扎克伯格视角下如何打造Muse：一次算力赌注，一次组织重启

作者：MD

出品：明亮公司

日前，Meta（META.US）发布新旗舰模型Muse Wonder和Muse Wonder Full。这是Meta Superintelligence Labs（下称MSL）成立后推出的第一组前沿模型，也是Muse上线一个多月后的第一次大规模能力升级。

两款模型都面向个人和专业智能体。Meta将重点概括为主动记忆、持续执行和专业能力。它们可以在多轮对话中提取过去的信息，也可以在任务受阻后更换方法。法律、金融、医疗和编程是这次展示的主要领域。

据介绍，Muse Wonder已经通过Meta Model API和Muse Code向开发者开放。Wonder Full优先提供给Muse Code订阅用户，Muse应用也会接入新模型，但付费用户优先。

过去一个月，Meta成立了企业平台，把Muse、Meta Business Agent、Muse API和Muse Code放进同一个业务单元，公司还宣布把Muse接入AI眼镜。模型、产品和设备开始形成一条完整链路。

日前，Meta AI 负责人Alexandr Wang（“Alexandr”）积极发声，在之前的个人访谈中，他详细介绍了Muse的产品开发的过程——团队用一到两周做出原型，再花七个月解决可靠性问题，而且，Muse模型与产品人员合计不到200人，这是其在团队设置上的“有意安排”。Alexandr将这段经历描述为一次小团队创业，他认为，团队的人才密度比数量要重要得多，而且，小团队更容易保持产品体验的一致性。

随后，在Stripe联合创始人兼总裁John Collison的访谈中，Mark Zuckerberg（“Mark”）和Alexandr进一步从Meta整体的视角解释了Muse背后的工作，其中相当一部分涉及AI基础设施和“新创业方法论”，它包括新模型、吉瓦级数据中心、重新组建的研究团队，以及一套与精益创业不同的决策方式。

实际上，如果将Muse暂时的成功来看，Meta在过去一年中所体现的，既是Mark花重金收揽人才的一个阶段性结果，也可以当作组织和产品方法论的一种“改变”（“做AI是重投入，不能用精益创业的思路”），进而阶段性实现了从AI模型的“追赶者”蛙跳至头部AI产品之一。

当然，这背后也有很大的“赌注”，去年年底模型还没有完成，Meta已经在讨论1000亿至2000亿美元的投入。Mark问Alexandr：“你确定这能成功吗？”

Muse正在从一个消费应用变成一条产品线

Muse Wonder与此前的Muse Spark来自不同的预训练。按照Meta的说法，Wonder的基础模型更大，推理成本也更高。

Muse团队给新模型设定了几个具体方向，Active Memory负责保存并调用长期信息，Active Focus负责持续完成长任务，专业能力则覆盖法律、金融、医疗和编程。

个人智能体需要同时处理这些问题，因为用户不会按照模型评测的分类方式安排生活。

正如此前Alexandr谈到的，在他的视角下，Muse核心的成功元素集中在产品可靠性、用户信任、增长和小的团队来做开发开发。不过，从Mark的视角来看，他会更多地从模型训练，AI基础设施、组织和商业化来“堆”起Muse。

Mark在访谈中说：“很多人把Meta看成一家应用公司，但我们不是。我们是一家深度技术公司。Meta在机器学习领域是世界级的，推荐系统运行规模也只有极少数公司能达到，基本就是Meta和字节跳动。”他接着解释，“过去在手机平台上，我们经常无法提供真正想做的体验。但未来，模型会成为技术体验中最重要的部分。”Meta如果只拥有应用，没有模型和设备，就很难控制最终体验。

从这一角度来看，Meta发布领先的模型是一个“反向操作”，并非像其他前沿Lab那样，先做好基础模型，然后做应用，而是把应用先做好，反过来通过应用来拉动其模型的需求和能力。

比如在这次发布中，Muse Code和模型API服务开发者。新成立的Meta Enterprise Platform承接企业客户。AI眼镜则提供随身入口。语音负责输入，摄像头提供环境信息，屏幕承担部分输出。Muse在后台保持记忆并执行任务。

在这样的背景下，Muse商业化路径也随之变得清楚。基础版Muse继续免费，推理成本更高的Wonder先进入订阅，模型API和企业平台提供另一种收入。Muse替用户购物、订阅服务或完成交易后，Meta还可能从创造或节省的价值中收费。

