Cuộc tháo chạy nhân tài tại DeepMind 2026: Ai đi, đi đâu, và những kỹ thuật lập luận mà họ xây dựng

Vào tháng 6 năm 2026, Google DeepMind đã trải qua một trong những đợt mất nhân tài tập trung nhất trong lịch sử AI. Trong vòng một tuần, ít nhất năm nhà nghiên cứu cấp cao đã tuyên bố ra đi để gia nhập Meta, OpenAI và Anthropic. Các sự ra đi này đã xóa sạch khoảng 270 tỷ đô la khỏi vốn hóa thị trường của Alphabet và đặt ra những câu hỏi nghiêm túc về khả năng giữ chân các nhà nghiên cứu đã xây dựng nên những hệ thống AI quan trọng nhất của Google .

Bài viết này cung cấp một tường thuật đã được kiểm chứng, theo từng nhà nghiên cứu, về ai đã ra đi, họ đã đi đâu, và điều gì đã thúc đẩy họ — tiếp theo là giải thích rõ ràng về ba kỹ thuật prompting do 'Vua lập luận' Denny Zhou phát triển.

Các sự ra đi đã được xác nhận: Năm nhà nghiên cứu, ba đối thủ

Chỉ năm trong số sáu cái tên thường được liệt kê trong các cuộc thảo luận về cuộc tháo chạy này có thể được xác nhận là đã rời Google DeepMind trong giai đoạn này. Người thứ sáu — Dawn Song — không xuất hiện trong bất kỳ bản tin nào về làn sóng tháng 6 năm 2026 và dường như là một sai sót. Lý lịch của Song là về bảo mật và AI (Đại học California, Berkeley), và không có bằng chứng nào cho thấy cô từng ở Google DeepMind hoặc rời đi trong thời gian này .

Noam Shazeer → OpenAI (Ngày 18 tháng 6 năm 2026)

Shazeer là đồng tác giả của kiến trúc Transformer, đồng trưởng nhóm mô hình Gemini của Google, và là một trong những nhà nghiên cứu AI có ảnh hưởng nhất của thập kỷ. Sự ra đi của ông được cho là do việc phân bổ lại tài nguyên tính toán nội bộ — Google đã chuyển hướng sức mạnh tính toán của nhóm ông sang nhóm tiền huấn luyện tại London của DeepMind, khiến dự án biến thể Transformer của ông phải ngừng lại . Điều này đặc biệt đáng chú ý vì Google chỉ mới đưa Shazeer trở lại vào năm 2024 thông qua thương vụ mua lại công ty khởi nghiệp Character.AI của ông trị giá 2,7 tỷ đô la .

John Jumper → Anthropic (Ngày 19 tháng 6 năm 2026)

Jumper, người đã chia sẻ Giải Nobel Hóa học năm 2024 cho việc đồng tạo ra AlphaFold, đã thông báo trên X rằng ông sẽ ra đi sau 'gần 9 năm' . Khoảng thời gian cuối cùng của ông tại Google tập trung vào các công cụ mã hóa AI, không phải công trình khoa học đã mang lại cho ông giải Nobel . Sự ra đi của ông, kết hợp với Shazeer, đã xóa sạch khoảng 270 tỷ đô la khỏi vốn hóa thị trường của Alphabet chỉ trong một phiên giao dịch .

Jonas Adler → Anthropic (được công bố ~Ngày 24 tháng 6 năm 2026)

Adler được xem nội bộ là người đóng góp chính cho Gemini và nỗ lực mã hóa AI của Google. Những người quen thuộc với động thái này đã trích dẫn mong muốn được làm việc tại một công ty khởi nghiệp AI nhanh nhẹn hơn .

Alexander Pritzel → Anthropic (được công bố ~Ngày 24 tháng 6 năm 2026)

Pritzel đã làm việc về tiền huấn luyện Gemini và AlphaFold. Sự ra đi của ông được báo cáo cùng với Adler, với cùng bối cảnh tìm kiếm môi trường có nhịp độ nhanh hơn .

Denny Zhou → Meta (được báo cáo ngày 26 tháng 6 năm 2026)

Zhou, được biết đến với biệt danh 'Vua lập luận' của DeepMind và là người sáng lập nhóm nghiên cứu lập luận của Google Brain, đã rời đi một cách lặng lẽ. Ông không có lời từ biệt công khai — động thái này được HTX đưa tin sau khi ông cập nhật LinkedIn cho thấy ông đã làm việc tại Meta được bốn tháng . Zhou hoặc Meta không đưa ra lời giải thích nào.

Bối cảnh rộng hơn: Điều gì đã thúc đẩy cuộc tháo chạy?

