Meta 于今年 9 月推出个人 AI Agent「Muse」，将人工智能从问答型聊天机器人推进到可直接操作应用、安排生活事务、代为处理日常任务的数字助理。该产品随后登上美国 App Store 排行榜，也成为 Meta 超级智慧实验室（Meta Superintelligence Labs，MSL）成立后的重要成果。
近日，Meta 首席 AI 长 Alexandr Wang 接受《Founders》主持人 David Senra 专访，首次详细谈到 Muse 从概念、原型到正式发布的 7 个月研发过程，以及自己为何离开创办 9 年的 Scale AI，加入一度被外界视为在 AI 竞赛中落后的 Meta。
在这场访谈中，Wang 提到多个推动 Muse 诞生的具体细节。Meta 董事 Nat Friedman 曾让 OpenClaw 监看自己有没有喝水；Wang 自己则让 Agent 分析电子邮件、照片和其他个人资料，并经历了一次他形容为像把 3 年心理咨询浓缩进一次交互的深度心理分析。正是这些体验，让团队逐步形成判断：个人 AI Agent 可能成为未来最重要的消费级产品，甚至是某种意义上的「终极消费产品」。
Meta 如何把个人超级智慧定为长期方向
Wang 回忆，Meta Superintelligence Labs 在 2025 年成立时，就已经确立「个人超级智慧」（Personal Superintelligence）的长期愿景。这一理念源自 Mark Zuckerberg 早年发布的公开备忘录，核心问题并非单纯提升工作效率，而是如何让强大的 AI 真正改善普通人的日常生活。
真正的转折点出现在 2026 年初。当时，Anthropic 的 Claude Opus 4.5 已经让编程开发 Agent 展现出很强的能力，OpenClaw 也开始在科技圈受到关注。Wang 表示，Nat Friedman 是 MSL 最早尝试 OpenClaw 的成员之一，而这段使用经历给他留下了很深印象。
Friedman 曾要求自己的 OpenClaw 帮助养成多喝水的习惯。这个 Agent 随后获取监视器画面，确认他是否真的喝水，并在完成目标后给予称赞。Wang 形容，Friedman 对 OpenClaw 的体验介于狂喜与恐惧之间。随着他越来越信任系统，团队开始意识到，个人 Agent 可以进入的生活场景，远比传统聊天机器人更广。
此后，Friedman 还推荐 Wang 使用一套深度心理分析提示词，让 OpenClaw 连续进行多轮心理探索。Wang 说，当时 Agent 可以访问他的电子邮件、照片和其他个人信息，并将不同来源的信息整合起来，再抛出一连串深入的心理问题。他形容，那次体验既强烈，又让人感到脆弱，像是一次把 3 年心理咨询压缩完成的过程。
这些实验让 Wang 与 Friedman 逐渐形成共同判断：当 AI 不再只处理单次提问，而是能够长期理解用户、掌握个人情境并采取行动时，一种全新的消费产品形态就可能出现。到了 2026 年 2 月，两人分别撰写内部备忘录并提交 Meta 董事会。Wang 在备忘录中提出，个人超级 Agent 可能是「终极消费产品」；Friedman 则撰写《The Claw s the Law》与《Trust Is a Must》，强调个人 Agent 的价值与用户信任之间不可分割。
原型两周成形，但 Meta 没有急着发布
在方向明确后，Meta 团队只花了约 1 至 2 周就完成 Muse 的第一个原型，并向董事会进行展示。Wang 表示，早期原型已经具备部分最终产品的核心元素，包括后来成为 Muse 代表性形象的 Jolly 角色，以及初步交互设计。
Zuckerberg 也深度参与了测试。Wang 提到，Zuckerberg 曾让 Agent 协助处理家庭事务，还让系统观看自己进行综合格斗（MMA）训练的视频，分析动作并给出改进建议。
但 Meta 并没有选择在早期热度阶段快速上线。Wang 说，最初的原型虽然偶尔能完成令人惊艳的任务，绝大多数时候仍不够稳定。这也是团队认为 OpenClaw 早期热潮未能持续的重要原因之一。他表示，自己非常尊敬 OpenClaw 创办人 Peter Steinberger，并认为其技术愿景具有突破性；但对 Meta 来说，打造一个能让数十亿普通消费者放心使用的 Agent，与向开发者提供一个可自行调整的开源工具，是完全不同的挑战。
Muse 的研发随后进入长达 7 个月的打磨阶段。团队建立了一份列出超过 100 项具体能力和行为要求的试算表，逐项确认模型是否具备执行任务、理解用户意图、适时发起确认，以及稳定完成操作等能力。每一项能力都有对应评估方法和上线门槛。如果模型在其中 80 项表现良好，但另外 20 项没有达标，团队也不会发布产品。
