龙虾凉了，Muse凭什么火？当初天价挖人合理吗？亚历山大王最新访谈回应一切

机器之心编辑部

最近，Meta 打了一场漂亮的翻身仗，其全新个人 AI 智能体 Muse 自上线以来迅速成为现象级产品。

据 Sensor Tower 估算，Meta Muse 9 月 8 日上线后，约 22 天达到 500 万美国下载，快于 ChatGPT/Grok/Claude 的历史估算值，并曾登顶美区 App Store 免费榜且连续多日第一。另外，其增长速度、留存率也很亮眼。

而这场翻身仗的操盘手、Meta 超级智能实验室负责人 Alexandr Wang，最近比产品还要出圈。Muse 上线后，他在 X 上进入了某种「发疯」状态：高频发梗图、亲自下场玩梗。

就在最近，Wang 接受了一场深度长访，第一次完整复盘了 Muse 的诞生始末。信息量很大，而且不少说法相当反常识：

• 年初全行业都在挤 coding agent 这条赛道、所有人都认定「这才是唯一重要的事」时，Meta 为什么掉头去做了个人场景？
• OpenClaw 年初火遍全网又迅速凉凉，大多数人体验完就流失了，Wang 凭什么认定这里面藏着「最后的消费品」，又凭什么觉得 Muse 能例外？
• 外界热议的「天价挖人」，他却说对很多顶尖研究员而言，薪酬其实「没多多少」，那真正的诱饵是什么？
• 一个被全公司视为「今年最重要的产品」，团队为什么被刻意压在 200 人以内？
• 35 亿用户的分发摆在手里，为什么冷启动还要靠 Wang 亲自下场发梗？

视频地址：https://www.youtube.com/watch?v=S6l3aRsecuE

以下是我们整理的部分内容：

所有人涌向 coding agent 时，

他们看到了另一个信号

时间回到今年年初。用 Wang 的话说，那是「Anthropic 接管行业的开端」：Opus 4.5 和 Claude 在编程上遥遥领先，整个行业的共识是：coding agent 是唯一重要的形态，甚至是唯一重要的能力。

就在这个节点，MSL 的 Nat Friedman 成了内部第一个深度使用 OpenClaw 的人。Wang 形容他的体验「介于恐惧和狂喜之间」：他告诉自己的 OpenClaw 想多喝水，这个 Agent 就通过家里的监控画面盯着他喝水，喝完还会夸他「干得漂亮」。

右一为 Nat Friedman，前 GitHub CEO，Muse 的灵魂人物之一。

Wang 自己也很快入坑。他做的第一件事，是跑了 Nat 写的一个「心理分析」提示词 —— 因为 Agent 能访问他的邮件、照片，还能自己上网查信息，几轮深度追问下来，用他的原话，「相当于把三年的心理治疗压缩进了一个瞬间」。

关键在于 Nat Friedman 这个人的「风向标」属性：他是 Stripe 最早的顾客之一，是 GitHub Copilot 的缔造者之一，长期站在开发者浪潮的最前线。所以当他说「这里面真的有东西」时，Wang 把它当成了一个明确信号。

今年 2 月，两人各自写了备忘录递交给 Meta 董事会。Wang 那份的核心观点相当大胆：个人超级 Agent，很可能就是消费品的「终点形态」。之后一两个星期，原型就做出来了，直接 demo 给董事会。而且最终版 Muse 里的很多核心决策，在那个一周赶出来的原型里就已经存在。

启发在于：共识最拥挤的地方，往往也是信号最容易被淹没的地方。当所有人都盯着 coding 榜单时，真正的机会藏在「普通人第一次把生活交给 AI」的那个瞬间里。

OpenClaw 火了又凉了，

Muse 凭什么觉得自己能例外？

这是采访里最尖锐的问题：OpenClaw 现象来得快去得也快，大多数人体验过几个「魔法时刻」之后就流失了，你们凭什么不一样？

Wang 的回答没有回避：OpenClaw 是天才之作，他们非常尊重 Peter Steinberger。但 Muse 能成立，靠的是把模型加产品的每一个细节往死里磨。

具体磨到什么程度？他们列了一张几百行的电子表格，写满了「一个理想个人 Agent 必须具备的一百多项具体行为和能力」，然后为每一项建评测、做训练，定期开会过这张表：哪几行还是红的，就继续打。发布标准也是数字化的，每一行都设了「launch blocking」的阈值，之前有过好几次 checkpoint 是「80 行绿、20 行红」，他们知道那还不够。直到一个专门为 Muse 训练的 MuseSpark 1.3 版本第一次全绿，再加上团队上手体验「明显比此前所有迭代都好」，产品才被放行。

