Muse火了，Wonder來了！扎克伯格、汪滔自曝千億美元豪賭內幕，附訪談實錄

編譯 | 黃菲 編輯 | 江宇 10月14日消息，10月13日，Meta創始人兼CEO馬克·扎克伯格（Mark Zuckerberg）與Meta超級智能實驗室（MSL）首席AI官亞歷山大·王（Alexandr Wang）做客播客節目Cheeky Pint，兩人首次公開詳解新一代前沿模型Muse Wonder的發佈細節，並回顧了MSL成立一年多來對Meta原AI團隊實施“徹底換血”的過程。訪談中，兩人坦承了Meta在尚未看到模型成果的情況下做出千億美元級資本開支承諾的內幕。北京時間2026年10月13日凌晨，Meta發佈Muse Wonder系列模型。

據兩人稱，這一新系列在個人與專業Agent任務評測上達到當前最優水平，其中編碼能力在DeepSWE、SWE-Marathon等基準上均為領先。扎克伯格還闡述了Muse刻意不設模型選擇器與難度選擇器，讓普通用戶無需面對複雜的模型命名與選擇。談及訓練成本，扎克伯格稱，運營1個吉瓦集群一年約需150億美元（約合人民幣1003億元），資本開支約500億至600億美元（約合人民幣3345億至4014億元），訓練一個前沿模型的總成本已達數百億美元（約合人民幣數千億元）。

兩人還回顧了MSL成立一年多來的過程：因不滿Llama 4的進展，Meta以人才密度為核心重建實驗室，其研究團隊不足200人；亞歷山大・王坦承自己此前從未訓練過前沿模型，而Meta在尚未看到模型成果時便做出1000億至2000億美元（約合人民幣6690億元至1.34萬億元）的資本開支承諾。兩人認為，Agent電商將重塑商業形態。未來，Agent將擁有自己的賬戶，商業市場的整體可尋址規模也將大幅擴大。與此同時，兩人判斷，AI行業不會出現贏家通吃的局面。各家前沿實驗室的執行表現會有起伏，而蒸餾技術和開源生態也將發揮重要的制衡作用，讓領先者難以長期持有壟斷優勢。

▲扎克伯格與、亞歷山大・王與約翰・科裡森，圖源：Cheeky Pint 以下是馬克・扎克伯格、亞歷山大・王和約翰・科裡森的訪談實錄，為優化閱讀體驗，做了不改變原意的編輯： 一、Muse成史上增長最快AI應用，扎克伯格拿它當綜合格鬥教練 主持人：先講講Muse的最新進展吧。第三方報告顯示，它可能是史上增長最快的智能體或AI應用。你們自己最喜歡的用例是什麼？亞歷山大・王：我昨天晚飯時還在聊這個。我的Muse叫Oiler，它一直在幫我從越來越小眾的茶商那裡淘越來越小眾的茶葉。現在它每週都會從臺灣或日本某個農場買點隨機茶葉回來。

扎克伯格：我用它來練習綜合格鬥（Mixed Martial Arts，MMA）。我在健身房安裝了攝像頭，它會觀察我的訓練情況，並在每個回合間的休息時間給我反饋。這其實是個很棘手的問題：你只有60秒的休息時間，它必須在這60秒內完成視頻處理。因此，這也是對編碼能力的一次很好的考驗。我沒有看到任何代碼，但它實際上已經在編寫一整套視頻處理和圖像處理流程了。主持人：你需要教它怎麼從視頻裡抽幀嗎？視頻文件那麼大，感覺不能直接扔給模型。扎克伯格：不用，它會自己抽取視頻幀，我想這是它自己摸索出來的。而且，Muse對綜合格鬥有相當不錯的先天理解能力，大概是因為它的訓練語料中本來就包含相關內容。

我總是催它：“你剛才花了30秒才給出反饋，我只有60秒休息時間，你得想辦法提高自己的效率。” 主持人：模型會給你什麼樣的格鬥指導？扎克伯格：主要講平衡和髖部位置。比如你在側壓控制位，它會說“你這裡沒拿住腋下抱摔位，容易被翻滾過來”。這個用例後來也成了我們內部的產品評測用例。主持人：它是怎麼學到這麼多綜合格鬥姿態判斷的？是因為看過大量綜合格鬥圖片，還是真正理解了平衡的概念？扎克伯格：我們確實使用了大量視覺感知數據來訓練模型，這也是我們開發多模態模型的核心思路之一：通過端到端的訓練，讓模型成為優秀的個人Agent。