在访谈中，Mark还把智能体商业看成一次渠道迁移。

Muse先通过浏览器操作商家网站，再与重要伙伴建立API连接。以后，每家公司都可能拥有自己的智能体。消费者的智能体与商家的智能体直接协作，网页操作则成为兼容旧系统的方式。

Alexandr认为：“智能体会不连续地改变商业管道的工作方式。它对消费者明显更好，因此需求会自然朝这个方向移动。”

这条路径目前仍处在早期，目前，Meta没有披露Muse的留存、付费率、单次任务成本和交易规模。Wonder能否带来足够收入支撑开支，尚难判断。但Meta已经不再把Muse当作一个孤立应用，它被放在消费产品、企业软件、商业交易和硬件之间，成为公司下一条平台业务的候选入口。

押注基础设施：模型还没出现，数据中心已经开始建设

Mark视角下，Meta为Muse准备的第一项资源是算力。

Meta正在俄亥俄州建设Prometheus集群，规模将超过1吉瓦；路易斯安那州的Hyperion集群计划扩展到5吉瓦。这些项目早于MSL成立。数据中心从规划到投产需要多年，Meta必须在模型路线和产品需求尚未确定时作决定。

Mark给出了一组数量级估算：“一个1吉瓦集群运行一年，大约需要150亿美元。若算上前期资本开支，单个集群可能接近500亿至600亿美元，而且建设成本要提前支付。”Alexandr说，如果把预训练、反复实验、后训练和推理准备放在一起，一代前沿模型对应的是数百亿美元项目。

Mark提到，去年年底模型还没有完成，公司已经在讨论1000亿至2000亿美元的投入。他问Alexandr：“你确定这能成功吗？”

当时没有确定答案。

Alexandr只能展示研究进展和几条曲线，Meta首席财务官Susan Li在管理层会议期间多次提醒他，如果模型失败，“财务后果会很严重”。

但Meta仍然选择推进。

Mark给出的理由有两层：即使Meta自己的模型失败，算力也可以对外出租；即使AI行业增长不及预期，公司的推荐、广告和其他业务也能使用这些资源。算力不是只能用于Muse的专用资产。

另一项准备来自Meta现有业务。公司可以用广告和应用业务的现金流承担前期投入。AI只要让核心业务多增长几个百分点，就能覆盖相当一部分研发成本。Muse如果成为新的交易入口，再形成订阅、API和企业收入，投入才可能进入自循环。

但Meta准备的不只是服务器。Llama 4发布后，Mark认为公司的AI发展轨迹不对。他从2025年4月下旬开始联系外部研究者和创业者，询问Meta下一步应该怎么做。MSL启动前后，他清空了一个多月、接近两个月的日程，主要工作变成面试和说服研究者加入。

甚至可以说，这是一项由CEO直接推动的组织重启。基础设施部门负责集群，MSL负责模型，Muse团队负责产品，公司的消费应用和硬件提供分发。Mark的角色不是替代首席研究员，而是让Meta其他部门围绕实验室调整资源。

Alexandr把这种工作称为“创业困难模式，再加上超大剂量”。前沿模型的反馈周期很长。Muse Wonder从去年8月左右开始规划，多代模型同时推进。等到一代产品发布后再决定是否投资下一代，已经来不及。

“这完全是精益创业的反面。”Alexandr说，“精益创业是先做一个小东西，看它有没有用，再逐步加码。前沿AI不能这样做。”数据中心、训练集群和核心人才都要提前准备。管理层只能在信息不足时下注，再用中间指标和研究判断修正方向。

人才密度：少数研究者，更多单人算力

Mark第一次正式联系Alexandr时，两人聊了44分钟。

两天后，Alexandr发来一份很长的建议。Mark回忆：“开头第一条就是：你不需要很多人，真正重要的是人才密度。”

这一原则后来成为MSL的组织起点。Mark说：“研究团队不到200人，更接近100人，另外还有不少基础设施人员。”Alexandr提供过另一个口径：Muse模型与产品团队合计不到200人，前者指前沿模型的核心研究组织，后者还包括产品人员。

Meta没有把算力平均分给大量并行项目。Mark说，公司的做法是“为每名研究者提供大量算力，而不是把算力像花生酱一样摊到很多相互竞争的项目上”。研究团队保持较小规模，基础设施投入则继续扩大。

这形成了MSL最鲜明的结构：人少、层级少、单人可调用的资源多。它既像创业团队，也使用大公司的数据中心、现金流和分发渠道。高薪只是人才投入的一部分。研究者还会比较算力、研究自主权、产品落地速度和团队成员。

