Meta如何打造Muse：200人，一场七个月的「押注」

作者：MD

出品：明亮公司

9月，Meta（META.US）推出个人AI智能体Muse，随后引发了市场的密切关注。

Meta首席AI官、Scale AI联合创始人Alexandr Wang（下称Alexandr）在10月11日与David Senra最新访谈中称，Muse已经拥有数百万用户。他转发的外部增长曲线显示，这款产品可能是ChatGPT之后增长最快的消费级AI应用之一。

在访谈中，Alexandr并未披露更具体的用户数，也没有公布留存、调用成本和收入数据，不过，凭借Muse的流行，Meta开启了新的叙事。编程智能体占据行业注意力，OpenAI和Anthropic争夺模型与开发者，Meta则把选择押注向个人智能体和消费级AI。

Muse的起点是Alexandr和Meta副总裁Nat Friedman对OpenClaw的密集试用。OpenClaw让他们看到，智能体一旦获得用户信任能够访问邮件、照片、摄像头和电脑，可能成为一种完全不同于聊天机器人的产品。但OpenClaw也暴露了这类产品最致命的问题——偶尔令人“惊叹”，大多数时候却不够可靠。

Meta内部用一到两周做出Muse原型，随后花了七个月，把一个经常出错的演示产品变成可以交给普通消费者的应用。

“七个月听起来也许不长，但在AI行业，七个月可能相当于过去的十年。”

Muse也反映了Meta的三个判断：一是消费级AI仍有不同于编程智能体的路线；二是智能体需要先解决可靠性；三是大公司也可以用不到200人的团队做核心产品。

分享中，Alexandr说，他和Mark Zuckerberg确立了小团队、扁平结构和高人才密度的原则。而谈及商业模式，他将前沿AI研究比作“采钻石”：多数探索没有结果，但一次突破就可能覆盖全部投入。对比之下，他创立的Scale更像“盖摩天大楼”，是依靠效率改善和运营而获得线性增长。从创业者转变为大公司团队负责人，Alexandr说，他在Meta更像教练和环境的守护者——确定方向，找到最好的人，再给他们充分发挥的空间。

不跟随Coding，Meta押注个人 AI

Muse立项时，行业共识正朝着另一个方向移动。

2026年初，Claude和Opus在编程能力上大幅领先，Anthropic的增长速度让整个行业感到压力。Alexandr回忆，当时最主流的判断是：“编程智能体才是唯一重要的产品形态，甚至可能是高级AI唯一值得争夺的能力。”

编程是一条清楚的商业路线。使用频率高，付费意愿明确，模型能力可以直接转化为生产效率。个人智能体面对的任务更开放，也更容易在权限、隐私、支付和执行环节出错。它的收费方式尚不明确。

Meta却选择离开最拥挤的战场。

Alexandr给出的理由，是与Meta已有业务有关。他把人的时间分成两类：想做的事，以及不得不做的事。AGI可以接走后一类任务。

同时，Instagram、WhatsApp和Facebook则承载兴趣、朋友和家人。Alexandr说，“Meta的产品代表了我们都想做的事情。”Meta的应用每天触达约35亿用户，这让公司更适合做消费级AI。

因此，Muse并不想成为另一个聊天入口而是更多它被定义为能够替用户“行动”的个人智能体：使用电脑和互联网，完成预订、搜索、沟通、取送物品等任务，并随着信任增加，逐渐接管更复杂的工作。

对比之下，OpenAI和Anthropic先从通用模型、企业服务和开发者工具建立商业化。Meta希望把AI放进数十亿人的日常生活。Muse如果成为用户调用互联网服务的入口，就可能连接搜索、电商、支付和本地服务。

智能体最大的护城河：不是能力，而是可靠性

Alexandr反复强调，个人智能体此前并非没有价值，而是“不够完整、不够可靠”。

OpenClaw曾经快速流行，又很快退潮。Alexandr认为，问题不在于需求消失，而在于用户连续遇到几次错误后，就会彻底失去信任。“如果用户连续碰到几次不可靠的体验，就会直接把它当成垃圾。”

聊天机器人答错一个问题，用户可以重新提问。智能体会替用户发送邮件、下单、移动文件，也会调度现实服务。一次错误就可能带来时间和资金损失。

正所谓“行动能力越强，失败成本越高”。

为解决“可靠性“的问题，Muse团队因此列出一百多项理想个人智能体必须具备的行为和能力，为每一项建立评测，并设定阻止发布的红线。很多模型版本能够让80项指标变绿，却仍有20项没有达到标准。直到经过专门训练的Muse Spark 1.3第一次全部达标，团队才认为产品具备上线条件。

