Muse火了，Wonder来了！扎克伯格、汪滔自曝千亿美元豪赌内幕，附访谈实录

　　智东西

　　编译黄菲

　　编辑江宇

　　智东西 10 月 14 日消息，10 月 13 日，Meta 创始人兼 CEO 马克·扎克伯格（Mark Zuckerberg）与 Meta 超级智能实验室（MSL）首席 AI 官亚历山大·王（Alexandr Wang）做客播客节目 Cheeky Pint，两人首次公开详解新一代前沿模型 Muse Wonder 的发布细节，并回顾了 MSL 成立一年多来对 Meta 原 AI 团队实施“彻底换血”的过程。

　　访谈中，两人坦承了 Meta 在尚未看到模型成果的情况下做出千亿美元级资本开支承诺的内幕。

　　北京时间 2026 年 10 月 13 日凌晨，Meta 发布 Muse Wonder 系列模型。据两人称，这一新系列在个人与专业 Agent 任务评测上达到当前最优水平，其中编码能力在 DeepSWE、SWE-Marathon 等基准上均为领先。扎克伯格还阐述了 Muse 刻意不设模型选择器与难度选择器，让普通用户无需面对复杂的模型命名与选择。

　　谈及训练成本，扎克伯格称，运营 1 个吉瓦集群一年约需 150 亿美元（约合人民币 1003 亿元），资本开支约 500 亿至 600 亿美元（约合人民币 3345 亿至 4014 亿元），训练一个前沿模型的总成本已达数百亿美元（约合人民币数千亿元）。

　　两人还回顾了 MSL 成立一年多来的过程：因不满 Llama 4 的进展，Meta 以人才密度为核心重建实验室，其研究团队不足 200 人；亚历山大・王坦承自己此前从未训练过前沿模型，而 Meta 在尚未看到模型成果时便做出 1000 亿至 2000 亿美元（约合人民币 6690 亿元至 1.34 万亿元）的资本开支承诺。

　　两人认为，Agent 电商将重塑商业形态。未来，Agent 将拥有自己的账户，商业市场的整体可寻址规模也将大幅扩大。

　　与此同时，两人判断，AI 行业不会出现赢家通吃的局面。各家前沿实验室的执行表现会有起伏，而蒸馏技术和开源生态也将发挥重要的制衡作用，让领先者难以长期持有垄断优势。

　　▲扎克伯格与、亚历山大・王与约翰・科里森，图源：Cheeky Pint

　　以下是马克・扎克伯格、亚历山大・王和约翰・科里森的访谈实录，为优化阅读体验，智东西做了不改变原意的编辑：

　　一、Muse 成史上增长最快 AI 应用，扎克伯格拿它当综合格斗教练

　　主持人：先讲讲 Muse 的最新进展吧。第三方报告显示，它可能是史上增长最快的智能体或 AI 应用。你们自己最喜欢的用例是什么？

　　亚历山大・王：我昨天晚饭时还在聊这个。我的 Muse 叫 Oiler，它一直在帮我从越来越小众的茶商那里淘越来越小众的茶叶。现在它每周都会从台湾或日本某个农场买点随机茶叶回来。

　　扎克伯格：我用它来练习综合格斗（Mixed Martial Arts，MMA）。我在健身房安装了摄像头，它会观察我的训练情况，并在每个回合间的休息时间给我反馈。这其实是个很棘手的问题：你只有 60 秒的休息时间，它必须在这 60 秒内完成视频处理。因此，这也是对编码能力的一次很好的考验。我没有看到任何代码，但它实际上已经在编写一整套视频处理和图像处理流程了。

　　主持人：你需要教它怎么从视频里抽帧吗？视频文件那么大，感觉不能直接扔给模型。

　　扎克伯格：不用，它会自己抽取视频帧，我想这是它自己摸索出来的。而且，Muse 对综合格斗有相当不错的先天理解能力，大概是因为它的训练语料中本来就包含相关内容。我总是催它：“你刚才花了 30 秒才给出反馈，我只有 60 秒休息时间，你得想办法提高自己的效率。”

