上一次，是2023年。再上一次，是2012年。再再上一次，是2009年。 十四年，一共23條推文。元宇宙沒能讓他開口，一個AI付費API做到了。 Meta CEO 馬克·祖克柏，那個把Facebook改名Meta、All in元宇宙、燒了450億美元搞VR頭顯的男人，今天，時隔三年，重返X。 他是來賣API的。

面對“算力過剩”質疑，Meta首席執行長馬克·祖克柏日前在接受採訪時進行了公開否認，他表示，Meta需要儘可能多的算力，目前算力在內部仍有大量用武之地。他還表示，市場上對算力的需求非常大，外部為使用算力開出的報價非常高，租出去或許能帶來更高的價值。 上周，社交媒體巨頭Meta被曝計畫對外租售閒置算力，引發算力過剩恐慌，並一度帶崩全球晶片股。面對“算力過剩”質疑，Meta首席執行長馬克·祖克柏日前在接受採訪時進行了公開否認。 祖克柏表示，Meta需要儘可能多的算力，但在當前AI產品運行與開發所需（算力）資源極度緊缺的市場環境下，他也在考慮，如果將Meta的部分AI基礎設施對外出租，是否能帶來更高的價值。 “外部為使用算力開出的報價非常高，因此在某些情況下，將它們出租或考慮這類合作方式，反而比直接用於內部用途更為合理。”祖克柏表示。

7 月 9 日，祖克柏那個沉寂了三年的 X 帳號，突然詐屍了。 他不是去緬懷 Facebook 的青春，也不是準備和馬斯克再約一場籠斗，而是專門給 Meta 的新模型 Muse Spark 1.1 站台。 祖克柏給出的評價很直接：智能體能力強、會用工具、會操作電腦，而且價格很低。 三年不開口，一開口就聊性價比。這個畫風很像平時從不進群的董事長，突然發來一張拼多多連結。

最近，Meta計畫將多餘的AI算力出租給第三方，引發了大家對於AI投資是否過高的擔憂，也導致了近期股市的震盪。 但其實，我們認為，幾乎同時發生的另一件事才更加值得注意。 祖克柏在Meta內部會議上承認，AI Agent的進展沒有像他們想像中那麼快。 要知道，Meta堪稱在AI上最激進的公司。不僅進行了大裁員，還把7000人強制調崗到AI團隊，而且Meta今年的資本支出還可能高達1250億至1450億美元。可以說，祖克柏把整個公司押在了AI之上。

7月1日，Meta宣佈開賣算力，股價漲了8.8%。 7月2日，祖克柏內部會承認AI agent不及預期，股價跌了4.9%。 同一家公司的股價，周一被"賣算力"的消息送上去，周二被老闆一句話砸下來。市場在48小時內給了兩個截然相反的判斷——消息A說Meta在變現AI資產，消息B說Meta的AI故事在證偽。 然後第三個消息來了。

華人正在改寫矽谷規則。 祖克柏這次玩得有點大。 有前Meta員工發帖稱，Meta最核心的AI大模型、演算法研發部門，已經被華人搶佔了超過90%的高薪崗位。 這些核心團隊裡，日常溝通、項目復盤、技術對接等，用英語的場合逐漸變少，普通話幾乎變成了是工作默認語言。不少外籍員工被逼著自學中文，才能跟上節奏。

▎祖克柏曾公開承認自己對Meta AI進度不滿意，並下定決心啟動一場全面革新。在沉寂了將近一年之後，Meta終於端出了一道讓行業側目的大菜。4月8日，Meta正式發佈旗下最新旗艦AI模型 Muse Spark，將其定性為“從零開始的全面改造”——這是Meta全新成立的超級智能實驗室（Meta Superintelligence Labs，下稱MSL）對外發佈的首個公開模型，也是祖克柏為重奪AI桌上一席之地而打出的最重要一張牌。Muse Spark的誕生，是Meta對自身AI戰略一次徹底的自我否定與重構。過去兩年，Meta在AI賽道上的形象相當尷尬：Llama系列雖然憑藉開源策略在生態圈積累了口碑，但無論是產品完成度還是模型性能，都被OpenAI的ChatGPT、Anthropic的Claude遠遠甩在身後。祖克柏曾公開承認自己對Meta AI進度不滿意，並下定決心啟動一場全面革新。過去9個月裡，Meta重建了整個AI技術堆疊，包括訓練基礎設施、推理架構和資料策略。