Muse没有只看模型跑分。Alexandr说，团队还要评估三件事：任务能否稳定完成，模型能否向用户说明进展，需要指导时能否回来询问。任务完成只是其中一项。

Alexandr认为，年初出现的智能体产品“几乎都出现了大规模流失，根本原因就是不可靠”。Meta为Muse进行了多轮新用户测试，让从未接触过产品的人从下载开始使用，观察他们能否理解智能体与聊天机器人的区别。

而Muse建立留存的方式，被Alexandr称为逐步加码的“信任测试”。用户先交给它一件小事。完成后，再给一件更复杂的事。每成功一次，用户就愿意多交出一点权限和责任。他自己把Muse当作“第二个大脑”，让多个工作流在后台运行。

对消费级智能体来说，日活跃用户数还不够。用户愿意交付多大的任务，开放多少数据和权限，一次失败后是否还会回来，这些指标更接近产品价值。Meta需要把信任转化为更高频、更重要的使用。

七个月打磨，团队不到200人

Muse从原型到发布用了七个月。Alexandr说，这个过程需要“巨大的耐心”，因为七个月的AI时间“可能相当于过去十年”。

在此期间，华尔街对Meta的质疑并没有停止。外界最常见的叙事是，Meta正在AI基础设施和人才上投入巨额资金，却没有证明自己能做出领先产品。Llama 4未达到公司预期后，这种压力进一步上升。

Muse也需要证明Meta的AI投入可以转化为用户增长。Alexandr称，Muse能做出来，是因为团队愿意在发布前处理所有细节，不能只靠一两个“神奇时刻”。

与Meta庞大的组织规模相比，Muse的团队反而很小。模型与产品人员加起来不到200人。更重要的是，Meta管理层主动克制了扩充的冲动。

“我们克制住了增加人手的冲动，没有让大批员工涌进来。”在Alexandr看来，Muse必须像一件完整作品，只能有一个清楚的观点。大公司常把不同团队的功能塞进同一个产品，最后变成“弗兰肯斯坦”，“像一杯混合所有东西的果昔”。

对前沿AI产品来说，更多人不一定带来更快速度。模型与产品需要频繁迭代。决策链越长，产品越容易失去方向。小团队可以减少协调成本。

Muse发布后，Alexandr又亲自承担了相当一部分传播工作。他大量转发用户截图，并围绕Jolly吉祥物发布Meme。他希望Muse不只是通过Meta的分发渠道被用户看见，而是进入互联网文化，让Meta重新变得有趣。

Alexandr说，普通用户并不关心OpenAI、Anthropic或Meta做了什么研究，“他们只关心这些技术能为自己做什么”。一个用户把证件落在飞机上，让Muse安排取件并送到指定地点。几张对话截图，就能解释个人智能体的价值。

Alexandr承认，Meta没有完整归因这些Meme带来了多少增长。但他相信它们推动了Muse的增长。他还总结出一条规律：“互联网奖励风险，也奖励意外和人们没有预料到的东西。”

个人超级智能，Meta抢人才的新叙事

Muse对应的不只是一个产品路线，也是一套吸引人才的叙事。

Alexandr认为，AI的承诺，应该是把人的成长轨迹反过来。人小时候拥有梦想，进入学校和职场后却逐渐变得被动。“小时候有梦想，就用AI把它实现；实现之后，再做更大的梦，然后继续实现。”个人超级智能要提高每个人的行动能力，而不只是替企业降低成本。

这套愿景把Meta的消费业务与模型研究连接起来。Alexandr说，很多顶尖的AI人才，更希望技术最终能帮助普通人，也希望自己的父母和祖父母能感受到它的价值。

Alexandr称，MSL吸引人才的一项重要条件，就是方向足够明确：“个人超级智能”是团队共同的“北极星”。与此同时，研究人员可以在小团队里从零搭建实验室，却又不受创业公司的典型限制——Meta可以提供算力、基础设施和数十亿用户的分发。

这也是Meta高价争夺AI人才时经常被忽略的一面。外界看到的是公司为少数研究员开出惊人数字，但Alexandr提醒，OpenAI和Anthropic估值快速上涨，早期员工手里的股权已经大幅升值。对这些人来说，留在原公司同样意味着非常高的潜在收入。Meta给出的方案即使绝对数字巨大，从机会成本看也可能只是“基本持平”。

人才竞争不只是现金竞价。研究员也会比较算力、基础设施、产品机会和决策权。Meta拥有这些资源，也拥有分发。问题是，大公司的层级会不会抵消这些优势。

作为Scale AI创始人，Alexandr加入Meta，本身就是这套人才策略中最大的一笔交易。对Scale股东而言，交易提供了流动性；对Meta而言，它获得的核心并不是一家企业数据公司的业务，而是重建AI项目所需的人才和组织者。