直到经过特殊训练的 Muse Spark 1.3 通过所有关键评估项目后，团队才判断产品具备正式上线条件。Wang 透露，整个 Muse 项目包括模型训练与产品开发在内，总人数不到 200 人。以 Meta 的规模来看，这仍是一支相对精简的团队。
他认为，这类产品不能变成不同产品经理各自坚持功能、最后拼接而成的大杂烩，而必须维持一致而清晰的产品愿景。Wang 还特别提到，Muse 最终呈现出的产品体验，在很大程度上反映了 Nat Friedman 的审美与判断。
Meta 没有和 Anthropic 正面抢 Coding Agent
在 Wang 看来，Muse 的产品路径也体现了 Meta 与 OpenAI、Anthropic 不同的竞争策略。2026 年初，Anthropic 在编程模型领域建立了明显优势，Claude Opus 系列和 Coding Agent 的快速进展，让很多人认为编程开发是 AI 最重要、甚至可能是唯一值得全力竞争的应用方向。
Wang 承认，当时 Anthropic 的领先给包括 Meta 在内的竞争对手带来很大压力。但 Meta 最终没有把全部资源投向 Coding Agent，而是把主要产品方向转向个人 Agent。
他给出的解释与 Meta 的核心业务有关。Wang 认为，人类生活大致可以分成两类事务：一类是不得不做的工作，另一类是真正想做的事情。AGI 的承诺，在于让 AI 接手越来越多「不得不做」的任务，从而释放人的时间与精力，让人去做自己真正关心的事情。
而 Instagram、Facebook、WhatsApp 等 Meta 产品，本身就围绕人际关系、兴趣和生活体验展开。Meta 拥有每天约 35 亿人使用的应用生态，这让 Wang 认为，公司在个人 AI 领域拥有其他 AI 实验室难以复制的分发能力。
他表示，Meta 真正有机会建立优势的市场，不是企业工作流，也不是编程开发，而是消费者的个人生活。因此，Muse 从一开始就不是要成为功能更丰富的聊天机器人，而是要让用户把生活里的实际任务交给 AI 去完成。
根据 Meta 官方介绍，Muse 可以在专属的 Muse Secure VM 虚拟机中操作浏览器、使用应用并处理任务，例如发送电子邮件、安排旅行、填写表单，甚至协助用户规划更长期的个人目标。
信任如何成为 Agent 产品的核心门槛
Wang 认为，Agent 产品与传统 App 最大的差别，是用户需要逐步建立对系统的信任。第一次使用 Muse 时，多数人通常只会交给它一个很小的任务；当 Agent 顺利完成后，用户才可能尝试稍复杂的事情。第二次、第三次如果也成功，用户就会逐步把更重要的任务交给系统。
Wang 将这种过程形容为持续进行的「信任测试」（Trust Fall）。在他看来，Muse 真正的留存机制，不是让用户每天打开 App 聊天，而是让用户不断发现，原来生活里有这么多事情可以不必亲自处理。
主持人 David Senra 也在访谈中分享了一位朋友使用 Muse 的案例：这位朋友把身份证件遗留在私人飞机上，于是要求 Muse 自行确认物品位置、安排快递取件，并将证件送回自己的办公室。根据访谈描述，用户的核心要求是自己完全不必参与中间协调过程，而 Muse 最终完成了涉及多个环节的取件与配送安排。
对 Wang 来说，这正是个人 Agent 与聊天机器人最根本的区别：用户不再是询问「应该怎样完成某件事」，而是可以直接把完成任务的责任交给系统。
不过，这类高度自主操作也伴随隐私与信任问题。今年 9 月，路透社曾报道，Meta 在测试 Muse 电话代办功能时，曾使用真人承包商协助完成部分通话工作，这一做法在内部引发了有关信息披露与隐私保护的担忧。Meta 随后暂停了相关测试功能。
Wang 在 X 上发迷因，想让 Meta 重新变酷
除了产品研发，Wang 在访谈中还谈到 Muse 上线后自己在 X 平台上的营销风格变化。过去几周里，他频繁发布各类迷因（Meme），其中一些内容带有成人幽默和荒诞元素，这与大型科技公司高管通常较为保守的社交平台形象形成鲜明对比。
Wang 直言，这背后有一个明确目标：让 Meta 重新变得有趣，也重新具备文化影响力。他认为，在当前 AI 市场中，新模型、新产品和新功能每天都在发布，即便 Meta 拥有庞大用户基础，也不意味着新产品自然就会成为社交媒体讨论焦点。
因此，他开始大量转发 Muse 用户的真实使用案例，展示 Agent 如何完成不同任务。之后他发现，Muse 吉祥物 Jolly 很适合被改造成各种迷因，这不仅能迅速吸引注意，也能让用户看到截图时立刻联想到产品。
