事情发展得极为迅速——不到48小时内，谷歌接连失去了两位AI领域真正意义上的核心领袖。
6月18日，Transformer奠基人之一、谷歌Gemini团队联席主管Noam Shazeer宣布再次离职，转身加入OpenAI，担任架构研究负责人。两天后的凌晨，AlphaFold的核心功臣、Google DeepMind副总裁兼工程研究员John Jumper，在度过9年时光后，正式发声告别，跳槽至Anthropic。
John Jumper在社交平台X上公开发文，感谢DeepMind CEO Demis Hassabis在他博士毕业仅六个月时就给予了他领导整个AlphaFold团队的机会，同时对DeepMind团队的未来表达了信任。消息发布后，Hassabis很快转发，感谢了Jumper过去9年的合作与贡献，称赞AlphaFold是一项伟大的研究。
评论区里，不少网友表示，虽然Hassabis和其他谷歌高管展现出了最大的风度，但AlphaFold的人才直接流入Anthropic，对谷歌来说，滋味肯定不会好受。
这两个人的分量，怎么说都不算过。一个是亲手打造了现代大模型技术底座、同时也是谷歌主力模型Gemini核心架构的“架构之神”；另一个，则代表了谷歌在AI for Science领域拿到的最高荣誉——2024年诺贝尔化学奖得主。
两天之内连丢两张王牌。根据社交媒体上内部人士的爆料，有谷歌员工直言：“Noam Shazeer的离开，根本怪不了他，而且他绝不会是最后一个离开的大人物。”
▲ John Jumper
把这串新闻放到更大的背景里看，情况可能更严峻。从GPT Image 2全面碾压Nano Banana，到视频生成模型Gemini Omni Flash发布后没有激起太多浪花，很快被字节的Seedance 2轻松击败。再到Codex和Claude Code几乎霸占了Coding Agent市场，谷歌的Antigra vity少有人知，以及Anthropic的Fable 5强到被政府关注……说直白点就是：“从模型到产品，进展极其缓慢，甚至全面溃败。”
DeepMind内部，现在蔓延着极度沮丧和广泛不满的情绪。员工们的普遍共识是：这个曾经的全球第一AI实验室，已经滑落到了行业里尴尬的第三、甚至第四名。
在文本、图像、视频、语音甚至是视觉领域，我们已经不再拥有任何一个处于行业前沿（Frontier）的模型了…… 如果在拥有如此多资源、付出了超过四个月的努力之后，我们连一个真正的领跑者模型都拿不出来，我们到底在干什么？
更雪上加霜的是，根据内部人士透露，计划于6月30日发布的Gemini 3.5 Pro，在内部看来，也并不是谷歌在AGI竞赛中真正具备竞争力所需的突破性创新。
DeepMind的高层似乎已经默认并接受了输给Anthropic和OpenAI的现实，他们表示只有“进行重大改革”，才能让谷歌重回2025年中后期的那段巅峰状态。谷歌，还有机会上演一次自己的“Nano Banana时刻”吗？
分道扬镳的诺奖得主
2024年的诺贝尔化学奖，曾见证了Demis Hassabis和John Jumper这两位DeepMind巨头的至高荣耀。他们因为AlphaFold共同摘下这项殊荣。AlphaFold预测了2亿多个蛋白质结构，把生物医学里原本要熬好几年的事，压缩成了几分钟。
▲ 2024年，年仅39岁的John Jumper与DeepMind首席执行官Demis Hassabis以及华盛顿大学的Da vid Baker共同分享了诺贝尔化学奖。
在生物学界，蛋白质折叠问题曾是一个困扰了人类半个世纪的终极难题。而John Jumper，正是带领团队攻克这一难关的核心将领。作为AlphaFold项目的首席研究员和工程负责人，他主导了该系统从底层架构到迭代演进的整个过程。从AlphaFold 2首次以极高的精确度预测出蛋白质三维结构，到AlphaFold 3将预测范围扩展到所有生命分子（包括DNA、RNA及小分子配体），Jumper的工作直接将结构生物学向前推进了数十年。
全球数以百万计的研究人员，正在使用他的模型来加速新药研发、抗病虫害农作物设计以及绿色酶的开发。
翻看Jumper的履历，会发现很有意思。本科在范德堡读物理和数学，一心想当个“纸笔派”理论物理学家；之后拿马歇尔奖学金去剑桥读博，结果发现用计算方法搞量子力学不对胃口，拿了个硕士就退学回了美国。再到D.E. Shaw Research用超级计算机模拟蛋白质，2011年跑去芝加哥大学把机器学习用到蛋白质折叠上，2017年拿到理论化学博士。芝大的人后来叫他“误打误撞的化学家”。
从芝加哥大学博士毕业后，他加入了Google DeepMind。2018年，他带领整个AlphaFold团队把系统推倒重做；两年后，AlphaFold2在CASP14上把蛋白质结构预测准确率做到90%，这个数字，几乎等同于实验室实测结果。
