DeepMind'in 2026'daki Büyük Çıkışı: Araştırmacılar Neden Rakiplere Geçti?

John Jumper → Anthropic (19 Haziran 2026)

AlphaFold'u birlikte yaratarak 2024 Nobel Kimya Ödülü'nü paylaşan Jumper, X'te "neredeyse 9 yıl" sonra ayrıldığını duyurdu . Google'daki son dönemi, kendisine Nobel kazandıran bilimsel çalışmalardan ziyade YZ kodlama araçlarına odaklanmıştı . Onun ve Shazeer'in ayrılışı, tek bir işlem seansında Alphabet'in piyasa değerinden yaklaşık 270 milyar doların silinmesine neden oldu .

Jonas Adler → Anthropic (~24 Haziran 2026'da duyuruldu)

Adler, dahili olarak Gemini ve Google'ın YZ kodlama çalışmalarına kilit katkı sağlayan biri olarak görülüyordu. Bu hamleye aşina kişiler, daha çevik bir YZ start-up'ında çalışma arzusunu neden olarak gösterdi .

Alexander Pritzel → Anthropic (~24 Haziran 2026'da duyuruldu)

Pritzel, Gemini'nin ön eğitimi ve AlphaFold üzerinde çalıştı. Ayrılışı, Adler'inkiyle birlikte ve aynı bağlamda, daha hızlı tempolu ortamlar arayışı olarak rapor edildi .

Denny Zhou → Meta (26 Haziran 2026'da rapor edildi)

DeepMind'ın "Akıl Yürütme Kralı" ve Google Beyin'in akıl yürütme araştırma grubunun kurucusu olarak bilinen Zhou, sessiz sedasız ayrıldı. Hiçbir veda mesajı yayınlamadı; bu hareket, LinkedIn profilini güncelleyerek dört aydır Meta'da çalıştığını ortaya koymasının ardından HTX tarafından rapor edildi . Zhou veya Meta'dan herhangi bir açıklama yapılmadı.

Daha Geniş Bağlam: Çıkışı Tetikleyen Nedenler

Birden fazla kaynak, 2026 boyunca DeepMind'da yaşanan ve üç faktör tarafından tetiklenen daha geniş bir yetenek kaybını tanımlıyor :

• İyi finanse edilen rakipler Anthropic ve OpenAI tarafından agresif avlanma: Her iki şirket de halka arzlarına hazırlanıyordu.
• Hesaplama kaynağı tahsisi konusunda iç hayal kırıklığı: Araştırmacılar, Google'ın bürokrasisinin start-up'lara kıyasla araştırma hızını yavaşlattığını düşünüyordu .
• Bürokrasi algısı: Araştırmacılar, daha küçük ve odaklı laboratuvarlarda daha hızlı hareket edebileceklerini hissettiler.

Denny Zhou'un Üç Akıl Yürütme Tekniği

Denny Zhou ve işbirlikçileri, büyük dil modellerinin (LLM'ler) akıl yürütme biçiminin merkezinde yer alan üç temel yönlendirme tekniği geliştirdi. Bunlar, her biri bir öncekinin üzerine inşa edilen ilerleyen bir yapı oluşturur.

1. Düşünce Zinciri (Chain-of-Thought - CoT) Yönlendirmesi

Ne işe yarar: Bir LLM'den doğrudan yanıt vermesini istemek (girdi → çıktı) yerine, CoT, modeli nihai cevaba ulaşmadan önce bir dizi ara doğal dil akıl yürütme adımı üretmeye yönlendirir (girdi → akıl yürütme adımları → çıktı).

Temel faydası: Aritmetik, sağduyu ve sembolik akıl yürütme görevlerinde performansı önemli ölçüde artırır. Ayrıca yorumlanabilirlik sağlar; modelin "düşünce sürecini" okuyabilirsiniz. PaLM-540B gibi büyük modellerle birleştirildiğinde CoT, açıklamalı örneklerin yalnızca %0,1'ini kullanarak son teknoloji sonuçlar elde etti .

2. Öz-Tutarlılık (Self-Consistency)

Ne işe yarar: CoT'yi geliştiren bir kod çözme stratejisidir. Tek bir akıl yürütme zinciri almak yerine, model birden çok bağımsız CoT akıl yürütme yolu (daha yüksek sıcaklıkla örnekleme yoluyla) oluşturur ve ardından tüm yollar arasında en tutarlı cevabı çoğunluk oyuyla seçer .

Temel faydası: Tek bir akıl yürütme zincirinin varyansını azaltır. Tek bir CoT yolu hatalı bir adım nedeniyle yanlış olabilir; öz-tutarlılık, çeşitlilik üzerinden ortalama alır ve matematik ve akıl yürütme kıyaslamalarında önemli ölçüde daha sağlamdır . Denny Zhou, öz-tutarlılığın yüzeysel olarak sadece çoğunluk oylaması olarak yorumlanmaması gerektiğini, bunun marjinalleştirmenin (marginalization) ampirik bir uygulaması olduğunu vurgulamıştır .

3. En Azdan En Çoğa (Least-to-Most) Yönlendirme

Ne işe yarar: İpucundaki (prompt) örneklerden daha zor problemler için tasarlanmış iki aşamalı bir yönlendirme stratejisidir. İlk olarak model, orijinal zor problemi daha basit alt problemlerden oluşan bir listeye ayrıştırır (decompose). Ardından, bu alt problemleri sırayla çözer ve her bir önceki alt problemin cevabını bir sonraki için bağlam olarak kullanır .

Temel faydası: Kolaydan zora genellemeyi (easy-to-hard generalization) mümkün kılar; model, kendisine gösterilen herhangi bir örnekten kesinlikle daha zor olan problemleri çözebilir. Sembolik manipülasyon, bileşimsel genelleme kıyaslamaları (SCAN ve CFQ gibi) ve matematiksel akıl yürütme görevlerinde gösterilmiştir . Zhou bunu "Planlama + Akıl Yürütme" olarak tanımlar .

Özet

Listelenen altı araştırmacıdan beşinin Haziran 2026'da DeepMind'dan Meta, OpenAI veya Anthropic'e geçtiği doğrulandı. Bu çıkışların ardında rakip avlanması, hesaplama kaynağı tahsisi anlaşmazlıkları ve daha hızlı tempolu ortamlara duyulan özlem yatıyor. Dawn Song'un ayrılışı doğrulanamadı ve bu dalganın bir parçası değil. Zhou'nun üç yönlendirme tekniği — CoT, Öz-Tutarlılık ve En Azdan En Çoğa — ilerleyen bir yapı oluşturur: CoT akıl yürütme adımları ekler, Öz-Tutarlılık birden çok akıl yürütme yolu arasında oylama ekler ve En Azdan En Çoğa, daha zor problemler için problem ayrıştırma ve sıralı çözüm ekler.