AREX Viewpoint Article
扎克伯格对话王滔：千亿美元押注超级智能
导读
2026年10月12日，Meta 发布了其首个前沿模型 Muse Wonder。TechCrunch 当日以“Meta 发布其首个前沿模型 Muse Wonder”为题报道了这一消息；Yahoo Finance 称，Meta 推出的是具备前沿级性能的 Muse Wonder 模型家族，主打 Active Memory（主动记忆）与 Active Focus（主动专注）。《华尔街日报》则把它描述为号称达到业界领先水平的新模型，并将很快驱动 Meta 的 Muse 个人助理。对一个刚经历实验室重建的团队而言，这意味着 Meta 正式回到前沿 AI 的第一梯队。
这并非一次孤立发布。据维基百科条目，Meta Superintelligence Labs（MSL）成立于 2025 年 6 月 30 日，由首席 AI 官 Alexandr Wang 领导，此前已推出 Muse Spark，如今再添 Muse Wonder。从 Muse Spark 到 Muse Wonder，Meta 用一年多时间完成了从追赶者到前沿竞争者的转换。The AI Insider 报道称，Muse Wonder 将通过 Meta Model API 开放，定价为每百万输入 token 4 美元；ServBay 则补充，这一模型家族同时给出 Active Memory 与 Active Focus，以及发布稿中未列出的成本列——每个任务 4.52 美元。
支撑这些能力的是天文数字级的资本开支。科技博主 Skadoosh 引述扎克伯格在访谈中的说法：建造一个 AI 训练集群需要 500 亿至 600 亿美元的前期资本开支，仅运营一个 1 吉瓦集群每年就要约 150 亿美元，而训练一个前沿模型的总成本高达数百亿美元。扎克伯格形容这些金额“大得离谱”。这正是 Muse Wonder 所处的竞争格局：模型能力的前置投入，远高于任何一次渐进式产品迭代。
这也解释了为何同日上线的 Cheeky Pint 访谈值得细看。扎克伯格与 Alexandr Wang 在节目中围绕 Muse Wonder 的发布，讲述 MSL 的重建、彻底的人才重启，以及为何要在模型效果被验证之前就做出逾千亿美元的算力承诺。节目章节显示，两人还讨论了代理商务、OpenRouter、超越智能手机的硬件形态，以及“为什么模型就是产品”。
换句话说，Muse Wonder 的发布提供了新闻事实，而这期访谈提供了判断依据。当 Meta 把前沿竞争的成败越来越押在训练与后期训练阶段，而非界面和功能迭代上，读者需要的不只是“发布了什么”，而是“为什么敢这样下注、下注的边界在哪里”。这期视频补充的正是这套决策逻辑：从资本承诺到产品设计，再到代理商务可能如何重新分配电商入口。
核心结论
- Muse Wonder 的竞争逻辑不是更强的通用智能，而是更适配个人代理任务的多模态智能：Muse Wonder 围绕主动记忆、长任务持久性、多模态感知和自由裁量能力进行端到端优化，而非单纯追求编码或通用基准分数。这意味着 AI 产品的竞争重心正从模型能力本身转向代理能否真正替用户完成任务。
- 模型即产品正在取代传统产品设计，AI 产品的关键决策越来越发生在训练和后期训练阶段：Muse 的产品体验主要由模型能力、个性和可靠性决定，传统界面创新空间在缩小。产品团队的核心工作转向后期训练、数据选择和评估设计，说明 AI 产品竞争的本质已经改变。
- 前沿模型的本质是“先下注、后看牌”，百亿美元级投入必须在模型效果被验证之前做出：Muse Wonder 的研发周期长达一年以上，Meta 在尚未看到模型结果时就承诺了千亿到两千亿美元级别的算力投入。这种反精益创业的模式要求决策者在高度不确定下做出不可逆选择，而 Meta 的算力资产和核心业务利润提供了风险缓冲。