　　主持人：模型会给你什么样的格斗指导？

　　扎克伯格：主要讲平衡和髋部位置。比如你在侧压控制位，它会说“你这里没拿住腋下抱摔位，容易被翻滚过来”。这个用例后来也成了我们内部的产品评测用例。

　　主持人：它是怎么学到这么多综合格斗姿态判断的？是因为看过大量综合格斗图片，还是真正理解了平衡的概念？

　　扎克伯格：我们确实使用了大量视觉感知数据来训练模型，这也是我们开发多模态模型的核心思路之一：通过端到端的训练，让模型成为优秀的个人 Agent。我觉得这很好地预示了未来的发展方向：每个人都会编写海量代码，只不过他们自己可能都意识不到。

　　二、Muse Wonder 强化主动记忆能力，探索前沿编码新方向

　　主持人：聊聊新模型吧，听起来很厉害。

　　扎克伯格：我们挺自豪的。新模型叫 Muse Wonder，是前沿级别的新一代模型，比 Muse Spark 大得多，思考的细腻程度会有明显提升。预训练去年底就完成了，之后一直在做后训练，现在它来了。我们的做法是一级一级爬梯子，每次都训练大四五倍的模型，Muse Spark 是第一级，Wonder 是下一级。

　　主持人：记忆对普通人来说意味着什么？它和上下文窗口有什么区别？

　　亚历山大・王：差异主要体现在使用体验上。模型能否记住你几天、几周甚至几个月前提过的事情，并在未来执行任务时主动调用这些信息？我们把记忆视为模型的核心系统。模型不仅要具备记忆能力，还要知道如何高效地压缩和调用记忆，这就是我们所说的主动记忆。我们还开发了内部评测工具 Memory Bench，用来验证这方面的能力。当然，这项技术还有很大的提升空间，但我们认为，这已经是一个有意义的进步。

　　主持人：那“专注”在 AI 里指什么？是把大量算力压在任务上，还是不被其他事分心？

　　亚历山大・王：“专注”在 AI 里指就是持久执行能力，也就是能够持续推进长周期任务，直到把事情做完，即使遇到挫折，也能主动寻找替代方案。在早期内测阶段，很多用户都认为，这是 Muse 与其他模型相比最突出的差异之一。它的另一个特点是专业领域能力。Muse Wonder 在金融、法律等领域的评测中均达到当前领先水平。我们希望，最好的个人 Agent 能够像一支随时陪伴在你身边的专家团队。

　　主持人：编码能力呢？

　　亚历山大・王：这是大幅跃升：在 DeepSWE、SWE-Marathon 上达到最先进水平，Terminal-Bench 4 等基准上也表现很好。编码用户只占我们用户的小部分，但他们的体感提升会很明显。

　　主持人：所以它既是你们最新的前沿模型，开发者可以在 OpenRouter 上直接调用，也是 Muse 内部的一次大升级？

　　扎克伯格：对。不过 Wonder 更大、服务成本更高，所以先在付费订阅里提供；免费用户继续用 Muse Spark 的海量免费 token。我们的目标是，在不久的将来，能推出具备 Wonder 水平、采用 Spark 形态的模型，让全球数亿人都能用上。

　　亚历山大・王：它也会通过 Meta 模型 API 和 OpenRouter 提供，Muse Code 用户同样能用；Muse Wonder Full 则向 Muse Code 订阅用户开放。

　　主持人：你认为 Wonder 和 Astra、Fable 一起站在前沿了？

　　亚历山大・王：从基准测试的经验证据来看，可以得出这个结论。

　　三、“模型就是产品”，Muse 不设模型选择器

　　主持人：我想聊聊 AI 的产品形态。以 Stripe 为例，描述一个成功的产品我得写好几页。但我发现 AI 领域的赢家产品会很快收敛到大家公认的产品形态：Transformer 成功了，聊天式 Agent 界面成功了，现在大家又在往“拥有电脑的持久 Agent”收敛。你们怎么看？

　　扎克伯格：我不太认同这种看法。我们最初的理论就是，这种 Agent 形态会与文本助手有很大不同。Meta AI 虽然触达了大量用户，但大多数人仍然只把它当作信息检索工具，而不会认为它能真正帮自己办事。即便是让 Agent 拥有一台电脑，具体的实现方式也有很多种。最近这一波发展才开始为 Agent 配备专属虚拟机，这对隐私和安全至关重要，而不是让它直接接入人人都在使用的弹性算力资源。