这背后其实是对品类本质的判断：个人 Agent 是一个「刀尖上的品类」。如果它能稳定交付魔法体验，它会是史上最伟大的消费品之一。但模型是非确定性的，Agent 会出错、会崩，用户一旦连续遇到不靠谱的体验，直接判定你是垃圾。年初那一批 Agent 产品的集体流失，死因都在这儿。

所以，OpenClaw 和 Muse 的差距，从来不是「有没有魔法时刻」，而是魔法时刻的良率。灵感负责点燃，工程负责续命。

为什么是个人场景？

一道关于「想做的事」的算术题

绕开 coding 选个人场景，不只是产品判断，更是 Wang 对 Meta 这家公司的战略判断。

他的逻辑链条很漂亮：AI 的承诺，是让每个人几乎不用再花时间做「必须做的事」，把时间全部留给「想做的事」。而 Meta 的产品矩阵 ——Instagram、WhatsApp、Facebook—— 恰恰就是人们「想做的事」的集合：兴趣、爱好、朋友、在乎的人。

换句话说，如果 AGI 真的到来，人们从「不得不做」中解放出来的时间会流向哪里？流向 Meta 的盘子。再叠加商业视角：Meta 的应用每天触达 35 亿人，天然的主场就是消费级 AI，而不是工作，不是编程。

这个判断给所有做 AI 产品的人提了个醒：与其在别人的主场卷生卷死，不如先想清楚自己的基因和分发决定了哪个战场属于你。 巨头的遗产不是包袱，是地图。

全公司最重要的产品，

只给了不到 200 人

从 2 月的原型到 9 月发布，Muse 磨了七个月。Wang 自己吐槽：「七个月听起来不长，但 AI 行业的七个月，相当于外面的十年。」这段时间里，华尔街的主流叙事是「Meta 在烧钱」「扎克赢不了 AI」，公司内部也充满怀疑。

扎克伯格的角色是忍住 —— 他在财报电话会上从不掩饰在做个人 Agent，然后扛住所有质疑，等团队把东西磨出来。

但更让人意外的是组织方式：模型加产品，总共不到 200 人。而且这是刻意的克制 —— 全公司上下都知道这可能是 Meta 今年最重要的产品，但恰恰因为重要，才不能让它膨胀成「大半个公司都在往里塞需求」的项目。

Wang 用了一个很狠的词：Muse 必须是「一件完整的作品」（a single work of art）。他顺手讽刺了大厂产品的通病 —— 弗兰肯斯坦式缝合怪，或者用他的原话，「某种柯南伯格式混合体」（生物与非生物血肉化交融，边界溶解的肉身畸变）：每个 PM 都想把自己的东西塞进产品，最后搅拌成一杯奶昔。用户是能尝出来的。一个产品背后是不是一堆目标各异的人各塞各的，一上手就知道。

采访录制当天恰好是乔布斯去世 15 周年，主持人补了一句：「苹果就是乔布斯的一万条命。」而 Muse 的「单一视角」，Wang 说很大程度上来自 Nat Friedman 的品味。

大公司做创新最容易犯的错，就是用规模的诚意杀死作品的完整性。重要的事，反而要派小队去干。

天价挖人的真相：

钱只是门票

之前，Meta 天价挖角 AI 研究员的新闻刷了屏，外界的第一反应基本是「人傻钱多」。Wang 在采访里给了一个很反直觉的解读。

先说钱。他认为外界忽略了一个背景：OpenAI 和 Anthropic 的估值涨得太猛，这些顶尖研究员如果留在原地，手里的股权本来就是天文数字。所以 Meta 开出的「天价」，对其中很多人来说其实只是薪酬上的「净中性」，是市场价格，不是冤大头溢价。

那真正挖动人的是什么？ Wang 列了三样：一是从零建一个实验室的机会，团队足够小，个人能真正留下印记；二是一个清晰的北极星 ——personal super intelligence。他的原话是，几乎每个做 AI 的人，都希望这项技术最终对自己的妈妈、爷爷奶奶有意义；三是不被限制 —— 算力管够、基础设施管够、分发管够，而这些恰恰是创业公司最缺的东西。