- 代理商务将重塑电商入口，拒绝支持代理的商家可能被更高效的代理需求淘汰：Muse 已经让用户开始把购买决策完全委托给代理，代理商务的价值不仅在于降低摩擦，更在于基于个人整体语境进行跨场景个性化推荐。长期看，代理需求会从传统电商渠道持续分流，形成新的商业格局。
- AI 不会赢家通吃，模型多样性、蒸馏和开放生态是反垄断的自然力量：Meta 认为未来会有少数几家前沿超智能公司，但不会只有一家赢家。不同实验室聚焦不同场景，蒸馏技术让强能力可以压缩进小模型，OpenRouter 等基础设施支持多模型生态，这些因素共同推动更分散的 AI 格局。
观点拆解
1. Muse Wonder 的核心突破不是通用智能，而是把“个人代理”做成一个真正能办事的多模态产品
-
Muse Wonder 的核心定位是端到端训练“个人代理”，而非单纯追求通用基准分数：扎克伯格明确表示，Meta 的模型是从头到尾为“个人代理”场景进行端到端优化的，产品需要的是一套与通用模型不同的能力组合。这意味着 Muse Wonder 的竞争逻辑不是“更强的通用智能”，而是“更适配个人与专业代理任务的智能”。
“我们正在端到端地训练模型，让它们成为优秀的个人代理。”
“我们投入大量精力的领域，是把它打造成最好的个人与专业代理模型。”
“我们花时间针对 Muse 的产品形态优化模型。我们认为，就个人专业代理这一使用场景而言，它确实是世界上最好的模型。”
-
多模态能力是个人代理的刚需，而非编码能力的附属品：Alexandr Wang 指出，大多数消费者以高度多模态的方式体验世界，因此 Muse 这类消费级产品的成功取决于多模态能力，而不是行业此前普遍认为的“编码就是一切”。这解释了为什么 Meta 从早期就把多模态作为重点投入方向。
“从根本上说，我认为世界上大多数人都是以高度多模态的方式体验世界的。他们喜欢与人交谈、听东西、看视频、拍摄自己的东西。”
“今年早些时候，行业里其实出现过一个紧张点，因为 AI 行业内部的共识观点是：一切都只关乎编码，编码才是唯一重要的。但我认为，对于 Muse 这样的产品以及很多消费级使用场景的成功来说，真正取决于强大的多模态能力。”
-
主动记忆、长任务持久性与自由裁量能力，是 Muse Wonder 区别于其他模型的关键设计：Muse Wonder 把主动记忆、主动专注和自由裁量等能力直接设计进模型本身，而不是依赖外部工具或包装层。这些能力让模型能够处理更复杂、更模糊、时间跨度更长的任务，并在保护用户隐私的前提下替用户完成现实世界中的事务。
“主动记忆是我们认为构建个人代理、个人专业代理所必需的明确要求之一，也是我们投入力度实际上远超许多其他方向的领域。”
“它不是在外部工具里，而是在模型本身之中。它把记忆作为一个核心系统来感知。”
“主动专注是另一项能力，它让模型在执行任务时能够把任务贯彻到底。随着 Muse 用户和 Muse Code 用户给出越来越复杂、越来越模糊的任务，我们希望模型能够非常有效地执行这些任务。”
“我们讨论的一个概念是自由裁量。如果你想让模型帮你把事情办成，它需要非常了解你，同时尽可能少地披露信息。比如你对某种东西过敏或者怀孕了，你想订餐厅座位，但不想告诉对方你的医疗状况。”
2. “模型即产品”正在取代传统产品设计，AI 产品的关键决策越来越发生在训练和后期训练阶段
-
产品层正在变薄，模型本身成为产品的核心：扎克伯格明确提出“模型即产品”的内部判断：在智能体产品中，传统产品界面创新的空间在缩小，而能力、个性等关键体验越来越多地通过训练写入模型。这意味着 AI 产品的竞争重心从功能堆叠转向模型训练与后期训练。
“产品正在变薄，而模型越来越成为产品本身。我们内部常说的一句话就是：模型即产品。”
“能力、个性，很多东西都是你训练进模型里的。”
-
产品决策正在转化为模型设计决策，最终落到训练方法、数据和评估上：亚历克斯·王指出，用户对 Muse 的长期感受来自可靠性、主动性以及对话方式，而这些看似产品层面的差异，实际上只能通过模型设计来指定。产品决策由此下沉为训练方法、数据选择和评估设计，说明后期训练和评估正在取代传统产品设计成为关键环节。