Nhiều nguồn tin mô tả một sự chảy máu chất xám rộng lớn hơn tại DeepMind trong suốt năm 2026, do ba yếu tố thúc đẩy :

• Sự săn đón quyết liệt từ các đối thủ giàu có Anthropic và OpenAI, cả hai đều đang chuẩn bị cho màn ra mắt thị trường.
• Sự thất vọng nội bộ về việc phân bổ tài nguyên tính toán — cảm giác rằng bộ máy quan liêu của Google đang làm chậm tốc độ nghiên cứu so với các công ty khởi nghiệp .
• Nhận thức về sự quan liêu: các nhà nghiên cứu cảm thấy họ có thể di chuyển nhanh hơn tại các phòng thí nghiệm nhỏ hơn, tập trung hơn.

Ba kỹ thuật lập luận của Denny Zhou

Denny Zhou và các cộng sự của ông đã phát triển ba kỹ thuật prompting nền tảng đã trở thành trung tâm của cách các mô hình ngôn ngữ lớn lập luận. Chúng tạo thành một chồng kỹ thuật tiến bộ, mỗi kỹ thuật xây dựng dựa trên kỹ thuật trước đó.

1. Chain-of-Thought (CoT) Prompting

Nó làm gì: Thay vì yêu cầu LLM đưa ra câu trả lời trực tiếp (đầu vào → đầu ra), CoT yêu cầu mô hình tạo ra một chuỗi các bước suy luận trung gian bằng ngôn ngữ tự nhiên trước khi đi đến câu trả lời cuối cùng (đầu vào → các bước suy luận → đầu ra).

Lợi ích chính: Cải thiện đáng kể hiệu suất trên các tác vụ lập luận số học, thông thường và biểu tượng. Nó cũng cho phép khả năng diễn giải — bạn có thể đọc 'quy trình suy nghĩ' của mô hình. Kết hợp với các mô hình lớn như PaLM-540B, CoT đã đạt được kết quả hiện đại nhất chỉ với 0,1% các ví dụ được chú thích .

2. Self-Consistency

Nó làm gì: Một chiến lược giải mã cải tiến so với CoT. Thay vì chỉ lấy một chuỗi suy luận duy nhất, mô hình tạo ra nhiều đường dẫn suy luận CoT độc lập (thông qua lấy mẫu với nhiệt độ cao hơn), sau đó chọn câu trả lời nhất quán nhất trên tất cả các đường dẫn bằng cách biểu quyết đa số .

Lợi ích chính: Giảm thiểu sự khác biệt của một chuỗi suy luận đơn lẻ. Một đường dẫn CoT duy nhất có thể sai do một bước sai sót; tự nhất quán tính trung bình trên sự đa dạng và mạnh mẽ hơn đáng kể trên các điểm chuẩn toán học và lập luận . Denny Zhou đã nhấn mạnh rằng self-consistency không nên được hiểu một cách hời hợt như là biểu quyết đa số đơn thuần — nó là một triển khai thực nghiệm của quá trình biên hóa .

3. Least-to-Most Prompting

Nó làm gì: Một chiến lược prompting hai giai đoạn được thiết kế cho các vấn đề khó hơn các ví dụ trong prompt. Đầu tiên, mô hình phân rã vấn đề khó ban đầu thành một danh sách các vấn đề phụ đơn giản hơn. Sau đó, nó giải quyết tuần tự các vấn đề phụ đó, sử dụng câu trả lời của mỗi vấn đề phụ trước đó làm ngữ cảnh cho vấn đề tiếp theo .

Lợi ích chính: Cho phép tổng quát hóa từ dễ đến khó — mô hình có thể giải quyết các vấn đề khó hơn bất kỳ ví dụ nào nó được xem. Nó đã được chứng minh trên các tác vụ thao tác biểu tượng, các điểm chuẩn tổng quát hóa thành phần (như SCAN và CFQ), và các tác vụ lập luận toán học . Zhou mô tả nó là 'Lập kế hoạch + Lập luận' .

Tóm tắt

Năm trong số sáu nhà nghiên cứu được liệt kê đã được xác nhận rời DeepMind để đến Meta, OpenAI hoặc Anthropic vào tháng 6 năm 2026, do bị đối thủ săn đón, tranh chấp phân bổ tài nguyên tính toán và mong muốn tìm kiếm môi trường có nhịp độ nhanh hơn. Sự ra đi của Dawn Song không thể được xác minh và không thuộc về làn sóng này. Ba kỹ thuật prompting của Zhou — Chain-of-Thought, Self-Consistency và Least-to-Most — tạo thành một chồng kỹ thuật tiến bộ: CoT thêm các bước suy luận, Self-Consistency thêm cơ chế biểu quyết trên nhiều đường dẫn suy luận, và Least-to-Most thêm khả năng phân rã bài toán và giải tuần tự cho các vấn đề khó hơn.