Muse Spark不是在舊基礎上修修補補，而是真正意義上的“新生”。用Meta自己的話說，這是“我們擴展階梯的第一步”——言下之意，Muse系列之後還有更多。新大腦，新團隊重建的不只是技術，還有人。去年，Meta宣佈成立超級智能實驗室，並以143億美元投資入股AI資料公司Scale AI，獲得49%股權，並任命Scale AI創始人Alexandr Wang 擔任Meta首席AI官，主導這場重建工程。與此同時，Meta從OpenAI、Anthropic、Google大批挖角頂尖研究人員，以業界罕見的薪酬體系重組了AI核心團隊。這一系列動作的訊號再明確不過：祖克柏要玩真的了。從獨立第三方評測機構Artificial Analysis的資料來看，Muse Spark在綜合智力指數（Intelligence Index）上得分52，全球排名前五，僅次於GoogleGemini 3.1 Pro Preview、OpenAI GPT-5.4和Anthropic Claude Opus 4.6，大幅超越Meta此前最強模型Llama 4 Maverick（18分）。具體能力維度上：視覺理解（MMMU-Pro）：得分80.5%，全球第二，僅次於Gemini 3.1 Pro Preview的82.4%；推理與指令遵循（HLE評估）：得分39.9%，位居第三；科學推理（CritPT物理研究題）：得分11%，超越Claude 4.6 Sonnet（3%）和Gemini 3 Flash（9%）；“人類終極考試”（Humanity's Last Exam）：借助外部工具時達到58.4分的高水準。值得關注的是，Muse Spark在達到頂尖性能的同時，Token消耗效率極高，僅使用約5800萬輸出Token，與Gemini 3.1 Pro Preview相當，遠低於Claude Opus 4.6的1.57億和GPT-5.4的1.2億。效率與性能兼顧，是Muse Spark在架構層面的重要突破。Meta自己也坦承，在“長視野代理系統和編碼工作流”領域仍存在一定差距，這也是未來需要持續補強的方向。兩種模式：快與深的平衡Muse Spark上線後，Meta AI應用同步推出兩種工作模式：即時模式（Instant）：針對日常對話和簡單問題，追求快速響應；沉思模式（Contemplating）：面對複雜任務時啟動，可協調多個AI子智能體平行推理，在保持相近延遲的同時大幅提升輸出質量。這種“多智能體平行”的架構設計頗具新意。以旅行規劃為例，模型可以同時完成行程規劃、目的地對比、活動篩選等多個子任務，最終整合輸出一份完整方案，效率和精度均遠超傳統單鏈式推理。Muse Spark是一個原生多模態模型，支援文字、圖像等多種輸入形式，具備真正的跨模態理解與互動能力。在應用場景上，Meta著重佈局了兩個垂直方向：健康領域：Meta專門與超過1000名醫生合作最佳化訓練資料，使模型在處理醫療建議類問題時具備更高的專業性與安全性。這一舉措訊號明顯——Meta正在將AI定位為“個人健康助手”，而非單純的資訊檢索工具。視覺STEM（科學、技術、工程、數學）：模型在處理視覺化科學與工程問題上表現出色，使用者可以通過拍照或描述來排查家用電器故障、生成互動小遊戲，甚至即時理解技術圖紙。此外，Muse Spark還可接入使用者在Instagram、Facebook、Threads等平台分享的內容，提供個性化推薦，並在Meta AI眼鏡上實現更強的環境感知能力——這是Meta“具身AI”戰略的重要組成部分。這或許是Muse Spark發佈中最微妙、也最值得關注的一個訊號。Meta曾是開源AI生態的旗手，Llama系列開放權重下載，催生了全球數以萬計的開發者應用。然而，Muse Spark首發時選擇了閉源——僅通過meta.ai和Meta AI應用提供，API僅向部分合作夥伴開放私有預覽，普通開發者無法直接呼叫。祖克柏表示，未來仍計畫發佈“越來越先進的開源模型”，但Muse Spark本身暫不開源。這一轉變意味著什麼？