“这些才是真正有趣的产品决策，但有意思的是，你要如何指定这些产品决策？最终它们都归结为模型设计决策，而模型设计决策又归结为训练方法、数据或评估等等。”
-
消费级 AI 产品正在取消模型选择器，把技术复杂性从用户面前隐藏起来：Muse 不提供模型选择器和努力程度选择器，扎克伯格解释这是为了让产品保持简单。他批评许多 AI 产品由高度技术化的团队设计，模型命名混乱，普通用户根本不知道该如何选择。这进一步印证了产品简化的方向：把模型决策留给系统，而不是暴露给用户。
“很多 AI 产品是由高度技术化的团队设计的，他们脑子里没有一个随机抽样的普通美国人的概念。”
“一个没有仔细阅读 API 设计文档的人，怎么可能知道自己该选什么？这实在太令人困惑了。”
3. 前沿模型的本质是“先下注、后看牌”，百亿美元级投入必须在模型效果被验证之前做出
-
前沿模型研发周期极长，Muse Wonder 在 Muse Spark 发布前就已启动规划：Muse Wonder 的研发并非在 Muse Spark 完成后才开始，而是早在去年八月就已进入规划阶段。这意味着前沿模型的竞争不是“发布一个再想下一个”，而是多条长周期工作流并行推进，最终在交付节点汇聚成完整模型。
“我们并不是在完成 Muse Spark 之后才开始做 Muse Wonder，实际上我们已经为此规划和工作了相当长的时间。”
“但实际上，这些是非常长的规划过程和非常长的工作流，它们在最后汇聚在一起，然后产出这些漂亮的模型。”
-
百亿美元级投入必须在模型效果被验证之前做出，这是“精益创业”的反面：Alexandr Wang 明确指出，AI 前沿模型的决策逻辑与精益创业完全相反：不能等看到效果再追加投入，否则会彻底落后。Meta 在尚未看到模型结果时就承诺了 1000 亿到 2000 亿美元级别的投入，决策依据只是研究进展的“氛围报告”和一些图表。
“这在某种意义上就像是困难模式的创业，它是精益创业的反面。精益创业是先看东西能不能跑通，然后再加倍投入；但在 AI 领域你做不到这一点。如果你等着看事情是否有效，你会彻底落后。”
“我们还没看到模型，但我们要开出这张大概 1000 亿、2000 亿美元的支票。”
-
Meta 的算力资产和核心业务利润为高风险押注提供了缓冲：尽管投入规模巨大，但 Zuckerberg 认为风险并没有表面看起来那么高：如果 AI 整体成功，算力可以出售给其他需求方；即使 AI 整体失败，算力仍有其他生产性用途。这意味着 Meta 的算力建设并非孤注一掷，而是有底层资产价值作为支撑。
“如果 AI 整体上可行，会有很多其他人想要我们所有的算力。他们愿意为此付费——如果成本是每吉瓦 150 亿美元，我们能拿到的远不止这个数。所以，要让这件事不成功，不仅是我们失败，AI 整体都必须失败。”
“即使发生那种情况，我们仍然有所有这些其他用途来高效地使用算力。”
4. 代理商务将重塑电商入口，商家若不主动支持代理，就可能被更高效的代理需求淘汰
-
代理商务已从概念进入现实，用户开始把购买决策完全委托给 AI：Muse 被视为最早让用户真正把购买行为完全交给代理的产品之一，这标志着代理购物从讨论阶段进入实际发生阶段。用户不仅减少了自己搜索和比价的摩擦，还开始信任代理替他们完成购买，说明消费决策权正在向 AI 转移。
“我认为 Muse 是首批真正让人们把购买完全委托给代理的产品之一。这是一种阶跃式变化。我们之前一直在谈论代理购物及其可能性，但现在它真的在发生了。”
“很多人正在信任代理替他们购物。代理会为他们找到合适的产品，比如在我这里就是很棒的茶，这非常令人兴奋。”
-
代理商务的价值不只是降低摩擦，更在于基于个人整体语境的跨场景个性化：代理商务的短期价值是减少用户点击网站、做研究的摩擦，并自动应用诸如送达时间等约束条件。但更长期的差异化在于 Muse 拥有对用户整体生活的语境理解，能够跨家庭、同事、朋友等不同场景进行协同优化，提供传统孤立推荐系统无法实现的个性化。
