Meta 本周推出新一代旗舰 AI 模型 Muse Wonder 与 Muse Wonder Full，宣布重新加入前沿模型竞争。Meta 首席执行官 Mark Zuckerberg 近日与 Meta 首席 AI 长 Alexandr Wang 一同参加由 Stripe 联合创始人 John Collison 主持的《Cheeky Pint》播客，首次较完整谈到 Meta 过去一年如何重建 AI 团队、开发 Muse 个人代理，以及为何决定投入数百亿美元建设算力基础设施。
访谈中，Zuckerberg 提到，Meta 去年底曾在尚未确认新模型能否成功的情况下，讨论投入高达 1000 亿至 2000 亿美元。他当时直接问 Wang：「Alex，你确定这真的会成功吗？」Wang 也坦言，当时团队只有初步实验结果，研究方向虽然令人振奋，但无法保证最终模型表现。
前沿模型投入要在结果出现前拍板
这场决策也反映出前沿 AI 研发与传统科技创业的差别。企业往往要在产品尚未获得市场验证前，提前数年投入大规模资金和基础设施。
谈到训练前沿 AI 模型的成本时，Zuckerberg 以一座功率达到 1GW 的数据中心为例，称其每年运营成本约为 150 亿美元；如果再算上建设基础设施的前期资本支出，总成本可能达到 500 亿至 600 亿美元。
然而，这还只是模型训练的一部分。从前期研究、小规模实验、完整预训练、后训练，到面向数亿用户提供推理服务，每个阶段都需要大量算力。Wang 表示，如果把完整研发流程都算进去，如今训练一个前沿模型需要数百亿美元，是合理估算。
更难的是，这些投资通常必须在模型真正完成前就做决定。Wang 回忆，去年底 Meta 高层在夏威夷开会时，首席财务官 Susan Li 曾多次私下提醒他，如果模型最终表现不及预期，公司将面临非常严重的财务后果。
Wang 说，传统精益创业强调先做最小可行产品、验证需求，再逐步扩大投入，但前沿 AI 研发几乎相反。数据中心的规划和建设需要数年时间，企业无法等模型成功后再开始投资，否则届时可能已经落后于竞争对手。
不过，Zuckerberg 认为这项押注并不像账面数字看起来那样危险。他解释，即便 Meta 自己的模型没有达到预期，只要整个 AI 行业继续增长，这些算力资源仍可能被其他公司使用。即使 Meta 的个人 AI Agent 业务发展不顺，现有社交平台、推荐算法和其他产品也能消化部分算力。
Meta因不满Llama 4进展重建AI团队
这次访谈也披露了 Meta 如何在 Llama 4 受挫后调整 AI 策略。Zuckerberg 直言，公司当时对 Llama 4 的发展方向并不满意，因此决定重建团队，并引入包括前 Scale AI 首席执行官 Alexandr Wang 在内的外部人才。
Wang 主导的新团队没有走大规模招聘研究人员的路线，而是强调人才密度，把算力集中给少数顶尖研究者。按照他的说法，Meta Superintelligence Labs（MSL）的核心研究团队不到 200 人，实际规模接近 100 人。相比一些实验室投入数百名研究人员，Meta 更倾向让每位研究人员获得充足算力，避免资源分散到过多彼此竞争的项目上。
Zuckerberg 认为，这种团队设计同时具备创业公司的灵活性，以及 Meta 在资金和基础设施上的优势。
在技术路线方面，Meta 也不再只追求通用语言模型能力，而是把个人 AI Agent 所需的长期记忆、多模态感知、工具操作和持续执行任务能力，直接纳入模型训练目标。
Muse Wonder主打主动记忆与主动专注
Meta 于 10 月 12 日推出的 Muse Wonder 系列，就是这轮团队重建后的新成果。根据官方介绍，新模型重点强化 Active Memory（主动记忆）和 Active Focus（主动专注）两项能力。
其中，主动记忆让模型能够跨越数天、数周甚至数月的对话保留重要信息，并在后续任务中适时调用；主动专注则让 AI 能长时间执行复杂工作，在遇到失败时尝试不同解法，而不是轻易停止。
Wang 表示，对个人 AI Agent 来说，记忆不只是扩大上下文窗口，而是让模型理解哪些信息值得保留、如何压缩既有记忆，以及何时重新调用过去的数据。
在产品设计上，Zuckerberg 提出一句核心判断：「The model is the product.」他认为，过去软件公司的竞争力多建立在用户界面、产品功能和操作流程上，但 AI 原生产品的差异正在转向模型本身。