一種解讀是：Meta已意識到，在前沿模型的軍備競賽中，“開放”固然可以擴大生態，但也意味著提前曝光核心能力、讓競爭對手借鑑領先技術。在真正建立性能優勢之前，Meta選擇先“守住底牌”。另一種解讀則更為商業：Meta需要通過閉源API變現，為每年數百億美元的AI投入找到可持續的商業回報。兩種邏輯並不矛盾，但都指向同一個方向：Meta正在從理想主義的開源布道者，向務實的AI商業玩家悄然轉型。“個人超級智能”：祖克柏想要的，遠不止一個聊天機器人在發佈聲明中，祖克柏將Muse Spark定位為通往“個人超級智能”願景的第一步。這個詞彙的選用絕非隨意——它對應的是Sam Altman口中“AGI”概念的Meta版敘事，暗示Meta的野心在於打造一個真正能夠替代人完成任務的AI代理（Agent），而非只是一個回答問題的聊天工具。按照這一戰略路線，Meta未來的AI產品將嵌入使用者的全平台數字生活：Instagram的內容推薦、WhatsApp的日程管理、AR眼鏡的即時視覺輔助……Meta擁有全球最龐大的社交使用者基礎，這是OpenAI和Anthropic無法複製的獨特資產。當然，這也伴隨著隱私風險。目前，使用Muse Spark需要通過Facebook或Instagram帳號登錄，Meta的慣常做法是利用公開使用者資料進行模型訓練。隨著AI深度融合個人社交資料，使用者隱私邊界如何界定，將是監管機構和公眾長期關注的議題。Muse Spark的意義，不僅僅在於一個模型的性能數字。它更深層的含義是：Meta終於重新站上了前沿AI的牌桌。在過去一年裡，OpenAI憑藉GPT-5系列、Anthropic憑藉Claude 4系列、Google憑藉Gemini 3系列，分別鞏固了各自的行業地位。而Meta一直以一個“追趕者”的姿態出現，甚至一度被調侃為“AI時代的局外人”。Muse Spark改變了這一敘事。52分的綜合評分，視覺理解全球第二，Token效率業界領先——這些數字證明，經過9個月的徹底重建，Meta已經具備了與頂尖AI公司正面交鋒的技術實力。更重要的是，Meta有其獨有的護城河：35.8億日活使用者、跨平台的社交資料網路、AR眼鏡等硬體生態，以及在消費級AI產品上的多年沉澱。一旦模型能力與平台生態真正融合，Meta在AI應用層的爆發力，可能遠超今天市場的預期。這場AI翻身仗，才剛剛開始。 （鈦媒體）

繼Llama 4曝出基準刷榜醜聞、旗艦模型Behemoth項目擱置等問題之後，祖克柏決定徹底推倒重來。他曾砸下140億美元挖人，親自在帕羅奧圖和太浩湖的豪宅裡宴請頂級研究員，最終將前Scale AI首席執行長汪韜（Alexandr Wang）延攬麾下，主持成立Meta超級智能實驗室（Meta Superintelligence Labs），並用九個月時間將整個AI技術堆疊從頭重建。美國當地時間4月8日，這場豪賭的第一張答卷正式亮相：Muse Spark。這是Meta首款閉源大模型，告別了過去全面開放原始碼的路線，將直接為Meta AI助手提供支援，並以API私測形式向少數合作夥伴開放。根據Meta內部基準測試，Muse Spark在多項指標上超越了GoogleGemini，與OpenAI和Anthropic的同級模型互有勝負，並在大多數測試中大幅領先於xAI的Grok。消息公佈後，Meta股價當日大漲6.5%，市值達到1.55兆美元。01. 領跑多模態和前沿科學基準測試成績單是檢驗重建成果最直接的標尺。Meta提供的基準測試圖呈現了一份複雜的成績單：有亮點，也有短板，這或許才是一款“起步款”模型最真實的面貌。在多模態理解方面，Muse Spark表現突出。圖表理解測試CharXiv Reasoning中得分86.4，領先Opus 4.6（65.3）和Grok 4.2（60.9），也高於GPT 5.4（82.8），僅略低於Gemini 3.1 Pro（80.2，但該項Muse Spark實為更高）。具身推理ERQA測試中得分64.7，同樣優於Opus 4.6的51.6。