　　主持人：但我并不是说实现这些能力很容易。现在大家看到 Muse，都会觉得这才是人工智能智能体产品应有的样子，未来的智能体产品大概都会朝这个方向发展。你们认为，未来还会出现很多不同的产品形态吗？

　　亚历山大・王：现在下结论还为时过早。未来许多有趣的差异化特点，可能会被我们对当下产品的认知所掩盖。人们会说：“不就是 AI 吗？”“不就是一个 Agent 吗？”这就像移动互联网兴起之初，人们会觉得应用程序不就是一个应用程序吗？但应用程序究竟是什么，背后其实存在大量细微的差异。Muse 在产品设计上做了许多有意为之的选择，包括模型在不同场景下应该如何表现、具备什么样的性格，以及如何调用工具。这些选择最终都会融入模型本身的设计之中。

　　主持人：Muse 还有个显著细节是没有模型选择器、也没有难度选择器。这在消费级 AI 产品里是理所当然的吗？

　　扎克伯格：我希望产品尽可能简单。我们内部有句话：“模型就是产品。”产品层会变得越来越薄，模型的能力和性格都直接融入训练之中。Agent 产品中大量复杂的工作，其实集中在隐私与安全机制上，比如如何处理用户数据，以及如何与其他服务建立连接。

　　亚历山大·王：很多 AI 产品都是由技术导向型团队设计的，他们往往没有真正站在普通用户的角度思考问题。看看那些模型的命名方式，有的数字顺序颠倒，有的干脆另起一套命名体系。一个没有仔细读过 API 文档的普通用户，怎么可能知道该选哪个？Muse 的做法是直接帮用户选好。

　　扎克伯格：还有一个很重要的概念，叫作“谨慎”。Agent 不仅要帮你把事情办好，还要尽可能减少个人信息的泄露。比如，你对某些食物过敏，或者正处于怀孕期间，想订一家适合自己的餐厅，却不想把这些健康信息透露给服务员。面向开发者的编码 Agent 不需要考虑这些问题，但面向个人用户的超级智能必须具备这种能力。这就是两者的区别。

　　四、训练一个前沿模型要花数百亿美元，预训练与后训练缺一不可

　　主持人：能给我们讲讲训练一个前沿模型的过程吗？很多人只知道预训练和后训练两步，但具体有多少人、花多久、分几步？

　　亚历山大・王：这正是我们每天在干的事。总体分预训练和后训练。预训练就是海量数据、海量算力：多模态和领域语料（健康、法律、金融、税务）都要从源头灌进去。后训练现在越来越重要，先做 SFT 监督微调塑造行为，再用强化学习把想要的行为激发出来。RL 环境要精心设计，确保模型在高强度优化压力下不被推向不安全、不对齐的方向。

　　主持人：整个项目有多少人？

　　扎克伯格：这就要说到 MSL 的特别之处了。亚历克斯（扎克伯格指代亚历山大・王的英文昵称，Alex）最早给我的方案，第一条就是“你不需要很多人，人才密度才是一切”。所以研究团队不到 200 人，其实接近 100 人，但每个人都要尽可能优秀。我们不是把算力像花生酱一样摊到一堆项目上，而是集中投给关键的人。

　　主持人：Wonder 是那次最大的训练工程吗？

　　扎克伯格：它是下一级预训练，是我们爬梯子的新一级。我们内部给 Muse Spark 这代起的代号是 Avocado（鳄梨），这代叫 Watermelon（西瓜），水果已经用完了。

　　主持人：预训练就是尽可能多地吸收公开互联网和书籍数据吗？

　　扎克伯格：是的，但类型不同：要擅长感知，就得多灌图像、音频、视频；要擅长某些领域，不能只在最后用 RL 补，而是从预训练就开始接触。

　　亚历山大・王：预训练阶段你不太在乎数据长什么样、怎么格式化，就是大量、大量、大量的数据。Muse Wonder 从去年 8 月就开始规划，训练是长周期工程。关于 AI 我有一条总的说法：一切都要规模化，但单独放大一个维度没用，得一起放大。

　　主持人：那训练到底要花多少钱？给个量级就行。

　　扎克伯格：可以做经典算术：运营 1 个吉瓦集群一年，大概要 150 亿美元（约合人民币 1003 亿元）；如果是资本开支，得一次性付清，大概 500 亿至 600 亿美元（约合人民币 3345 亿至 4014 亿元）。这还只是一个集群、训练的一个环节。