至于扎克伯格为什么愿意为一小撮人砸下看似离谱的钱，主持人替他总结了逻辑：顶尖人才会反过来吸引顶尖人才，但你得先有那个「火种」。Wang 表示认同。

挖来之后怎么用，才是重点。MSL 的组织设计几乎处处反大厂常识：

• 200多个直接汇报。Wang 手下直接管着 200 多人，名曰「反官僚」。招进来的人都证明过自己能做出 brilliant work，所以「他们不需要 manager，他们需要的是一个好环境」，需要「room to cook」。技术方向由 pod 里的技术负责人仲裁，大事则摊开群体辩论。因为一屋子都是牛人，结论要让大家真的信。
• 教练，而不是主角。Wang 对比过自己的两种角色：在 Scale，他是那个「每个细节都要体现自己意志」的创始人，结果自己也成了瓶颈；在 MSL，他的工作是定北极星、识别出团队里的特殊人才，然后给足环境和资源，让他们的天赋最大化表达。
• 按「钻石开采」的方式做研究。他把业务分成两种范式：一种是「盖摩天楼」，回报线性，拼的是把每个环节再挤出 1%、2% 的效率 —— 数据标注就是这种；另一种是「钻石开采」，幂律分布，大多数尝试会失败，但少数成功「一次就值回全部投入」。AI 研究显然是后者，因为人类根本还不知道这些模型的能力边界在哪，所以它不是运营工程，是真研究，必须容忍试错。

主持人补了贝佐斯的一句话：大公司里其实不乏牛人，但如果牛人没法动手建东西，他们就会走。Wang 深以为然，这也是 MSL 一切设计的出发点。

35 亿用户的分发不够，

还要亲自下场发梗

Muse 的冷启动可能是今年最好玩的营销案例。

Wang 坦言，Meta 的分发能保证「每个人都知道 Muse」，但保证不了它「以一种有文化穿透力的方式炸开」。现在的用户每天被新模型、新产品、新功能狂轰滥炸，注意力是最稀缺的资源。

于是就有了 Wang 在 X 上的「发疯」时期。有几件事很有意思。

Muse 有个小吉祥物 Jolly。某天上班路上，Wang 生成了一张 Jolly 拎着公文包的图，配文「周一上班时的我」，发完他就意识到：这小东西可以放进无数场景里。用 racy meme 给一个 AI 产品做营销，他没印象有人干过。

有段时间他开会都集中不了注意力，因为脑子里会突然蹦出一个梗，「必须马上发出去」。有次和同事吃晚饭，吃到一半说「等一下，我想到了」，当场发推。他的体会是：互联网奖励冒险，奖励出人意料。而且不少「想都没想就发」的帖子，效果反而最好。「花在思考上的时间」和「爆款」经常成反比。

他直言看不懂 Anthropic 和 OpenAI 的广告：一个图标加两个人坐在桌前，「这他妈是什么意思？」（原话）。你手里有上百万个真实用例，广告唯一要做的就是展示产品能给用户带来什么—— 就这么简单，但大家一遍遍犯同样的错。

这是 Wang 吐槽的广告吗？

这背后是一本 1920 年代的广告学老书《Scientific Advertising》的核心观点：没人关心你的公司，人人只关心自己的利益。Wang 的版本是：「why would someone care？」—— 做产品和做营销，都要从这句话出发。

还有个有意思的点是截图即传播。 现代消费品营销是「截图驱动」的：你的产品必须经得起截图 —— 在群聊里、在口碑里、在社交媒体上，截图要能自己长腿跑。主持人举了个例子：他朋友把身份证件落在了私人飞机上，直接跟 Muse 说「我不想参与这个过程，你自己搞定」，Muse 安排了快递员一路把证件取回送到他办公室。三四张截图，就是最好的广告。而 Jolly 出现在每张截图里，等于每张截图都自带品牌水印 —— 这完全是意外收获，但效果拉满。

创始人亲自下场当「头号梗图官」听起来不体面，但当分发解决不了「被记住」的问题时，一个有人味、敢冒险的声音，恰恰是最稀缺的资产。

让用户留下的，是「信任阶梯」

营销解决的是「下载」，留存靠的是另一套机制。Wang 把它称为 trust fall（一人背对众人，向后直直倒下，团队其他人伸手接住）：

用户一开始不信任 Agent，但有点好奇，于是先给它一件小事 —— 它做成了；再给一件大一点的 —— 又做成了；然后不断加码。每一次成功都在为下一次更大的托付攒信任。成功的 Muse 用户，几乎都走过了这条「任务越来越大、每次都没掉链子」的阶梯。他甚至观察到，一些大学生已经是「完全体 trust fall」：语音备忘录想到哪说到哪，直接丢给 AI，让它整理思路、给出计划。

这也解释了为什么产品体验对模型质量极度敏感 ——A/B 测试里，模型完成任务的可靠性、和用户沟通的可靠性、需要指导时主动确认的可靠性，任何一项掉链子，信任阶梯就断了。

要把用户走出「聊天机器人」简单用法，靠的不是一次震撼教育，而是一段精心设计爬坡曲线：第一次 wow 来得越早越好，之后的每一步都要兑现。

更多细节请参见原视频。