste fördelen: Förbättrar dramatiskt prestandan på aritmetiska, allmänna och symboliska resonemangsuppgifter. Det möjliggör också tolkningsbarhet – du kan läsa modellens "tankeprocess". I kombination med stora modeller som PaLM-540B uppnådde CoT toppmoderna resultat med så lite som 0,1 % av kommenterade exempel .

2. Self-Consistency

Vad den gör: En avkodningsstrategi som förbättrar CoT. Istället för att ta en enda resonemangskedja genererar modellen flera oberoende CoT-resonemangsvägar (via sampling med högre temperatur) och väljer sedan det mest konsekventa svaret över alla vägar genom majoritetsomröstning .

Viktigaste fördelen: Mildrar variansen från en enda resonemangskedja. En enskild CoT-väg kan vara felaktig på grund av ett felaktigt steg; self-consistency medelvärden över mångfald och är betydligt mer robust på matematik- och resonemangsriktmärken . Denny Zhou har betonat att self-consistency inte ska tolkas ytligt som enkel majoritetsomröstning – det är en empirisk implementering av marginalisering .

3. Least-to-Most Prompting

Vad den gör: En tvåstegs promptningsstrategi utformad för problem som är svårare än exemplen i prompten. Först delar modellen upp det ursprungliga svåra problemet i en lista av enklare delproblem. Sedan löser den sekventiellt dessa delproblem, med svaret från varje tidigare delproblem som sammanhang för nästa .

Viktigaste fördelen: Möjliggör enkel-till-svår generalisering – modellen kan lösa problem som är strikt svårare än något exempel den visades. Det har demonstrerats på symbolisk manipulation, sammansättningsgeneralisering (som SCAN och CFQ) och matematiska resonemangsuppgifter . Zhou beskriver det som "Planering + Resonemang" .

Sammanfattning

Fem av sex listade forskare bekräftas ha lämnat DeepMind för Meta, OpenAI eller Anthropic i juni 2026, drivna av konkurrentvärvning, tvister om resursfördelning och en önskan om snabbare miljöer. Dawn Songs avhopp kunde inte verifieras och tillhör inte denna våg. Zhous tre promptningstekniker – Chain-of-Thought, Self-Consistency och Least-to-Most – bildar en progressiv stapel: CoT lägger till resonemangssteg, Self-Consistency lägger till omröstning över flera resonemangsvägar, och Least-to-Most lägger till problemnedbrytning och sekventiell lösning för svårare problem.