DeepMind 2026 人才大逃亡：五名核心研究員離巢內幕，以及「推理王」周登尼嘅三項絕學

2026年6月，Google DeepMind 經歷咗 AI 史上最嚴重嘅人才流失事件之一。喺短短一個星期內，至少五名高級研究員宣布離巢，分別轉投 Meta、OpenAI 同 Anthropic。呢波「跳船潮」令 Alphabet 市值一度蒸發約 2700 億美元，更加引發業界對 Google 留住頂尖 AI 人才能力嘅質疑 。

本文會逐個確認邊個走咗、去咗邊度、點解要走，然後詳細拆解被稱為 DeepMind「推理王」周登尼（Denny Zhou）所創嘅三項標誌性提示技術。

確認離巢名單：五位研究員，三個競爭對手

坊間流傳嘅「六人名單」當中，其實只有 五位可以確認 喺今次浪潮中離開 Google DeepMind。第六位——Dawn Song——喺任何關於 2026 年 6 月 DeepMind 人才流失嘅報導中都冇出現過，相信係誤傳。Dawn Song 本身係柏克萊大學嘅安全與 AI 專家，冇證據顯示佢曾經喺 DeepMind 工作或者喺呢段時間離職 。

Noam Shazeer → OpenAI（2026年6月18日）

Shazeer 係 Transformer 架構嘅共同發明人，亦係 Google Gemini 模型嘅共同負責人，絕對係呢個年代最具影響力嘅 AI 研究員之一。佢離職嘅導火線據報係 Google 內部嘅運算資源重新分配——公司將佢團隊嘅算力撥咗畀 DeepMind 倫敦預訓練團隊，佢所負責嘅 Transformer 變體項目因此被迫擱置 。呢件事特別諷刺嘅係，Google 早喺 2024 年先至用 27 億美元收購佢初創公司 Character.AI，先至請得佢返嚟 。

John Jumper → Anthropic（2026年6月19日）

Jumper 因為共同開發 AlphaFold 而獲得 2024 年諾貝爾化學獎。佢喺 X（前 Twitter）宣布離開 DeepMind，話「差唔多九年啦」。佢最後喺 Google 嘅工作係集中喺 AI 編碼工具，而唔係幫佢贏得諾貝爾獎嘅科學研究 。Jumper 同 Shazeer 一齊離職嘅消息，令 Alphabet 喺一個交易日內市值蒸發約 2700 億美元 。

Jonas Adler → Anthropic（大約2026年6月24日宣布）

Adler 被內部視為 Gemini 同 Google AI 編碼項目嘅關鍵貢獻者。知情人士話佢係想喺更加靈活嘅 AI 初創公司工作 。

Alexander Pritzel → Anthropic（大約2026年6月24日宣布）

Pritzel 負責 Gemini 預訓練同 AlphaFold 相關工作。佢嘅離職同 Adler 一齊報導，同樣係追求更快節奏嘅工作環境 。

Denny Zhou → Meta（2026年6月26日報導）

被譽為 DeepMind「推理王」嘅周登尼，係 Google Brain 推理研究組嘅創辦人。佢嘅離職極之低調，冇公開告別，係 HTX 報導佢更新 LinkedIn 之後先知佢已經喺 Meta 做咗四個月 。周登尼同 Meta 都冇解釋原因。

出走背後：三大驅動因素

多個來源都描述 DeepMind 喺 2026 年全年都面對人才流失問題，主要有三大原因 ：

• 競爭對手高薪挖角：Anthropic 同 OpenAI 都準備緊上市，積極搶人。
• 內部運算資源分配爭議：研究員覺得 Google 嘅官僚體制拖慢咗研究速度，相比初創公司唔夠快 。
• 對官僚架構失望：研究員認為自己喺更細、更專注嘅實驗室可以行得更快。

周登尼嘅三項推理技術

周登尼同佢嘅團隊開發咗三項基礎提示技術，已經成為大型語言模型推理嘅核心方法。呢三項技術係層層遞進嘅。

1. Chain-of-Thought (CoT) 提示

原理： 傳統嘅提示係直接叫模型由「輸入 → 輸出」，但 CoT 就引導模型先產生一串中間嘅自然語言推理步驟，然後先畀最終答案（輸入 → 推理步驟 → 輸出）。

主要好處： 喺算術、常識推理同象徵推理任務上大幅提升表現。而且可以睇到模型嘅「思考過程」，方便解釋。配合大型模型好似 PaLM-540B，CoT 只需要 0.1% 嘅標記例子已經可以達到頂尖水準 。

2. Self-Consistency（自我一致性）

原理： 呢個係一種解碼策略，改良自 CoT。唔係只行一條推理鏈，而係叫模型用較高嘅溫度抽樣，產生 多條獨立嘅 CoT 推理路徑，然後揀出 最多路徑一致認同嘅答案（多數投票）。

主要好處： 減少單一推理鏈嘅隨機誤差。一條 CoT 路徑可能因為一步出錯就錯晒；Self-Consistency 透過多樣性平均，喺數學同推理基準測試上明顯更加穩陣 。周登尼特別強調，Self-Consistency 唔應該簡單理解為「多數投票」，而係邊緣化（marginalization）嘅實證實現 。

3. Least-to-Most Prompting（由淺入深提示）

原理： 一個兩階段提示策略，專門處理比提示例子更難嘅問題。首先，模型 拆解 原本嘅難題，變成一系列簡單嘅子問題。然後，順序解答 呢啲子問題，每個子問題嘅答案都會用嚟幫助解答下一個子問題 。

主要好處： 做到「由易到難」嘅泛化——模型可以解決比任何示範例子更難嘅問題。已經喺象徵操作、組合泛化基準（例如 SCAN 同 CFQ）同數學推理任務上得到驗證 。周登尼形容呢個技術係「規劃 + 推理」。

總結

六人名單中嘅五位可以確認喺 2026 年 6 月離開 DeepMind，分別去咗 Meta、OpenAI 或 Anthropic，原因包括挖角、算力分配爭議、以及追求更快嘅工作節奏。Dawn Song 嘅離職無法證實，唔屬於呢次事件。周登尼嘅三項提示技術——Chain-of-Thought、Self-Consistency 同 Least-to-Most——形成一套層層遞進嘅推理方法論：CoT 加入推理步驟，Self-Consistency 加入跨路徑投票，Least-to-Most 加入問題拆解同順序求解。