Wang 表示，自己并没有大量使用 Muse Agent 自动生成迷因，很多贴文其实是在开会或吃饭时突然想到后亲自发布。他还发现，一些没有经过太多设计、随手发出的内容，效果反而比精心策划的宣传更好。
在他看来，互联网文化往往奖励那些出乎意料、带有风险和惊喜感的内容。Wang 说，AI 公司常见的一种营销错误，是不断宣传品牌、模型名称和研究成果，却没有清楚展示产品到底能替用户完成什么。相比之下，一张 Muse 成功帮助用户处理复杂事务的对话截图，可能比一支精美品牌广告更有说服力。
不过，他也坦承，很难精确衡量个人社交媒体贴文到底带来了多少实际增长。他指出，Meta 已公开表示 Muse 拥有数百万用户，但在这场访谈中并未给出更精确数字，也没有直接确认主持人对其增长速度的推测。
从 Scale AI 到 Meta：Wang 如何被说服加入
访谈后半段，Wang 回顾了自己与 Zuckerberg 合作的起点。两人早在 2021 年或 2022 年左右，经由 Meta 高管 Alex Schultz 介绍认识。彼时，Scale AI 已是 Meta 的重要供应商，Wang 偶尔也会向 Zuckerberg 请教创业和公司管理方面的问题。
真正的变化发生在 Llama 4 发布之后。Wang 表示，Llama 4 的发展没有达到 Meta 内部预期，对公司而言是一项令人失望的成果。与此同时，AI 对 Meta 未来业务的重要性却在持续提高，Zuckerberg 因此开始主动寻求外部建议。
Wang 回忆，Zuckerberg 最初只是打电话询问他对 Meta AI 战略的看法，以及公司接下来应该专注什么。他当时提出的核心观点是，Meta 应该利用现有消费级生态，把 AI 发展方向放在个人生活，而不是单纯追逐企业市场和编程开发市场。此后，双方才逐渐讨论合作可能性。
Wang 说，起初他很难想象 Meta 与 Scale AI 的合作会怎样达成，因为 Scale AI 的业务以企业、政府和数据服务为主，与 Meta 过去收购 Instagram、WhatsApp 等消费产品的逻辑并不相同。但随着讨论深入，他逐步意识到，Zuckerberg 真正看重的，也许并不是收购 Scale AI 的商业业务，而是借由引入人才来重建 Meta 的 AI 研发团队。
最终，双方达成交易：Meta 取得 Scale AI 约 49% 股权，Wang 与部分团队成员加入 Meta，而 Scale AI 继续独立运营。Wang 表示，从 Zuckerberg 最初联系自己到交易宣布，整个过程大约只有 5 到 6 周。对于已经投入 9 年创办 Scale AI 的他来说，这并不是一个轻松的决定。
不过，他认为，Meta 当时的处境恰恰构成了一次难得机会，可以重新建立 AI 研究实验室，并从人才、组织文化到技术路线进行重新设计。
MSL 的扁平化试验：200 多名研究员直接向 Wang 汇报
Wang 还谈到，自己在 Scale AI 和 Meta 采用的是两套完全不同的管理方式。他表示，在 Scale AI 时期，自己相信创办人应该有能力理解并参与公司的每一项工作，因此对产品、运营和公司细节都有很强的个人判断。这种方式让 Scale AI 深受创办人风格影响，但也使他本人逐渐成为公司增长中的瓶颈。
加入 Meta 后，他意识到，前沿 AI 研究无法用同样的方法管理。自己并不是所有技术方向的专家，也不可能亲自决定每个研究方向，因此他把重点转向招募顶尖人才、设定共同愿景，以及建立能够让研究人员充分发挥能力的环境。
Wang 透露，MSL 内部一个名为 TBD 的研究组织中，有超过 200 名研究人员直接向他汇报。这种高度扁平的结构，并不意味着完全没有技术管理。团队内部仍设有不同研究小组（Pods），各组由技术负责人决定具体研究方向，但在人事管理层面则尽可能减少传统公司层级和官僚流程。Wang 将这种方式称为反官僚组织设计。
他承认，自己不可能成为 200 多名员工各自最好的主管，但这些研究人员本身已经具备独立完成高难度工作的能力，因此管理者更重要的职责，是提供资源和环境，而不是事无巨细地监督。
Wang 还用了「挖钻石」与「盖摩天大楼」来比喻两类业务。Scale AI 过去经营的数据标注业务，更像建造摩天大楼，需要持续优化流程、提高效率，并通过规模化运营创造价值；而前沿 AI 研究更像挖钻石，多数实验可能没有结果，但少数突破带来的价值可能远高于投入成本。
基于这样的判断，他认为，AI 研究组织不能完全按传统运营效率指标管理，而需要让顶尖研究人员保有足够空间，去尝试高风险、但可能带来突破的想法。