　　亚历山大・王：我看过财务汇总，数百亿美元（约合人民币数千亿元）是个靠谱的估计。

　　五、千亿美元豪赌未见模型先开支票，CFO 曾警告“财务状况将十分糟糕

　　主持人：所以你们的意思是，训练前沿模型就像在发牌前一次性押上所有筹码，根本没法分阶段下注？

　　扎克伯格：在这个量级上确实如此。几年前集群不用这么大，现在必须。这也是现在创办前沿实验室最刺激的地方：入场费极高。去年底，我们还没见到模型，就说好要写这张 1000 亿至 2000 亿美元（约合人民币 6690 亿元至 1.34 万亿元）的支票。我问亚历克斯：“你确定这能成？”

　　主持人：苏珊・李（Meta 首席财务官，Susan Li）真的把你拉到一边警告过吗？

　　亚历山大・王：去年底整个高管团队在夏威夷开会，苏珊好几次把我拉到一边，说：“我只想告诉你，如果这不行，财务状况会非常、非常糟糕。”那笔钱的量级确实离谱。

　　主持人：高管们手拉手一起冒这个险，算是一种感情增进时刻吗？

　　亚历山大・王：Meta 大部分高管共事很久，我和纳特·弗里德曼（Meta 超级智能实验室产品负责人，Nat Friedman）才是新来的。大家经历过太多当时看起来很吓人的时刻，反倒有种“我们是 Meta，能挺过去”的默契和士气。苏珊作为 CFO 把风险说得特别吓人，但其他人更多是兴奋。

　　主持人：你们还在为尚不存在的产品建数据中心？

　　扎克伯格：对，我们必须提前好几年做出决定。去年讨论这件事时，也有人提议是不是应该采取更稳妥的策略。我们的回答是：不，就押注这个方向，我们一定能把它做成。其实，这件事并没有看起来那么冒险。首先，只要 AI 整体发展起来，就会有大量客户愿意租用我们的算力。真正的风险在于，整个 AI 行业都没能发展起来。其次，我们在基础设施方面也有明确的布局。俄亥俄州的普罗米修斯集群正在扩建，规模将超过 1 吉瓦；路易斯安那州的海伯利安集群则计划扩展到 5 吉瓦。Meta 的 AI 基础设施总规模已经超过 5 吉瓦。

　　主持人：那钱从哪来？大家都在担心资本开支怎么填。

　　扎克伯格：订阅本身就是一门大生意。Agent 可以帮用户省钱、赚钱，我们也有多种方式从中获取一部分收益。此外，我们还会打造 Meta 的企业平台，由 CJ・德赛（Meta 首席企业平台官，CJ Desai）牵头。API 业务也将实现盈利。更重要的是，AI 还能加速核心业务的发展。而我们的核心业务本身就是一台每年创造数百亿美元收入、且仍在高速增长的现金牛。我们能从 AI 中赚到钱吗？答案最好是“能”。而我的答案就是：能。

　　六、从 Agent 电商到智能眼镜，Agent 将拥有自己的账户

　　主持人：商家们怎么迎接 Muse 带来的未来？你们希望所有商家都给 Agent 提供支持吧？

　　扎克伯格：我们把很强的浏览器使用能力训练进了模型，这样任何人都无需做任何事就能和 Muse 协作；对于重要的合作伙伴，我们提供直接 API 接入，这样更快更高效。长远看，就像今天每个商家都有网站、社媒账号和邮箱一样，未来每个商家都会有 Agent。

　　主持人：更值得关注的是，有些商家可能会主动屏蔽 Agent，因为他们认为这样做更符合自身利益。

　　扎克伯格：那些会被颠覆。来问我们做深度集成的商家远远多于试图封锁的，我的猜测是：想封锁的，长期看未必是明智的战略选择。

　　主持人：给我们讲讲这种变化在经济上的二阶效应吧。

　　亚历山大・王：这给商家省时省钱，对消费者明显是好事。长期看，需求会越来越多地流向 Agent 电商，就像电商之于线下零售一样，它会在蛋糕里占比越来越大。至于有些商家想不想参与这块，是他们自己的选择。