我覺得這很好地預示了未來的發展方向：每個人都會編寫海量代碼，只不過他們自己可能都意識不到。二、Muse Wonder強化主動記憶能力，探索前沿編碼新方向 主持人：聊聊新模型吧，聽起來很厲害。扎克伯格：我們挺自豪的。新模型叫Muse Wonder，是前沿級別的新一代模型，比Muse Spark大得多，思考的細膩程度會有明顯提升。預訓練去年底就完成了，之後一直在做後訓練，現在它來了。我們的做法是一級一級爬梯子，每次都訓練大四五倍的模型，Muse Spark是第一級，Wonder是下一級。主持人：記憶對普通人來說意味著什麼？它和上下文窗口有什麼區別？亞歷山大・王：差異主要體現在使用體驗上。

模型能否記住你幾天、幾周甚至幾個月前提過的事情，並在未來執行任務時主動調用這些信息？我們把記憶視為模型的核心繫統。模型不僅要具備記憶能力，還要知道如何高效地壓縮和調用記憶，這就是我們所說的主動記憶。我們還開發了內部評測工具Memory Bench，用來驗證這方面的能力。當然，這項技術還有很大的提升空間，但我們認為，這已經是一個有意義的進步。主持人：那“專注”在AI裡指什麼？是把大量算力壓在任務上，還是不被其他事分心？亞歷山大・王：“專注”在AI裡指就是持久執行能力，也就是能夠持續推進長週期任務，直到把事情做完，即使遇到挫折，也能主動尋找替代方案。

在早期內測階段，很多用戶都認為，這是Muse與其他模型相比最突出的差異之一。它的另一個特點是專業領域能力。Muse Wonder在金融、法律等領域的評測中均達到當前領先水平。我們希望，最好的個人Agent能夠像一支隨時陪伴在你身邊的專家團隊。主持人：編碼能力呢？亞歷山大・王：這是大幅躍升：在DeepSWE、SWE-Marathon上達到最先進水平，Terminal-Bench 4等基準上也表現很好。編碼用戶只佔我們用戶的小部分，但他們的體感提升會很明顯。主持人：所以它既是你們最新的前沿模型，開發者可以在OpenRouter上直接調用，也是Muse內部的一次大升級？扎克伯格：對。

不過Wonder更大、服務成本更高，所以先在付費訂閱裡提供；免費用戶繼續用Muse Spark的海量免費token。我們的目標是，在不久的將來，能推出具備Wonder水平、採用Spark形態的模型，讓全球數億人都能用上。亞歷山大・王：它也會通過Meta模型API和OpenRouter提供，Muse Code用戶同樣能用；Muse Wonder Full則向Muse Code訂閱用戶開放。主持人：你認為Wonder和Astra、Fable一起站在前沿了？亞歷山大・王：從基準測試的經驗證據來看，可以得出這個結論。三、“模型就是產品”，Muse不設模型選擇器 主持人：我想聊聊AI的產品形態。

以Stripe為例，描述一個成功的產品我得寫好幾頁。但我發現AI領域的贏家產品會很快收斂到大家公認的產品形態：Transformer成功了，聊天式Agent界面成功了，現在大家又在往“擁有電腦的持久Agent”收斂。你們怎麼看？扎克伯格：我不太認同這種看法。我們最初的理論就是，這種Agent形態會與文本助手有很大不同。Meta AI雖然觸達了大量用戶，但大多數人仍然只把它當作信息檢索工具，而不會認為它能真正幫自己辦事。即便是讓Agent擁有一臺電腦，具體的實現方式也有很多種。最近這一波發展才開始為Agent配備專屬虛擬機，這對隱私和安全至關重要，而不是讓它直接接入人人都在使用的彈性算力資源。

主持人：但我並不是說實現這些能力很容易。現在大家看到Muse，都會覺得這才是人工智能智能體產品應有的樣子，未來的智能體產品大概都會朝這個方向發展。你們認為，未來還會出現很多不同的產品形態嗎？亞歷山大・王：現在下結論還為時過早。未來許多有趣的差異化特點，可能會被我們對當下產品的認知所掩蓋。人們會說：“不就是AI嗎？”“不就是一個Agent嗎？”這就像移動互聯網興起之初，人們會覺得應用程序不就是一個應用程序嗎？但應用程序究竟是什麼，背後其實存在大量細微的差異。Muse在產品設計上做了許多有意為之的選擇，包括模型在不同場景下應該如何表現、具備什麼樣的性格，以及如何調用工具。

