当 Noam Shazeer 在 6 月 18 日宣布离开 Google DeepMind 加入 OpenAI 时，Alphabet 股价单日下跌约 5%，市值蒸发约 2250 亿美元。紧接着的 48 小时内，诺贝尔化学奖得主 John Jumper 宣布转投 Anthropic，两位 Gemini 与 AlphaFold 核心研究者 Jonas Adler 和 Alexander Pritzel 也确认了同样的去向。
但最值得关注的离开可能发生在四个月前。Denny Zhou——Google Brain 推理研究团队的创始人、Chain-of-Thought 等现代大模型推理技术的奠基人——已经悄悄在 Meta Superintelligence Lab 工作了大约四个月。没有公告，没有告别帖，只有 LinkedIn 上的一次静默更新。他的新头衔：Meta Superintelligence Lab 研究科学家。
这六人的离开不是孤立的跳槽事件，而是 DeepMind 内部一场路线选择的结构性后果。
编码突击队：一场迟到的转向
2026 年 4 月，Google 内部成立了一支名为「AI Coding Strike Team」的专项团队，目标是缩小 Gemini 在编程能力上与 Anthropic Claude 和 OpenAI 编码工具的差距。团队由前 Gemini 预训练负责人 Sebastian Borgeaud 领导，Google 联合创始人 Sergey Brin 和 DeepMind CTO Koray Kavukcuoglu 亲自参与。
竞争压力非常具体。Google CFO Anat Ashkenazi 公开承认，AI 目前撰写约 50% 的 Google 代码。Anthropic 则宣称 Claude 已撰写接近 100% 的 Anthropic 代码。Brin 在内部备忘录中写道：「要赢得最后的冲刺，我们必须紧急弥合在 Agent 执行上的差距，把我们的模型变成代码的主要开发者。」
到 6 月下旬，突击队的任务范围已从 Agent 层工程扩展到 midtraining——这是一个技术意义重大的升级。Midtraining 位于预训练和后训练之间：预训练让模型接触海量通用文本，后训练通过监督微调和强化学习将模型适配到特定行为。Midtraining 则在预训练仍在进行时引入高质量领域数据——代码、数学、结构化指令——从权重层面重塑模型的知识结构，而非仅改变提示方式。Google 扩大突击队到 midtraining，意味着它正在改造 Gemini 的基础训练体系，而不仅是产品界面。
六个人的不同选择
从 2026 年 2 月到 6 月，六位核心研究者先后离开，分别选择了三个不同的对手：
去 Meta 的是推理和安全。Denny Zhou 在 Google Brain 工作八年，创立推理研究团队，主导开发了三个如今被所有主流 AI 实验室嵌入推理管线的方法：Chain-of-Thought 提示、Self-Consistency 和 Least-to-Most Prompting。三项工作累计被引用超过 128,000 次。Zhou 在 Google 内部被称为「推理之王」，现在在 Meta 构建下一代推理能力。
几乎同一时期，UC Berkeley 教授、AI 安全研究者 Dawn Song 携其联合创立的 Virtue AI 核心团队也加入了 Meta Superintelligence Lab，担任 AI 研究副总裁。Meta 在同一窗口期内同时获得了 LLM 推理方法论的奠基人和企业级 AI 安全方法论的领军者。
去 Anthropic 的是基础科学与预训练。John Jumper 与 Demis Hassabis 共享 2024 年诺贝尔化学奖，在完成 PhD 仅六个月后就领导了 AlphaFold 团队。Jonas Adler 曾领导 DeepMind 内部的 AI 编码工作，Alexander Pritzel 则从事预训练——两人都曾参与 AlphaFold 研究。Anthropic CEO Dario Amodei 近期对 Bloomberg 表示 Anthropic 计划在生物学方向做更多工作，Jumper 的加入显然是这一计划的一部分。
去 OpenAI 的是 Transformer 架构本身。Noam Shazeer 是 2017 年「Attention Is All You Need」论文的共同作者、Gemini 项目的两位联合负责人之一。Google 在 2024 年通过一笔约 27 亿美元的技术许可交易——实质上重新收购了 Shazeer 创办的 Character.AI——将他请回，但他在不到两年后再次离开。据 Bloomberg 援引知情人士报道，在 Shazeer 宣布离开前不久，他名下项目的计算资源已被重新分配给一个位于伦敦的 DeepMind 团队。