　　主持人：你为什么还得专门注册一个 Instacart 账号？Stripe 正在给开发者的编码 Agent 解决这类账户问题。

　　扎克伯格：顺便说一句，Stripe 的集成做得非常出色，我们对此很满意。以前我几乎不用 Instacart，一年也就用一两次，还是用普莉希拉（扎克伯格的妻子，Priscilla Chan）的账号。现在，为了使用 Muse，我专门注册了账号，每周会用一两次。我 3 岁的女儿奥蕾莉亚（扎克伯格的女儿，Aurelia Zuckerberg）很喜欢烘焙，我们每周六都会一起烤点心。Muse 的语音模式能够分辨我和女儿的声音。平时我们会聊想烤些什么，到了周六，所需食材就会准时送到。这周末，它知道代号为“西瓜”（Watermelon）的 Wonder 即将发布，还特意往购物袋里加了一个西瓜，就是我直播时吃的那个。所以，真正的商业机会并不只是把转化率提高 20%，而是大幅拓展整个商业市场的可寻址规模。未来，Agent 也会拥有自己的账户。

　　主持人：从 Siri 到各种语音模式，人们试了很久，为什么语音交互还是这么难？开车时想查个烘焙进度、改个日程，你大概率还是不会用语音。

　　扎克伯格：一方面，Agent 必须真正具备替用户办事的能力；另一方面，对话节奏也很难把握。你停顿 3 秒，它就以为你已经说完了；它刚一开口，你打断它，它又会以为你提出了一个新问题。此外，语音输出的信息效率也比较低，毕竟阅读文字通常比听人说话快得多。

　　亚历山大・王：语音输入已经在爆发，大学生最典型：对着 AI 口述 10 到 15 分钟，让它整理成结构化文档。当 Agent 能真正替你做事的时侯，交互才更像跟人说话。

　　主持人：你们会回到家用设备吗？这显然是个个人设备，但疫情期间我们用过 Portal。

　　扎克伯格：我们刚发了个小设备 HomeLink，硬币大小、带 USB，接上后 Muse 能控制全屋设备，包括音响和灯。晚上该放松时，我说一声，全屋的灯就暗下来。眼镜会是纯粹的“多模态产品”：能听、能说、能看你所看，甚至直接在视野里生成你需要的界面。

　　亚历山大・王：Muse Gadgets 也开放了生态，已经有好几家手机厂商想集成 Muse。

　　七、AI 不会赢家通吃，蒸馏与开源生态成平衡力量

　　主持人：2023 年，很多人预测 AI 行业会赢家通吃：一家实验室率先取得领先，随后通过递归自我改进不断拉大差距，让其他竞争者越来越难以追赶。为什么没有出现这种局面？

　　亚历山大·王：首先，前沿模型的表现会有起伏，每家前沿实验室都有状态好和状态不好的时候，长期来看，这些差异会逐渐趋于平均。其次，蒸馏的作用被低估了。蒸馏能够将强大模型的能力迁移到越来越小的模型中，让开源生态始终能够紧跟前沿进展。最后，生态中有很多人本来就希望技术能够普惠，让更多人受益。这也是很多人愿意加入 MSL 的原因。

　　主持人：是因为领先的玩家搞砸了吗？

　　亚历山大・王：如果所有参与者在取得领先时都能始终保持完美执行，他们或许真的可以一直领先下去，所以这确实是影响竞争格局的因素之一。此外，蒸馏也可以说是一种“反垄断力量”。这并非谁刻意规划的结果，但它确实发挥了作用，让小模型也能具备强大的智能。

　　主持人：所以，不只是个人会选择投身于推动 AI 普及的事业，企业也会通过资金投入和商业交易，支持 AI 技术惠及更多人，对吗？

　　亚历山大·王：对。很多人选择加入 Meta 和 MSL，就是希望让几十亿人都能用上这项技术。每个人都在不同层面做出选择，包括在哪里工作、与谁合作、开展什么交易，而这些选择都在推动技术成果向更广泛的人群普及，让最终的结果更加均衡。

　　主持人：顺便问一句，对 OpenRouter 有什么建议？我们已达成收购协议，但还没交割。

　　亚历山大・王：前沿模型正在朝不同方向发展。比如，Muse Wonder、Muse Fable 和 Muse Astra 各自关注的重点就很不一样。如果把这些模型放到同一套基准测试中比较，它们之间真正的差异反而容易被掩盖。OpenRouter 的机会在于，帮助开发者理解不同模型的细微差别，从而做出最合适的选择。这就像品酒师一样，不只是给酒打分，还能真正品出不同酒的特点与优劣。