Alexandr对“人才密度”的理解，还来自一段很具体的个人经历。

19岁时，他还是MIT一年级学生，冬季学期到量化交易公司Hudson River Trading（HRT）实习。生日那天，他与十多名哈佛和MIT学生坐在一张桌上。很多人早在数学、科学和编程竞赛中就认识彼此。当时这只是一场学生聚会，几年后再看，桌上的名字已经分别进入AI、加密和企业软件的核心位置。

HRT本身也给Alexandr留下了一个高人才密度组织的样本。按他在访谈中的说法，这家公司员工不到1000人，却在2026年第二季度取得约110亿美元收入和80亿美元利润——少量高度专业的人，在技术、资本和反馈系统充分匹配时，可以创造远超人数规模的产出。后来他创办Scale、进入Meta，始终在寻找这种杠杆。

其中多人已经成为独角兽公司的创始人或核心员工：Jeff Yan后来创办Hyperliquid；Scott Wu创办Cognition，推出编程智能体Devin；Jesse Zhang创办企业级AI智能体公司Decagon；Alexandr在访谈中提到的Vicky后来成为Anthropic研究员。

右一为Alexandr Wang（来源：X）

直接管理200人：小、平、技术密度高的组织

Alexandr在Scale与Meta采用了两种几乎相反的管理方式。

在Scale，他相信创始人必须能够完成公司的每一项工作，因此“对公司里几乎每一件小事应该怎样做，都有非常明确的观点”。这使Scale成为一家风格鲜明、执行一致的公司，但也让他在许多环节成为瓶颈。

Alexandr认为，这种方式适合第一次创业。创始人要能做公司里的每一份工作。但Meta的任务不同。他需要同时推进模型、产品和人才建设，不可能亲自完成每一份工作。

MSL因此选择另一种组织设计——小、平、技术密度高。Alexandr说，这已经成为实验室战略的一根支柱：“如果真的把这些要素放在一起，一支团队到底能跑多快？”

实验室中一个名为TBD的研究团队，有两百多名成员直接向Alexandr汇报。这不是为了逐一管理每个人，而是一种反官僚声明。Alexandr说，这些研究员已经证明过自己的能力。他们不需要微观管理，需要的是方向、资源和空间。

团队仍有技术负责人和小组结构，在出现技术分歧时作出决定，但尽量减少“人员管理”层级。Alexandr把自己的角色从Scale时期的“作者”，调整为教练或环境守护者：确定北极星、识别特殊人才，再让他们最大限度表达自己的能力。

Alexandr也承认，自己不可能成为两百多个人最好的经理。但这正是设计的一部分：“他们不需要经理，需要一个好的环境。”MSL赌的是，顶尖研究人员需要的不是更多管理，而是更少阻碍。

这种组织方式也关系到资本效率。Muse不到200人的团队已经展示了小团队的产品杠杆。MSL希望用更高的人才密度减少协调。单个研究员的薪酬很高，但组织未必需要变得庞大。

问题是，这套模式能否在规模扩大后继续成立。研究需要自治，产品落地却需要安全、合规、基础设施和运营团队。MSL仍要证明，它能在增加这些能力时保持扁平。

前沿AI像采钻石，Scale像盖摩天大楼

Alexandr用“采钻石”和“盖摩天大楼”，概括自己在Meta与Scale面对的两种经济模型。

Scale的数据业务更像盖摩天大楼。结果与投入相对线性，竞争优势来自流程：把一个环节提高2%，另一个环节提高1%，再从其他地方挤出0.5%，长期积累成成本和交付能力。管理者需要深入每个细节，建立可复制的运营系统。

前沿AI研究更像采钻石。Alexandr给出的判断标准是：“某一次成功会不会带来相当于投入一百万倍的价值。”大多数实验可能没有结果，少数突破可以覆盖此前所有投入。

这也是大型科技公司持续提高AI资本开支的逻辑。算力和人才投入会压低短期利润，失败项目也没有回报。但一次模型或产品突破，可能覆盖此前所有成本。季度回报很难衡量这种投入。

“做AI本身就更像采钻石，而Scale更像盖摩天大楼。”这句话解释了Alexandr为什么改变管理方式，也解释了Meta为什么继续购买算力、争夺研究员，并允许多条路线同时探索。

从Muse到MSL，Meta正在完成同一次转向。产品上，它从追赶单项模型能力，转向个人智能体。组织上，它用人才密度换取速度。研究上，它接受大量失败，寻找少数幂律回报。

不过，采钻石不能成为无限投入的借口。即使回报呈幂律分布，公司仍要识别高潜力方向，也要及时停止没有价值的项目。Muse为Meta的AI投入提供了一个可以观察的消费产品。数百万用户证明需求存在，不到200人的团队证明小组织可以形成杠杆。留存、成本和商业化，则决定这颗“钻石”最终有多大。