這些選擇最終都會融入模型本身的設計之中。主持人：Muse還有個顯著細節是沒有模型選擇器、也沒有難度選擇器。這在消費級AI產品裡是理所當然的嗎？扎克伯格：我希望產品儘可能簡單。我們內部有句話：“模型就是產品。”產品層會變得越來越薄，模型的能力和性格都直接融入訓練之中。Agent產品中大量複雜的工作，其實集中在隱私與安全機制上，比如如何處理用戶數據，以及如何與其他服務建立連接。亞歷山大·王：很多AI產品都是由技術導向型團隊設計的，他們往往沒有真正站在普通用戶的角度思考問題。看看那些模型的命名方式，有的數字順序顛倒，有的乾脆另起一套命名體系。

一個沒有仔細讀過API文檔的普通用戶，怎麼可能知道該選哪個？Muse的做法是直接幫用戶選好。扎克伯格：還有一個很重要的概念，叫作“謹慎”。Agent不僅要幫你把事情辦好，還要儘可能減少個人信息的洩露。比如，你對某些食物過敏，或者正處於懷孕期間，想訂一家適合自己的餐廳，卻不想把這些健康信息透露給服務員。面向開發者的編碼Agent不需要考慮這些問題，但面向個人用戶的超級智能必須具備這種能力。這就是兩者的區別。四、訓練一個前沿模型要花數百億美元，預訓練與後訓練缺一不可 主持人：能給我們講講訓練一個前沿模型的過程嗎？很多人只知道預訓練和後訓練兩步，但具體有多少人、花多久、分幾步？

亞歷山大・王：這正是我們每天在乾的事。總體分預訓練和後訓練。預訓練就是海量數據、海量算力：多模態和領域語料（健康、法律、金融、稅務）都要從源頭灌進去。後訓練現在越來越重要，先做SFT監督微調塑造行為，再用強化學習把想要的行為激發出來。RL環境要精心設計，確保模型在高強度優化壓力下不被推向不安全、不對齊的方向。主持人：整個項目有多少人？扎克伯格：這就要說到MSL的特別之處了。亞歷克斯（扎克伯格指代亞歷山大・王的英文暱稱，Alex）最早給我的方案，第一條就是“你不需要很多人，人才密度才是一切”。所以研究團隊不到200人，其實接近100人，但每個人都要儘可能優秀。

我們不是把算力像花生醬一樣攤到一堆項目上，而是集中投給關鍵的人。主持人：Wonder是那次最大的訓練工程嗎？扎克伯格：它是下一級預訓練，是我們爬梯子的新一級。我們內部給Muse Spark這代起的代號是Avocado（鱷梨），這代叫Watermelon（西瓜），水果已經用完了。主持人：預訓練就是儘可能多地吸收公開互聯網和書籍數據嗎？扎克伯格：是的，但類型不同：要擅長感知，就得多灌圖像、音頻、視頻；要擅長某些領域，不能只在最後用RL補，而是從預訓練就開始接觸。亞歷山大・王：預訓練階段你不太在乎數據長什麼樣、怎麼格式化，就是大量、大量、大量的數據。

Muse Wonder從去年8月就開始規劃，訓練是長週期工程。關於AI我有一條總的說法：一切都要規模化，但單獨放大一個維度沒用，得一起放大。主持人：那訓練到底要花多少錢？給個量級就行。扎克伯格：可以做經典算術：運營1個吉瓦集群一年，大概要150億美元（約合人民幣1003億元）；如果是資本開支，得一次性付清，大概500億至600億美元（約合人民幣3345億至4014億元）。這還只是一個集群、訓練的一個環節。亞歷山大・王：我看過財務彙總，數百億美元（約合人民幣數千億元）是個靠譜的估計。