世界模型 vs. 编码优化：一场路线分裂
这些离开背后是一条更深层的断裂线：关于 AI 应该走向哪里的分歧。
世界模型——能够构建环境内部表征并预测其变化的 AI 系统——被 Demis Hassabis、Meta 的 Yann LeCun 和 Yoshua Bengio 等该领域最杰出的研究者视为通往通用人工智能的最可信路径。DeepMind 曾长期在商业产品之外同时推进这一方向。据 TechTimes 援引知情人士报道，随着计算资源向编码性能集中，世界模型相关工作正在停滞甚至可能被降级。
Coding Strike Team 向 midtraining 的扩展，本质上是对 Transformer 范式的深度优化——为一个特定商业应用重新训练模型的基础层。离开的研究者中，大多数要么是 Transformer 推理能力的构建者，要么是基础科学方向的推进者，或两者兼有。他们选择离开，不是因为钱不够多——Shazeer 通过 Character.AI 交易已获得数亿美元，Jumper 被 Fortune 描述为「不太可能是被金钱驱动的人」。
Fortune 的 Jeremy Kahn 在采访多位现任和前任 DeepMind 员工后写道，Shazeer 此前对 Google 的批评——官僚化、行动迟缓、风险规避——「仍然成立」。Kahn 指出，与烧钱换增长的 Anthropic 和 OpenAI 不同，Alphabet 有利润需要捍卫，对公开市场投资者负有受托责任。「Google 已经证明，只要它能大致跟上其他玩家的技术进步，其巨大的分发优势就可能让它渡过难关。」但这种策略无法留住世界顶级 AI 研究者。
人才流向的不可逆信号
人才流动数据指向一个方向性的趋势。据 SignalFire 2025 年人才报告，DeepMind 工程师流向 Anthropic 的可能性是反向流动的近 11 倍。Anthropic 的两年留任率领先所有前沿实验室。OpenAI 即将进行的 IPO 和 Anthropic 在最新一轮融资后 9650 亿美元的估值，提供了公开交易的 Alphabet 在结构上无法匹配的上市前股权。
Demis Hassabis 在 6 月 23 日戛纳狮子节上对 Semafor 表示：「所有领先实验室之间都有大量人才流动，我们赢得了应有的顶级人才份额。」他同时强调 DeepMind 拥有「迄今为止最大和最广泛的研究阵容」。
但模型排名讲述了一个不同的故事。Fortune 指出，DeepMind 的旗舰模型 Gemini 3.5 Flash 和 Gemini 3.1 Pro 经常排在各大 benchmark 排行榜前五之外，落后于 Anthropic、OpenAI 以及智谱和 MiniMax 等中国实验室。在 Google I/O 上承诺 6 月广泛发布的 Gemini 3.5 Pro 已被推迟至 7 月——从上一代前沿模型 Gemini 3.1 Pro 到新模型将间隔约五个月。同期 Anthropic 不仅发布了两个重要的 Claude Opus 更新，还推出了全新的 Mythos 模型类别，在自主完成长程任务的能力上世界领先。
D.A. Davidson 分析师 Gil Luria 在 Shazeer 和 Jumper 离职后对投资者表示：「目前前沿竞赛似乎是在 Anthropic 和 OpenAI 之间进行。」
不是「Gemini 会变差」，而是「下一代会从哪里来」
这些离开不会立即影响 Gemini。离开者构建的模型权重留在 Google，训练运行不会被撤销。Google 的计算基础设施和数十亿用户基础依然无可匹敌。Jefferies 分析师 Brent Thill 将这次人才流动称为「噪音」，维持对 Alphabet 的买入评级和目标价 445 美元。
但人才流失的影响不在于当下，而在于下一代。现在积累推理方法论奠基人的是 Meta，积累基础科学领导力的是 Anthropic，积累 Transformer 核心架构知识的是 OpenAI。他们将在下一代模型的竞争中处于更有利的位置。
Fortune 的 Kahn 提出了一个关键问题：2022 年 11 月 ChatGPT 的发布曾让 Google 进入「紧急模式」。但「在看到最初看似对搜索业务的生存威胁被化解后，公司可能已经降档回了标准运营模式。」他写道：「这不是 Hassabis 想要的方式。这位前国际象棋神童是天生的竞争者。他无疑会为失去 Shazeer 和 Jumper 感到痛心，并将竭尽全力让 DeepMind 重回前沿。但具体怎么做，还有待观察。」
Google 花了 27 亿美元把 Noam Shazeer 请回来，留了他不到两年。问题不在于资源，而在于一个组织的优先级是否与它最顶尖研究者的信念一致。当计算资源向短期商业目标倾斜、当长期 AGI 研究被边缘化、当最了解 Transformer 极限的人选择把下一段职业生涯交给对手——这不是人才战的问题，是路线选择的问题。