健康領域是Muse Spark的另一個顯著優勢：開放式健康問答HealthBench Hard中得分42.8，遠超Opus 4.6的14.8、Gemini 3.1 Pro的20.6和Grok 4.2的20.3，是幾家競爭對手中的最高分。深思模式（Contemplating）的表現同樣值得關注。在“人類終極考試”（Humanity’s Last Exam）無工具版本中，Muse Spark深思模式得分50.2，超過Gemini 3.1 Deep Think的48.4和GPT 5.4 Pro的43.9；啟用工具後得分58.4，超越Gemini 3.1 Deep Think的53.4，與GPT 5.4 Pro的58.7基本持平。在“前沿科學研究”（FrontierScience Research）測試中，Muse Spark深思模式得分38.3，不僅大幅領先Gemini 3.1 Deep Think（23.3）和GPT 5.4 Pro（36.7），更是幾家中的最高分。這是衡量模型逼近真實科研邊界的核心指標之一。然而成績單並非全面飄紅。在抽象推理ARC AGI 2測試中，Muse Spark得分42.5，明顯落後於Opus 4.6（63.3）、Gemini 3.1 Pro（76.5）和GPT 5.4（76.1）；智能體終端程式設計Terminal-Bench 2.0中得分59.0，低於Opus 4.6的65.4、Gemini 3.1 Pro的68.5和GPT 5.4的75.1；競技程式設計LiveCodeBench Pro中得分80.0，也落後於Gemini 3.1 Pro的82.9和GPT 5.4的87.5。辦公任務綜合評估GDPval-AA Elo中，Muse Spark得分1444，低於Opus 4.6的1606和GPT 5.4的1672。MMMU-Pro多模態理解測試中，Muse Spark得分80.4，介於Opus 4.6（77.4）和Gemini 3.1 Pro（83.9）之間，與GPT 5.4（81.2）相近。博士級推理GPQA Diamond中得分89.5，低於Opus 4.6（92.7）、Gemini 3.1 Pro（94.3）和GPT 5.4（92.8），差距較為明顯。這份成績單的背景是“Muse系列首款模型”。Meta在發佈檔案中反覆強調，更大規模的後續模型已在研發之中，當前結果的意義更多在於證明技術堆疊的規模化可行性，而非宣示性能天花板。Meta強在多模態感知與前沿科研推理，弱在抽象推理與智能體程式設計。這份有得有失的成績單，或許比一份完美的跑分更能說明問題：Meta的重建尚未完成，但方向已經清晰。02. 多智能體平行Muse Spark最引人注目的架構亮點，是多智能體平行編排機制與多模態感知能力的原生整合，二者共同構成了這款模型區別於競爭對手的核心底色。當使用者提出一個複雜問題，Meta AI不再讓單個模型“想清楚再回答”，而是同時派出多個子智能體分頭行動。以規劃一次佛羅里達家庭旅行為例：一個智能體負責起草總行程，另一個對比奧蘭多和基韋斯特各自的利弊，第三個同步搜尋親子友好型活動，三條線平行推進，最終彙總成一份更快、更完整的答案。與此對應，Muse Spark推出了“深思模式”（Contemplating mode），直接與Gemini Deep Think和GPT Pro的旗艦推理模式正面競爭。多智能體平行並不意味著更長的等待，它用橫向擴展取代了縱向堆疊，在可比時延下實現了更優的綜合表現。大多數AI助手的侷限在於只能理解使用者輸入的文字，Muse Spark試圖打破這一邊界。拍下機場便利店貨架，它能識別並篩選出蛋白質含量最高的零食，無需費力辨讀食品標籤；掃描一款商品，即可即時與同類產品橫向比較。這種能力的本質轉變，是AI從“等你解釋世界”到“直接與你共同觀察世界”。當這一能力搭載於Meta AI眼鏡，感知的邊界將進一步延伸，攝影機即是AI的眼睛。健康是多模態能力最具現實價值的落地場景。