“对用户来说，价值主张的一部分就是减少摩擦。比如，我不想点击所有网站、做所有研究来找到确切的产品，这一步已经替我完成了。而且标准可以自动应用，比如我周三之前需要某样东西，代理就只会找能在周三之前送到的东西。”
“Muse 拥有对你作为一个人的整体语境，以及你生活所有方面的理解。它可以整体地理解你的家庭、同事或朋友，然后帮助你在所有这些之间进行协同优化，基于它对你朋友群体的了解，为你的好朋友找到最合适的礼物。”
-
代理需求将长期从传统电商渠道分流，拒绝支持代理的商家面临被颠覆风险：从长期趋势看，代理需求会像当年电商需求从实体零售中分流一样，从传统电商渠道中持续分流并扩大份额。那些依赖消费者在网站上停留时间或过度收费的商家，可能会理性地选择阻止代理，但这种模式恰恰最容易被代理颠覆。商家需要思考是否要参与代理商务这一新的经济份额。
“你可以想象，如果他们的护城河很薄，而且业务完全依赖于消费者在网站上花费时间，或者完全依赖于向消费者过度收费，那么他们理性上就不应该允许代理进入，因为代理会问：为什么？但那些商家会被颠覆。”
“从长期来看，你显然可以预期需求会越来越多地从当前渠道转向代理需求。就像商业中仍然有实体店需求，但电商需求已经占了很大一部分。同样地，代理商务需求会作为整体蛋糕的一部分增长。”
5. AI 不会赢家通吃，模型多样性、蒸馏和开放生态是反垄断的自然力量
-
AI 不会赢家通吃，未来是少数前沿玩家加多元生态的格局：扎克伯格以互联网时代类比，认为每一代技术公司通常不会由一家赢下全部，而是少数几家大公司加一个庞大生态。他判断 AI 时代同样如此：只有少数公司能构建前沿超级智能，但这些公司会主导最有价值的消费级、企业级和硬件体验。
“每一代技术公司通常不会有一家公司赢下所有。我也不认为这一次会这样发展。互联网时代出现了五六家非常大的公司，然后是一整个由优秀公司组成的生态。”
“在下一个时代，大概会有少数几家公司有能力构建前沿超级智能。我认为这些公司会有效推动议程，并为消费者、企业和硬件构建大多数最有趣的体验。”
-
不同实验室聚焦不同方向，差异化本身就是经济系统的健康特征：扎克伯格和亚历克斯·王都同意未来会存在针对不同任务优化的多样化模型。Meta 更关注个人和专业智能体，而其他主要实验室方向不同。扎克伯格认为这种差异化是好事，甚至是资本主义的意义所在。
“是的，我们关注的是不同的东西。据我观察，我们比其他主要实验室更关心个人和专业智能体，这是好事。经济中应该有差异化。从某种程度上说，这正是资本主义的意义。”
-
蒸馏技术是反霸权力量，让强能力进入更小模型并扩大服务规模：亚历克斯·王指出，蒸馏技术的强大效果并非任何人预先规划，但它天然具有反霸权属性。通过蒸馏，可以把很强的智能能力压缩进越来越小的模型，从而以更大规模服务用户，这有利于整个生态，尤其是开源生态。
“在蒸馏模型这一现象中，存在一种反霸权力量。这只是技术本身的一种特性。并不是有人计划让蒸馏表现得特别好，但事实证明，你可以通过某种形式的蒸馏自然地获得大量能力。”
“从广义上讲，蒸馏对整个生态是一股相当好的力量，因为它意味着你可以把非常强的智能能力打包进越来越小的模型，这让我们能够以更广泛的规模提供服务。”
-
OpenRouter 等基础设施支持多元玩家，行业人才也在主动选择更分散的未来：扎克伯格赞赏 OpenRouter 这类基础设施，认为它能支持生态中的多样化参与者。亚历克斯·王补充说，很多从业者并不想要一个由单一公司主导的终局，他们通过选择工作地点和商业合作来推动更均衡的结果，这也是许多人加入 Meta 和 MSL 的原因。
“我很欣赏你们做 OpenRouter 并把它规模化，因为能开发出更多支持生态中多样化参与者的基础设施，我认为总体上是有益的。”
“我确实认为生态中的很多人想要这样一个未来：它不会最终变成整个资本主义体系中只有一家公司的那种结局。”