Jumper的价值不仅局限在生物学领域。他在底层架构和工程落地上同样能力顶级，在DeepMind内部是AI Coding团队的关键成员，深度参与了谷歌对抗GitHub Copilot、OpenAI和Anthropic的AI编程工具与代码大模型研发。他的离开，让谷歌在当前本就陷入苦战的商业AI编程市场上，又挨了一记重拳。毕竟相比OpenAI和Anthropic，谷歌在向企业出售AI Coding Agent的路线上已经落后，而AI Coding又是整个AI行业的核心蛋糕，谷歌无论如何都不想再丢掉这块阵地。
跳槽到Anthropic，也绝非心血来潮。一方面，Claude眼下是当之无愧的AI Coding最强模型；另一方面，随着Fable 5的发布和GPT-5.6的步步紧逼，Anthropic今年正疯狂重金砸向“科学AI”赛道——建立真实的湿实验室（Wet Lab），发布基于生物学的智能体（Bio-Agents）研究，积极与顶尖医疗机构结盟。对于身上既有生物学光环，又具备AI编程工程战斗力的Jumper来说，留在此时的谷歌，显然已经不是最优解。
输给智谱，DeepMind内部信仰崩塌
人才的流向，多少能看出行业的趋势。从去年Meta大举进攻、花重金在各地寻觅人才，到今年Meta新模型毫无水花、再没有抢人大战的新闻——变化发生在不经意间。当顶尖研究员开始选择离开时，市场看到的往往不只是个人职业规划，而是一张关于未来的投票。
因为他们拥有比外界更多的信息——知道下一代模型进展到哪里，知道组织内部的资源正在流向什么方向，也知道真正的突破最有可能诞生在哪里。
谷歌刚刚失去了Gemini的核心架构师Noam Shazeer，而John Jumper紧随其后，直接印证了DeepMind内部员工那句绝望的预言：“Noam绝不会是最后一个出走的大牛。”
回看谷歌这段时间的发展，在模型层面，可以说是原地踏步。自今年2月发布Gemini 3.1 Pro以来，谷歌就没有再发布过新的前沿机型。此前在I/O大会发布的Gemini 3.5 Flash，实际体验中不仅没有比3.1 Pro好多少，甚至在Artificial Analysis Intelligence Index上，谷歌最好的模型已经跌至第五名。
除了被Anthropic和OpenAI牢牢压制，甚至被国产大模型智谱GLM反超。
通用大模型之外，多模态也全面溃败。谷歌雄心勃勃推出的多模态小模型Gemini Omni Flash，把图像编辑模型Nano Banana Pro、推理模型Gemini以及世界模型Genie都融入进来，最后在市场上几乎没有激起任何水花。偶尔在社交媒体上流传过几个片段，又很快被视频生成领域的冠军Seedance 2轻松碾压。
对未来的绝望感在发酵。更糟糕的是，DeepMind员工透露，即将在6月30日推出的Gemini 3.5 Pro，在内部看来也根本无法带来质的突破，完全不足以让谷歌在这场AGI军备竞赛中重回巅峰。
在这种“高层失落、技术掉队、算力资源被平庸商业化蚕食”的窒息氛围下，Noam Shazeer走了，John Jumper也走了。
Noam Shazeer去OpenAI，很好理解。大模型的竞争最终还是会回到训练、架构、数据和推理效率上。一个参与过Transformer论文、又在Google和Character.AI两边都做过模型的人，放到OpenAI内部，价值不言而喻。
Anthropic拿下John Jumper，更像是在给自己扩边界。Claude做得再好，也不能永远只围绕文本、代码和企业助理讲故事。AI公司接下来要争的，会越来越多地进入科学计算、生命科学、自动化研究这些领域。Jumper的履历，刚好能把这一方向变得具体而可信。
▲ Anthropic在6月30日即将举办一场AI for Science直播活动
所以，这两起跳槽真正刺痛谷歌的地方，并非“少了两个人”这么简单。谷歌仍然拥有Gemini、Veo、TPU、Android、Search、YouTube和Cloud等一系列资源，它的资源厚度，OpenAI和Anthropic在短期内很难复制。要说谷歌已经输了，未免太草率。
真正的麻烦在于，谷歌发明了太多关键技术，也培养了太多关键人物。Transformer诞生在谷歌，AlphaFold诞生在DeepMind。可到了商业化和人才定价阶段，这些人未必继续把谷歌当成最好的舞台。
如今，越来越多的人开始把OpenAI和Anthropic视为新的目的地。OpenAI提供的是最前沿的大模型战场，Anthropic提供的是更集中的研究文化和上升期公司股权。对顶级研究者来说，这些东西有时比大公司的稳定资源更有吸引力。
或许相比Gemini排名下滑、产品失利、模型掉队，更值得谷歌警惕的是另一件事：当最优秀的人开始相信未来不在这里的时候，失去的往往不只是几位科学家，更是一部分关于下一代AI的想象力。