例如，Muse 应该在什么情况下主动提出建议、如何使用个人数据、以什么方式与用户沟通，以及执行任务遇到困难时该如何处理，这些原本属于产品设计的决策，现在都可以通过模型训练和后训练来调整。
这也是 Meta 不希望普通消费者手动选择模型或推理强度的原因。Zuckerberg 认为，对大多数人来说，复杂的模型名称和版本编号只会提高使用门槛，用户真正需要的是能直接完成任务的 AI。
Muse被用来买茶、分析MMA动作，还会改进自己的流程
访谈中，Zuckerberg 和 Wang 也分享了各自使用 Muse 的方式。Wang 说，他最喜欢让 Muse 持续搜索世界各地的小众茶叶，包括台湾和日本的茶农及供应商，再由代理程序自动寻找、采购并安排寄送。
Zuckerberg 则提到一个更特别的用法：让 Muse 充当自己的综合格斗（MMA）教练。他在训练场架设摄像机，让 Muse 分析自己和对手的动作，并在每回合之间 1 分钟的休息时间给出建议，包括身体平衡、髋部位置，以及地面缠斗时的防守漏洞。
由于只有 60 秒，Muse 必须快速提取视频帧、完成视觉分析并给出反馈。Zuckerberg 说，自己曾因为 Muse 花了约 30 秒才完成分析，要求它继续提升处理速度。随后，模型尝试调整背后的图像处理流程，以更高效地完成任务。
在他看来，这也预示着未来软件开发的一种趋势：普通人可能每天都在使用 AI 编写大量代码，却不需要知道自己正在写代码。用户只要描述想完成的事情，AI 就能自行建立所需的软件工具。
Meta判断AI Agent会改变电商入口
除了模型训练和产品设计，三人也谈到 AI Agent 对未来互联网商业模式的影响。Zuckerberg 认为，现在大多数企业都有网站、电子邮件和社交账号，未来可能还需要提供专门给 AI Agent 使用的服务入口。
他表示，Muse 已经可以通过浏览器与现有网站交互。即便商家还没有专门的 Agent API，模型也能像人类一样操作网页、搜索商品并完成下单。
不过，随着使用量增长，直接让 Agent 与商家系统集成，交易效率会更高，界面操作成本也会更低。Wang 认为，AI Agent 商务与传统电商最大的不同，不只是简化购物流程，而是 AI 可以基于对用户的长期理解，自动完成个性化采购。
举例来说，Muse 可以记住用户的生活习惯、家庭成员和固定活动，再提前安排购买商品。Zuckerberg 提到，自己的 3 岁女儿喜欢烘焙，他因此开始固定在周末和女儿一起做点心。Muse 不仅会协助规划活动，也会通过 Instacart 提前订购材料，确保周六需要的食材按时送达。他说，自己过去几乎不用 Instacart，但因为 Muse 的自动采购功能成了新用户。
Meta不想只追公开排行榜
面对 OpenAI、Google 和 Anthropic 的竞争，Zuckerberg 说，Meta 不应只把目标放在追逐公开模型评测排行榜上。他指出，很多 Benchmark 最初只是研究人员为特定实验设计的测试；如果 AI 公司完全依赖这些指标开发模型，等于把产品方向交给外部评测制定者。
因此，Meta 正逐步提高内部评测的比重，尤其关注个人助理能否可靠完成长时间任务、理解用户需求，以及在调用外部服务时保护隐私。
Zuckerberg 举例说，如果用户有特定健康需求，希望 AI 帮忙预订合适的餐厅，模型应该能找到符合条件的选项，而不必向餐厅披露用户不必要的私人医疗信息。在他看来，这种对个人情境的理解，以及对信息披露边界的判断，是个人 AI Agent 与一般代码代理之间的重要区别。
谈到未来竞争格局时，Zuckerberg 认为，能够自行开发前沿模型、掌握基础设施，并把 AI 直接整合进消费级和企业级产品的公司，可能只会有少数几家。因此，Meta 必须从模型训练、芯片和数据中心，到应用程序和终端设备，建立完整技术能力，而不能长期依赖其他公司的模型。
Zuckerberg 还表示，未来个人 AI 不会只是等待用户提问的聊天机器人，而是能够理解每个人的生活、主动提出建议，甚至代替用户完成工作和消费的长期代理程序。Meta 能否通过 Muse Wonder 把这套愿景转化为真正具备规模的商业模式，也将决定这笔数千亿美元 AI 投资最终能否获得回报。