“这实际上是很多人一开始就兴奋地加入 Meta 和 Meta Superintelligence Labs 的原因之一：他们想在一个专注于把这项技术交给数十亿人的地方工作。这并不一定是所有其他前沿实验室明确宣称的目标。”
6. Meta Superintelligence Labs 的成功来自“人才密度优先”和彻底重启，而非大公司资源堆砌
-
MSL 的起点是 Llama 4 失利后的彻底重建，而非渐进改良：Meta 对 Llama 4 的进展明确不满，随后选择重建整个团队。这个决定不是修修补补，而是把实验室当作从零开始的新项目来启动，为后来一年内追到前沿奠定了基础。
“我想众所周知，我们对 Llama 4 的进展并不满意。我们基本上重建了整个团队。”
“我们一开始并不确定必须彻底重启。但当我们出去和很多最优秀的人聊过之后，我们意识到，为了让这件事尽可能有吸引力，它应该让人感觉我们是从零开始重新做这件事。”
-
人才密度优先于团队规模，核心研究团队刻意控制在约百人级别：MSL 的核心策略不是堆人头，而是把资源集中在少数被信任的关键人才身上。研究团队规模远小于其他实验室，但每个研究者能获得大量算力，形成类似创业公司的高密度环境。
“第一件事就是，你不需要很多人，人才密度才是关键。”
“研究团队不到 200 人。实际上更接近 100 人。”
“我们没有把算力像抹花生酱一样分散到很多相互竞争的项目上。我们基本上就是把资源投给关键的人，每个研究者获得大量算力，然后他们就能做好自己的工作。”
-
彻底重启的核心是更换领导层的 AI 认知，而非单纯换技术：MSL 的重启不仅是组织架构调整，更是对领导层思维方式的筛选。Alexandr Wang 加入后发现现有团队对推理模型的重要性缺乏认知，这成为推动全面重建的关键信号。
“其中一个关键负责人说，我们不需要推理模型。我们的用户需要推理模型吗？我觉得我们不需要做推理模型，做个普通模型就行。那一刻我的心沉了下去。”
“我们需要公司的领导层对 AI 有更强的信念，更向前看，更理解技术发展有多快、会走向哪里、可能性是什么。”
7. 语音和智能眼镜是代理交互的下一个入口，但纯语音不是理想形态
-
语音输入正在爆发，但纯语音输出效率太低，理想界面必须结合视觉：扎克伯格指出，语音作为输入方式带宽很高、摩擦很低，但用语音来消费信息效率远低于视觉呈现。因此，理想的代理界面不应是严格的“语音进、语音出”，而应让代理在后台执行任务，同时用视觉方式呈现结果。
“语音作为整体而言，用它来交流带宽相当高，但就消费信息来说，让一个人对你说话，比起视觉呈现，效率要低得多。所以我认为理想的界面大概不应该是严格的语音对语音。”
“我认为语音输入已经非常明显地爆发了。你甚至在编程里也能看到这一点——大多数研究人员就像对着键盘低语，因为正如马克所说，这是把你的想法输出出来的最高带宽、通常也是最低摩擦的方式。”
-
智能眼镜证明摄像头加音频就能构成有用产品，未来可能不再需要应用商店：扎克伯格认为，眼镜最终会变成纯多模态产品：它能听见你听到的、和你对话、看到你看到的。他甚至提出，眼镜上可能不再需要应用商店，而是由多模态生成直接在视野中创造用户需要的界面。
“眼镜基本上最终会变成一个纯多模态产品。你可以让它听见你正在听的内容，它可以和你说话，如果你允许的话，它还能看到你所看到的。而且到最后，我甚至不知道我们是否还会在眼镜上保留应用商店。它可能就像一种多模态生成，直接在你的视野中创造出你需要的任何东西。”
“结果发现，好吧，实际上这才是真正的眼镜。很多人即使没有显示屏或只有一个小显示屏也想要它。摄像头和音频已经足够构成一个有用的产品。”
-
语音交互的难点不在理解，而在对话节奏和代理执行能力：扎克伯格认为，语音代理之所以难做，一方面是因为用户希望它真正去执行任务，而不只是理解；另一方面是对话动态很难把握——用户停顿三秒是否意味着说完了、被打断后是否算新问题，这些都需要做对。
“我认为有几件事。其一是你真的希望它去执行任务。所以问题是，当你和它说话时，即使它理解了，接下来要怎么运作？然后我认为还有很多关于人们对话方式的问题。它通常不是那种“我给出一个提示，然后我等待，然后你说话”的模式。”