Meta與逾1000名醫師合作策劃訓練資料，使Muse Spark能夠就常見健康問題提供更準確、更全面的回應，涵蓋圖像與圖表的解讀。使用者可獲得互動式健康資訊展示，直觀呈現不同食物的營養成分或運動動作所啟動的肌肉群，將枯燥的健康資料變成可視化的個人參考。視覺程式設計能力同樣值得一提。使用者只需一條自然語言提示，即可直接生成可互動的網頁應用或小遊戲，數獨、復古街機、飛行模擬器，乃至一個策劃盛大驚喜派對的管理看板，均可一鍵分享給他人。這不再是“幫你寫程式碼”，而是“幫你造產品”。與OpenAI和Anthropic不同，Meta手裡握著一張任何外部AI公司都無法複製的牌：十億等級的社交圖譜與內容生態。Muse Spark充分利用了這一獨特資產。購物模式整合了Instagram、Facebook和Threads上已有的創作者內容與品牌敘事，為使用者提供穿搭建議、家居方案或禮物推薦，靈感來源不是冷冰冰的演算法匹配，而是使用者已在關注的真實社群。當使用者搜尋某個地點或想瞭解某個熱門話題，Meta AI會在對話中同步呈現豐富而相關的背景資訊。點選一個地點，即可看到當地居民的公開帖子；詢問某件事的全貌，AI會從社區內容中匯聚真實討論動態，來自使用者自己圈子的資訊，在最需要的時刻觸手可及。這是一種與通用搜尋截然不同的資訊整合邏輯：資料來源不是泛化的網際網路，而是使用者自己的社交世界。Meta還透露，隨著功能的持續擴展，Reels短影片、圖片與動態帖子將被直接織入對話答案，並附帶對原創內容創作者的歸因致謝，這既是對創作者生態的承諾，也是Meta區別於所有競爭對手的核心護城河。祖克柏對此的定義，是“個人超級智能”：“一個不只回答問題，而是真正理解你世界的AI，因為它本就建立在你的世界之上。”03. 三條規模化軸線：下一代已在路上發佈會的另一層訊號，比產品本身更值得關注。Meta首次系統性地公開了其規模化路線圖的底層邏輯。預訓練：同等能力，十分之一的算力。過去九個月，Meta從模型架構、最佳化方法、資料策劃三個維度全面重構了預訓練技術堆疊。通過對一系列小模型擬合規模化定律，Meta得出結論：與Llama 4 Maverick相比，Muse Spark達到相同能力水準所需的訓練計算量減少了一個數量級以上。這一效率優勢，也使其在主流基礎模型橫向比較中脫穎而出。強化學習：平滑增益，可預測泛化。大規模強化學習以訓練不穩定著稱，但Meta的新技術堆疊交出了平滑、可預測的增益曲線。訓練資料上pass@1與pass@16呈對數線性增長，表明強化學習在提升模型可靠性的同時，並未損害推理多樣性；留存評估集上的精準率同步穩定提升，證明訓練收益能夠真實泛化到未見任務上——而不是“只會考試”。推理時計算：“思維壓縮”後再提速。強化學習訓練使模型在回答前學會了“思考”，但向數十億使用者提供這一能力，對token效率提出了極高要求。Meta採用了兩個關鍵手段：其一是思考時長懲罰項，在AIME等評測中觸發了一個有趣的相變——模型先通過延長思考時間提升表現，隨後長度懲罰觸發“思維壓縮”，以大幅減少的token數量完成同等難度的推理，之後再次延伸解題鏈路實現更強表現；其二是多智能體平行編排，在不顯著增加響應時延的前提下，用橫向擴展取代縱向堆疊。從這三條軸線來看，Meta在這份技術報告中著墨最多的，恰恰不是當前成績，而是規模化的可預測性。這正是資本市場和生態合作夥伴最想看到的東西。04. 起點Muse Spark在設計上“以小巧、快速為先”，這不是能力不足的委婉說法，而是一種刻意選擇的方法論。Meta將Muse系列定位為嚴格遞進式的擴展路線：每一代在前代基礎上驗證、突破，再向更大規模邁進。更大參數量的後續模型已在研發之中。回到九個月前那個艱難的起點，Meta用Muse Spark證明了兩件事：技術堆疊在有效擴展，組織在重建之後重新凝聚了方向。但Meta想要追趕OpenAI、Anthropic和GoogleDeepMind等主要競爭對手，僅憑一款“起步款”模型遠遠不夠。該公司後續發佈的其他系列模型，將決定祖克柏的這場豪賭，究竟是翻盤，還是又一次代價高昂的重來。 (騰訊科技)