Mark选择Alexandr，本身也是一次对潜力的押注。

Alexandr创办了Scale AI，也长期参与AI产业，但此前没有亲自完成过前沿模型训练。Mark与多家实验室负责人和研究主管交流后得出结论：“Alex就是那个人。”他看重的不是一项具体训练经验，而是Alexandr能否形成技术判断、组织团队，并让优秀研究者愿意加入。

MSL最初的形态也不是预先设计出来的。Mark和Alexandr一边招人，一边调整组织。原来的安排不适合某些关键人才，团队就改变结构。Mark回忆：“我们并没有从第一天就决定要完全重启。是在与行业最优秀的人交流后，才意识到：要让项目真正具有吸引力，就必须让大家相信这是从零重新开始。”

这套方法对大公司并不常见，大公司通常是先画组织图，再按岗位招人。MSL先确定人才密度，再围绕人和问题建立结构。部分Meta原有团队成员进入新实验室，Alexandr、Nat Friedman和Daniel Gross等外部人员则提供新的技术与创业网络。

Mark说：“Alexandr一度有接近200名直接汇报者。”团队内部仍有技术负责人和小组长，但尽量不设置只做人员管理的中间层。Mark认为，研究人员升到不再接触技术细节的岗位后，判断会迅速过时。管理者继续使用智能体、写代码和参与研究，因而被写进MSL的文化。

近200名直接汇报者并不意味着Alexandr逐一处理所有日常管理。它更像一种组织声明：减少信息转译，让技术分歧尽量在技术人员之间解决。它也带来明显风险。团队扩大后，绩效、协作、安全和产品交付仍需要稳定机制。扁平结构可以减少层级，但不能消除管理工作。

两个造环境的人

需要补充的是，Alexandr在Scale AI与Meta采用了不同的管理方法。

Scale AI的数据业务依赖交付、成本和流程。Alexandr把它比作建造摩天大楼。管理者需要理解每项工作，也要对大量细节作出判断。一个环节提高2%，另一个环节提高1%，长期积累成经营优势。

前沿AI更像寻找少数高回报结果。大量实验可能没有产出，一次模型突破却能改变产品和公司位置。Alexandr把自己的角色从具体工作的“作者”，改成团队环境的设计者。他负责方向、人才、资源和技术文化，不再试图给每项工作提供标准答案。

这种变化不是减少管理，而是改变管理对象。在Scale，Alexandr管理流程。在MSL，他管理人才密度和研究环境。前者追求稳定复制，后者容纳高失败率，前者可以依靠持续优化，后者必须在结果出现前配置资源。

MSL成立时没有给研究者设定硬性发布时间。管理层的判断是，已经完成过重要工作的研究者不需要截止日期推动。Alexandr反而经常提醒团队不要低估进度。很多成员会给出保守预测，三个月后又超过自己的判断。

Alexandr进入Meta后也改变了公司内部的讨论。

他加入后的早期会议上，有原项目负责人认为消费者不需要推理模型(”这个人后来离开了Meta"），Alexandr把这视为路线分歧，而不是一次产品意见。随后，Meta重组领导层，也要求业务负责人更直接地使用AI工具。

因此，Muse Wonder代表的不只是一次技术交付。它是新组织形成后的第一个完整验证。小团队完成模型，Meta的基础设施提供算力，Muse把能力交给用户，企业平台和眼镜等外设产品再扩大入口。Alexandr说自己更像是打造好的环境的人，而从Meta的视角上来看，Mark也是在为Muse的诞生打造一个新的环境。

Mark和Alexandr也不认为AI会只剩一家前沿公司。Alexandr说：“如果任何一家公司在领先时期始终完美执行，大概可以长期保持领先。”

但现实结果是，各家公司的执行都会波动；而且蒸馏让较小模型获得更强能力；人才、资本和客户也会主动支持不同路线。Meta要争夺的不是永久垄断，而是成为少数能够训练前沿模型、同时拥有大规模产品入口的公司之一。

这让“人才密度”成为一项竞争策略。算力规模越大，一次错误路线的成本越高。Meta希望用更少的关键研究者减少协调，也把更多计算资源集中到少数判断上。它提高了速度，也放大了个人判断的后果。

前沿AI正在把两种组织推到一起。一边是需要数百亿美元提前建设的工业系统，另一边是接近100人的核心研究团队。Meta的选择不是在“大公司”与“创业公司”之间取一个中间值，而是同时保留两端。

这可能是Muse背后最值得关注的变化：Meta没有缩小赌注，而是缩小了作出关键判断的人群。