五、千億美元豪賭未見模型先開支票，CFO曾警告“財務狀況將十分糟糕” 主持人：所以你們的意思是，訓練前沿模型就像在發牌前一次性押上所有籌碼，根本沒法分階段下注？扎克伯格：在這個量級上確實如此。幾年前集群不用這麼大，現在必須。這也是現在創辦前沿實驗室最刺激的地方：入場費極高。去年底，我們還沒見到模型，就說好要寫這張1000億至2000億美元（約合人民幣6690億元至1.34萬億元）的支票。我問亞歷克斯：“你確定這能成？” 主持人：蘇珊・李（Meta首席財務官，Susan Li）真的把你拉到一邊警告過嗎？

亞歷山大・王：去年底整個高管團隊在夏威夷開會，蘇珊好幾次把我拉到一邊，說：“我只想告訴你，如果這不行，財務狀況會非常、非常糟糕。”那筆錢的量級確實離譜。主持人：高管們手拉手一起冒這個險，算是一種感情增進時刻嗎？亞歷山大・王：Meta大部分高管共事很久，我和納特·弗裡德曼（Meta超級智能實驗室產品負責人，Nat Friedman）才是新來的。大家經歷過太多當時看起來很嚇人的時刻，反倒有種“我們是Meta，能挺過去”的默契和士氣。蘇珊作為CFO把風險說得特別嚇人，但其他人更多是興奮。主持人：你們還在為尚不存在的產品建數據中心？扎克伯格：對，我們必須提前好幾年做出決定。

去年討論這件事時，也有人提議是不是應該採取更穩妥的策略。我們的回答是：不，就押注這個方向，我們一定能把它做成。其實，這件事並沒有看起來那麼冒險。首先，只要AI整體發展起來，就會有大量客戶願意租用我們的算力。真正的風險在於，整個AI行業都沒能發展起來。其次，我們在基礎設施方面也有明確的佈局。俄亥俄州的普羅米修斯集群正在擴建，規模將超過1吉瓦；路易斯安那州的海伯利安集群則計劃擴展到5吉瓦。Meta的AI基礎設施總規模已經超過5吉瓦。主持人：那錢從哪來？大家都在擔心資本開支怎麼填。扎克伯格：訂閱本身就是一門大生意。Agent可以幫用戶省錢、賺錢，我們也有多種方式從中獲取一部分收益。

此外，我們還會打造Meta的企業平臺，由CJ・德賽（Meta首席企業平臺官，CJ Desai）牽頭。API業務也將實現盈利。更重要的是，AI還能加速核心業務的發展。而我們的核心業務本身就是一臺每年創造數百億美元收入、且仍在高速增長的現金牛。我們能從AI中賺到錢嗎？答案最好是“能”。而我的答案就是：能。六、從Agent電商到智能眼鏡，Agent將擁有自己的賬戶 主持人：商家們怎麼迎接Muse帶來的未來？你們希望所有商家都給Agent提供支持吧？扎克伯格：我們把很強的瀏覽器使用能力訓練進了模型，這樣任何人都無需做任何事就能和Muse協作；對於重要的合作伙伴，我們提供直接API接入，這樣更快更高效。

長遠看，就像今天每個商家都有網站、社媒賬號和郵箱一樣，未來每個商家都會有Agent。主持人：更值得關注的是，有些商家可能會主動屏蔽Agent，因為他們認為這樣做更符合自身利益。扎克伯格：那些會被顛覆。來問我們做深度集成的商家遠遠多於試圖封鎖的，我的猜測是：想封鎖的，長期看未必是明智的戰略選擇。主持人：給我們講講這種變化在經濟上的二階效應吧。亞歷山大・王：這給商家省時省錢，對消費者明顯是好事。長期看，需求會越來越多地流向Agent電商，就像電商之於線下零售一樣，它會在蛋糕裡佔比越來越大。至於有些商家想不想參與這塊，是他們自己的選擇。主持人：你為什麼還得專門註冊一個Instacart賬號？

Stripe正在給開發者的編碼Agent解決這類賬戶問題。扎克伯格：順便說一句，Stripe的集成做得非常出色，我們對此很滿意。以前我幾乎不用Instacart，一年也就用一兩次，還是用普莉希拉（扎克伯格的妻子，Priscilla Chan）的賬號。現在，為了使用Muse，我專門註冊了賬號，每週會用一兩次。我3歲的女兒奧蕾莉亞（扎克伯格的女兒，Aurelia Zuckerberg）很喜歡烘焙，我們每週六都會一起烤點心。Muse的語音模式能夠分辨我和女兒的聲音。平時我們會聊想烤些什麼，到了週六，所需食材就會準時送到。