“你有多少次在语音模式下和代理对话时，它开始说些什么，然后你会觉得，如果我停顿三秒，它就会认为我说完了、想要插话。然后如果它开始说话，但我又插回去，它会认为这是一个全新的问题吗？我认为对话动态中有很多东西需要做对。”
8. Meta 的 AI 商业化路径不是单一订阅，而是免费规模化加订阅、商务分成、企业 API 和核心业务加速的组合
-
免费规模化是 Meta 商业化策略的起点，而不是终点：扎克伯格明确表示，Muse 的首要目标是让模型被广泛使用，因为规模会带来网络效应，并吸引合作伙伴接入，从而让产品本身变得更有价值。免费和可负担是快速触达大规模用户的最佳方式，但这只是为后续多元收入打基础。
“我们想通过 Muse 做到的是让它能被广泛使用，因为我认为当人们开始能够与彼此互动时，规模上会产生一些有价值的网络效应。”
“做到这一点的最佳方式，基本上是让模型对人们来说既负担得起又免费。但我觉得我们有很多方式可以扩大收入。订阅将是一个大头。”
-
收入来源是组合式的：订阅、商务分成和企业 API 共同构成商业闭环：Meta 的商业化路径并非依赖单一模式。扎克伯格提到，免费版之外会有订阅收入；在商务层面，Muse 帮助用户赚钱或省钱，Meta 可以从中抽取小额分成；同时，通用模型带来的 API 和企业平台需求，将让 Meta 进入传统上并不擅长的企业市场。
“我们相信 Muse 实际上会帮人们赚钱和省钱，随着时间推移，有很多不同的方式可以有效地从你为人们节省或创造的价值中抽取一小部分，这最终会成为一个非常大的收入来源。”
“我们也会有能盈利的 API。我们想启动 Meta 企业平台并让 CJ Desai 加入来构建它的一个重要原因是，我们相信很多企业会想使用 Muse Wonder。它会是一个优秀的模型，而且价格可负担。”
-
AI 加速核心业务增长，为巨额投入提供财务安全垫：扎克伯格指出，Meta 的核心业务规模达数千亿美元且仍在快速增长，如果 AI 模型能让核心业务增速提升几个百分点，这部分增量本身就足以覆盖大量 AI 投入。这意味着 Meta 的 AI 投资并不完全依赖新业务的即时回报，而是有现有业务的增长作为支撑。
“另一件事是，我们用这些模型来加速我们的核心业务。你有一个规模达数千亿美元、且仍在极快增长的核心业务。如果你能通过使用这些模型让它增长快几个百分点，那么这最终也会在你扩展的过程中为很大一部分投入提供资金。”
“所有这些加在一起，再加上我们本来就是一家非常盈利的企业，有良好的信用，能够为这些大规模投资提供支撑，我认为这让我们作为一个实验室处于相当有利的位置。”
总结
AI 下一阶段的竞争不再是谁的模型更强，而是谁的代理更能真正替用户办事。这意味着产品逻辑、资本逻辑和商业逻辑同时发生深层变化：模型即产品，产品决策下沉为训练决策；前沿投入必须在验证之前下注，只有具备底层资产和核心业务利润的公司才敢这样押注；代理商务将重新分配电商入口，而模型多样性和开放生态则让赢家通吃难以成立。对从业者而言，关键不是追逐单一基准分数，而是理解代理场景所需的完整能力组合，并在不确定性中做出不可逆的投入决策。
信息源
视频来源
- Muse Wonder: Zuckerberg and Wang's $100B AI：
外部资料
- Meta releases its first frontier model, Muse Wonder：
- Meta launches Muse Wonder AI model family with frontier ...：
- Meta Says New AI Model Muse Wonder Is State-of-the-Art ...：
- Meta Superintelligence Labs：
- Meta Superintelligence Lab Releases Muse Wonder ...：
- ServBay：
- Skadoosh：