　　扎克伯格：我很认同。我支持 OpenRouter 这样的基础设施，也欣赏英伟达最近支持开源生态的动作。好的未来是赋能更多人，我们的安全观是“多样性与制衡”：让很多东西开放、触手可及，而不是少数公司攥着少数模型，那才是更危险的配置。

　　八、MSL 成立一周年，“彻底换血”与人才密度成关键词

　　主持人：聊聊 MSL 的起点吧。从零开始建一个前沿实验室，什么时候算起跑？

　　扎克伯格：Llama 4 是 2025 年 4 月 4 日发布的，之后大概 4 月 20 日我开始四处打电话请教。结论是必须彻底重启。一开始我和纳特聊，怎么设计一个对亚历克斯的股东也有利的安排，把他请过来。

　　亚历山大・王：我记得当时还在开员工会，收到一条 WhatsApp 消息问“有空聊聊吗”。之后我们打了 44 分钟电话，两天后我给他发了一份长长的方案，第一条就是“你不需要很多人，人才密度才是一切”。

　　主持人：所以 MSL 成立一年出头。这一年有什么复盘？

　　扎克伯格：最初，我们像引爆一颗“超新星”一样，把一群人迅速聚集到一起。头几个月，大家几乎没怎么睡过觉。我还特意腾出了整整一两个月的时间，专门和研究员见面交流。要重新启动这个项目，就得营造一种从零开始的感觉。这也是我们和外部人士交流后得出的结论：想吸引最优秀的人才，就必须让他们觉得，自己加入的是一项全新的事业。

　　主持人：我总结四点，一般创始人 CEO 做不出来：一是公开否定公司之前的努力；二是为人才花天价（还有那个“很不错的苦差事生意”49% 的股份）；三是赌一个从没训练过前沿模型的人；四是清空一两个月日程只干这一件事。这四点你怎么看？

　　扎克伯格：亚历克斯是我认识的同代创业者中最敏锐的人之一，他就是那个能挑起大梁的人。至于他没有亲自训练过前沿模型，我并不担心。我更看重的是，他能否像创业者一样不断调整判断、带领好团队。他还有一个特点：一旦认定某件事，就会推动整个组织围绕这一信念进行调整。这正是我们所说的“人才密度”的由来。

　　主持人：这次经历改变了你对外部人才引进的看法吗？你会把同样的做法应用到其他项目中吗？

　　扎克伯格：显然，你不可能同时推进太多这样的项目，因为最高优先级只能有一个。但总体而言，这次经历让我更加乐观了。我们还邀请了印度顶尖创业者库纳尔·沙阿（印度金融科技创业者、CRED 创始人，Kunal Shah）来负责 WhatsApp。不过，那是另一种情况。我们并不是要让 WhatsApp 整个组织转向新的方向，而是希望为它注入更多创业活力。MSL 则完全不同。这是一项难度高达 10 级的挑战，而且我们现在还没有完成。

　　主持人：你们之间有过什么有意思的分歧吗？

　　扎克伯格：我们之间有很多分歧，比如产品命名，直到最近还在争论。我觉得这反而是好事。一群有才华、又各有主见的人聚在一起，愿意为自己的判断据理力争，总比不加思考地照着做要好。

　　主持人：马克作为老板，和你预想的有何不同？

　　亚历山大・王：我没有太多可供比较的样本。但最让我印象深刻的是，他是一个非常“贝叶斯式”的人。一旦认定某件事是对的，就会迅速、大幅度地调整自己的行动。更难得的是，他能让整个公司围绕 MSL 调整方向、重新分配资源。这种从全局出发、让整个组织为一个目标让路的能力，只有创始人兼 CEO 才能做到。

　　主持人：最后一个问题，现在已经过了我们平时睡觉的时间了。你怎么看亚历克斯在X上那些疯狂发帖的行为？

　　扎克伯格：大部分我都觉得很好笑。交流最重要的就是真诚，为了真诚付出一点代价，也比照本宣科强。不过我每次打开X，都能刷到亚历克斯的帖子，经常把我逗乐。