這週末，它知道代號為“西瓜”（Watermelon）的Wonder即將發佈，還特意往購物袋裡加了一個西瓜，就是我直播時吃的那個。所以，真正的商業機會並不只是把轉化率提高20%，而是大幅拓展整個商業市場的可尋址規模。未來，Agent也會擁有自己的賬戶。主持人：從Siri到各種語音模式，人們試了很久，為什麼語音交互還是這麼難？開車時想查個烘焙進度、改個日程，你大概率還是不會用語音。扎克伯格：一方面，Agent必須真正具備替用戶辦事的能力；另一方面，對話節奏也很難把握。你停頓3秒，它就以為你已經說完了；它剛一開口，你打斷它，它又會以為你提出了一個新問題。

此外，語音輸出的信息效率也比較低，畢竟閱讀文字通常比聽人說話快得多。亞歷山大・王：語音輸入已經在爆發，大學生最典型：對著AI口述10到15分鐘，讓它整理成結構化文檔。當Agent能真正替你做事的時侯，交互才更像跟人說話。主持人：你們會回到家用設備嗎？這顯然是個個人設備，但疫情期間我們用過Portal。扎克伯格：我們剛發了個小設備HomeLink，硬幣大小、帶USB，接上後Muse能控制全屋設備，包括音響和燈。晚上該放鬆時，我說一聲，全屋的燈就暗下來。眼鏡會是純粹的“多模態產品”：能聽、能說、能看你所看，甚至直接在視野裡生成你需要的界面。

亞歷山大・王：Muse Gadgets也開放了生態，已經有好幾家手機廠商想集成Muse。七、AI不會贏家通吃，蒸餾與開源生態成平衡力量 主持人：2023年，很多人預測AI行業會贏家通吃：一家實驗室率先取得領先，隨後通過遞歸自我改進不斷拉大差距，讓其他競爭者越來越難以追趕。為什麼沒有出現這種局面？亞歷山大·王：首先，前沿模型的表現會有起伏，每家前沿實驗室都有狀態好和狀態不好的時候，長期來看，這些差異會逐漸趨於平均。其次，蒸餾的作用被低估了。蒸餾能夠將強大模型的能力遷移到越來越小的模型中，讓開源生態始終能夠緊跟前沿進展。最後，生態中有很多人本來就希望技術能夠普惠，讓更多人受益。

這也是很多人願意加入MSL的原因。主持人：是因為領先的玩家搞砸了嗎？亞歷山大・王：如果所有參與者在取得領先時都能始終保持完美執行，他們或許真的可以一直領先下去，所以這確實是影響競爭格局的因素之一。此外，蒸餾也可以說是一種“反壟斷力量”。這並非誰刻意規劃的結果，但它確實發揮了作用，讓小模型也能具備強大的智能。主持人：所以，不只是個人會選擇投身於推動AI普及的事業，企業也會通過資金投入和商業交易，支持AI技術惠及更多人，對嗎？亞歷山大·王：對。很多人選擇加入Meta和MSL，就是希望讓幾十億人都能用上這項技術。

每個人都在不同層面做出選擇，包括在哪裡工作、與誰合作、開展什麼交易，而這些選擇都在推動技術成果向更廣泛的人群普及，讓最終的結果更加均衡。主持人：順便問一句，對OpenRouter有什麼建議？我們已達成收購協議，但還沒交割。亞歷山大・王：前沿模型正在朝不同方向發展。比如，Muse Wonder、Muse Fable和Muse Astra各自關注的重點就很不一樣。如果把這些模型放到同一套基準測試中比較，它們之間真正的差異反而容易被掩蓋。OpenRouter的機會在於，幫助開發者理解不同模型的細微差別，從而做出最合適的選擇。這就像品酒師一樣，不只是給酒打分，還能真正品出不同酒的特點與優劣。

扎克伯格：我很認同。我支持OpenRouter這樣的基礎設施，也欣賞英偉達最近支持開源生態的動作。好的未來是賦能更多人，我們的安全觀是“多樣性與制衡”：讓很多東西開放、觸手可及，而不是少數公司攥著少數模型，那才是更危險的配置。八、MSL成立一週年，“徹底