DeepMind 2026 人才出走潮：五位核心研究員一週內全數投靠對手

2026 年 6 月，Google DeepMind 遭遇了 AI 史上最嚴重的人才流失之一。短短一週內，至少五位頂尖研究員相繼宣布投奔 Meta、OpenAI 與 Anthropic。這些離職事件導致 Alphabet 市值蒸發約 2700 億美元，也讓外界對 Google 留住核心 AI 人才的能力產生重大疑慮 。

本文將逐一核實每位研究員的離職動向，包括他們去了哪裡、為何離開，並深入解析被稱為「推理之王」的 Denny Zhou 所開發的三項提示技術。

已確認的離職名單：五位研究員，三大對手

在這波離職潮中，常被提及的六人名單中，僅有五人可以確認是在此期間離開 Google DeepMind。第六人——Dawn Song——並未出現在任何相關新聞報導中，應為資訊誤植。Dawn Song 的背景是安全與 AI 領域（加州大學柏克萊分校），沒有證據顯示她曾在 Google DeepMind 任職或在這個時間點離職 。

Noam Shazeer → OpenAI（2026 年 6 月 18 日）

Shazeer 是 Transformer 架構的共同發明者、Google Gemini 模型的共同負責人，也是這十年來最具影響力的 AI 研究員之一。他的離職據報是因內部運算資源重新分配所致——Google 將他所屬團隊的算力轉移至 DeepMind 倫敦預訓練團隊，導致他的 Transformer 變體專案被迫擱置 。這項消息格外引人注目，因為 Google 才在 2024 年以 27 億美元收購其創立的 Character.AI，藉此將他找回公司 。

John Jumper → Anthropic（2026 年 6 月 19 日）

Jumper 因共同開發 AlphaFold 而獲得 2024 年諾貝爾化學獎。他在 X 平台上宣布自己將在「將近 9 年」後離開 。在 Google 的最後一段時間，他主要投入 AI 程式碼工具開發，而非讓他獲得諾貝爾獎的科學研究 。他的離職加上 Shazeer 的離職，在單一交易日內讓 Alphabet 的市值蒸發約 2700 億美元 。

Jonas Adler → Anthropic（2026 年 6 月 24 日前後宣布）

Adler 在內部被視為 Gemini 與 Google AI 程式碼開發的關鍵貢獻者。消息人士指出，他希望能在一家更具靈活性的 AI 新創公司工作 。

Alexander Pritzel → Anthropic（2026 年 6 月 24 日前後宣布）

Pritzel 負責 Gemini 預訓練與 AlphaFold 相關工作。他的離職與 Adler 幾乎同時被報導，同樣是因為嚮往節奏更快的工作環境 。

Denny Zhou → Meta（2026 年 6 月 26 日報導）

Zhou 被稱為 DeepMind 的「推理之王」，也是 Google Brain 推理研究小組的創始人。他的離職極為低調——沒有公開發表告別信，相關消息是由 HTX 根據他 LinkedIn 上的更新指出他已在 Meta 工作四個月後才被報導 。Zhou 與 Meta 均未對此事發表任何說明。

離職潮的深層原因

多家媒體報導指出，2026 年 DeepMind 面臨更大規模的人才流失，主要原因有三 ：

• 競爭對手積極挖角：資金充裕的 Anthropic 與 OpenAI 正為首次公開募股做準備，大舉招募人才。
• 內部對運算資源分配的不滿：研究員認為 Google 的官僚體制拖慢了研究速度，相較於新創公司處於劣勢 。
• 對官僚文化的倦怠：研究員覺得在規模較小、更專注的實驗室中能更快推進研究。

Denny Zhou 的三項推理技術

Denny Zhou 與其合作者開發了三項基礎提示技術，這些技術已成為大型語言模型推理能力的核心。它們構成一個漸進式架構，每一項都以前一項為基礎。

1. 思維鏈提示（Chain-of-Thought, CoT）

運作方式： 傳統提示直接要求模型輸出答案（輸入 → 輸出），而 CoT 提示則引導模型在給出最終答案之前，先生成一系列中間的自然語言推理步驟（輸入 → 推理步驟 → 輸出）。

主要優勢： 在算術、常識推理與符號推理任務上表現大幅提升。同時具備可解釋性——你可以讀取模型的「思考過程」。搭配大型模型如 PaLM-540B 使用時，CoT 僅需 0.1% 的註釋範例就能達到最先進的結果 。

2. 自我一致性（Self-Consistency）

運作方式： 這是一種解碼策略，旨在改進 CoT。模型不再僅依賴單一推理鏈，而是透過更高溫度的採樣生成多條獨立的 CoT 推理路徑，然後透過多數決選出最一致的答案 。

主要優勢： 減輕單一推理鏈的變異性。單一 CoT 路徑可能因一個錯誤步驟而導致錯誤結果；自我一致性透過多樣性進行平均，在數學與推理基準測試上表現更加穩健 。Denny Zhou 強調，不應將自我一致性簡單地理解為多數決——它是邊際化（marginalization）的經驗實現 。

3. 由淺入深提示（Least-to-Most Prompting）

運作方式： 這是一種兩階段的提示策略，專門用來解決比提示範例更困難的問題。首先，模型分解原始難題，列出一系列較簡單的子問題。然後，模型依序解決這些子問題，每個子問題的解答都以上一個子問題的答案為背景 。

主要優勢： 實現由易到難的泛化——模型能解決比所見範例更難的問題。已在符號操作、組合泛化基準測試（如 SCAN 和 CFQ）以及數學推理任務上獲得驗證 。Zhou 將此技術描述為「規劃 + 推理」 。

總結

六位研究員中，有五人已確認在 2026 年 6 月離開 DeepMind，分別加入 Meta、OpenAI 或 Anthropic，主要原因包括競爭對手挖角、運算資源分配爭議，以及對更快速工作環境的渴望。Dawn Song 的離職無法被證實，不應歸入此波離職潮。Zhou 的三項提示技術——思維鏈、自我一致性與由淺入深提示——構成一套漸進式架構：CoT 增加推理步驟，自我一致性透過多路徑投票提升穩定性，由淺入深提示則透過問題分解與循序解決來應對更困難的問題。