Втеча талантів із DeepMind у 2026 році: хто пішов, куди і які техніки міркувань вони створили

Підтверджені звільнення: п'ятеро дослідників, три конкуренти

Лише п'ять із шести імен, які зазвичай згадують у зв'язку з цим результатом, можна підтвердити як таких, що залишили Google DeepMind у той період. Шосте ім'я — Даун Сонг — не з'являється в жодних новинних репортажах про хвилю червня 2026 року і, схоже, є помилкою. Сонг відома своєю роботою в галузі безпеки та ШІ (Каліфорнійський університет, Берклі), і не знайдено жодних доказів того, що вона працювала в Google DeepMind або звільнилася в цей період .

Ноам Шазір → OpenAI (18 червня 2026)

Шазір був співвинахідником архітектури Transformer, співкерівником моделей Gemini від Google та одним із найвпливовіших дослідників ШІ десятиліття. Його звільнення, за повідомленнями, спровокував внутрішній перерозподіл обчислювальних ресурсів — Google перенаправив обчислювальні потужності його команди лондонській групі попереднього навчання DeepMind, призупинивши його проект варіанту Transformer . Це було особливо вражаюче, оскільки Google лише у 2024 році повернув Шазіра завдяки угоді на 2,7 мільярда доларів з його стартапом Character.AI .

Джон Джампер → Anthropic (19 червня 2026)

Джампер, який отримав Нобелівську премію з хімії 2024 року за співтворення AlphaFold, оголосив у X, що йде з компанії після «майже 9 років» . Свій останній період у Google він присвятив інструментам для кодування ШІ, а не науковій роботі, яка принесла йому Нобелівську премію . Його звільнення разом із звільненням Шазіра призвело до падіння ринкової капіталізації Alphabet приблизно на 270 мільярдів доларів за одну торгову сесію .

Йонас Адлер → Anthropic (оголошено ~24 червня 2026)

Адлер вважався ключовим учасником розробки Gemini та зусиль Google зі створення ШІ-кодування. Люди, знайомі з його кроком, посилалися на бажання працювати в більш гнучкому стартапі у сфері ШІ .

Александер Прітцель → Anthropic (оголошено ~24 червня 2026)

Прітцель працював над попереднім навчанням Gemini та AlphaFold. Про його звільнення повідомлялося разом з Адлером, з тим самим контекстом пошуку більш динамічного середовища .

Денні Чжоу → Meta (повідомлено 26 червня 2026)

Чжоу, відомий як «король міркувань» DeepMind та засновник дослідницької групи з міркувань Google Brain, пішов тихо. Він не зробив жодної публічної заяви — про перехід повідомило HTX після того, як він оновив свій LinkedIn, показавши, що вже чотири місяці працює в Meta . Ні Чжоу, ні Meta не надали жодних пояснень.

Ширший контекст: що спричинило результат?

Численні джерела описують ширший відтік талантів у DeepMind протягом 2026 року, спричинений трьома факторами :

• Агресивне переманювання добре фінансованими конкурентами Anthropic та OpenAI, які готувалися до виходу на ринок.
• Внутрішнє розчарування розподілом обчислювальних ресурсів — відчуття, що бюрократія Google уповільнює швидкість досліджень порівняно зі стартапами .
• Сприйняття бюрократії: дослідники вважали, що зможуть працювати швидше в менших, більш сфокусованих лабораторіях.

Три техніки міркувань Денні Чжоу

Денні Чжоу та його співавтори розробили три фундаментальні техніки промптингу, які стали центральними для того, як великі мовні моделі здійснюють міркування. Вони утворюють прогресивний стек, де кожна наступна техніка будується на попередній.

1. Chain-of-Thought (CoT) Prompting

Як це працює: Замість того, щоб пропонувати LLM видавати відповідь безпосередньо (вхід → вихід), CoT спонукає модель генерувати послідовність проміжних кроків міркувань природною мовою, перш ніж дійти до кінцевої відповіді (вхід → кроки міркувань → вихід).

Ключова перевага: Значно покращує продуктивність на задачах арифметики, здорового глузду та символічних міркувань. Також забезпечує інтерпретованість — можна прочитати «процес мислення» моделі. У поєднанні з великими моделями, як-от PaLM-540B, CoT досягав найкращих результатів, використовуючи лише 0,1% анотованих прикладів .

2. Self-Consistency

Як це працює: Стратегія декодування, яка вдосконалює CoT. Замість того, щоб покладатися на єдиний ланцюжок міркувань, модель генерує кілька незалежних шляхів міркувань CoT (шляхом семплювання з вищою температурою), а потім вибирає найбільш узгоджену відповідь серед усіх шляхів шляхом голосування більшістю .

Ключова перевага: Пом'якшує варіабельність єдиного ланцюжка міркувань. Один шлях CoT може бути помилковим через один хибний крок; self-consistency усереднює різноманітність і є значно надійнішим у математичних завданнях та завданнях на міркування . Денні Чжоу наголошує, що self-consistency не варто поверхово інтерпретувати як просте голосування більшістю — це емпірична реалізація маргіналізації .

3. Least-to-Most Prompting

Як це працює: Двоетапна стратегія промптингу, розроблена для задач, складніших за приклади в промпті. Спочатку модель декомпозує вихідну складну проблему на список простіших підзадач. Потім вона послідовно розв'язує ці підзадачі, використовуючи відповідь на кожну попередню підзадачу як контекст для наступної .

Ключова перевага: Уможливлює узагальнення від легкого до складного — модель може розв'язувати проблеми, які є суттєво складнішими за будь-який показаний їй приклад. Це було продемонстровано на задачах символічних маніпуляцій, композиційного узагальнення (таких як SCAN та CFQ) та математичних міркувань . Чжоу описує цю техніку як «Планування + Міркування» .

Підсумки

П'ятеро з шести перелічених дослідників підтверджено залишили DeepMind для переходу в Meta, OpenAI або Anthropic у червні 2026 року, що було спричинено переманюванням конкурентами, суперечками щодо розподілу обчислювальних ресурсів та бажанням працювати в більш динамічному середовищі. Звільнення Даун Сонг не вдалося підтвердити, і вона не належить до цієї хвилі. Три техніки промптингу Чжоу — Chain-of-Thought, Self-Consistency та Least-to-Most — утворюють прогресивний стек: CoT додає кроки міркувань, Self-Consistency додає голосування за кількома шляхами міркувань, а Least-to-Most додає декомпозицію проблеми та послідовне розв'язання для складніших задач.