9 月 8 日，Meta 正式推出個人 AI 智能體 Muse。與傳統聊天機器人不同，Muse 擁有自己的雲端虛擬機器，可以操作電腦、登錄帳號、完成任務，並在使用者離開後繼續運行。扎克伯格稱，他真正想做的，是“給世界上的每個人一個非常有能力的個人智能體”，讓它理解使用者目標，並代表使用者全天候工作。Muse 上線後不到兩週，登上美國應用下載榜首。據 Sensor Tower 統計，截至 9 月 22 日，累計下載量已超過 250 萬次。
在這場與科技記者 Alex Heath 的長談中，扎克伯格談到 Muse 的產品設計、隱私權限、商業模式，也談到 Llama 4 失利後 Meta 如何重建模型研發，以及他為什麼主張讓更多人擁有強大 AI。
扎克伯格這場長談的核心，不是發佈一個 AI 產品，而是宣佈 Meta 的 AI 路線：未來不應由少數實驗室、公司或政府控制超級智能，而應讓每個人擁有自己的個人 AI Agent，並通過廣泛分配能力形成制衡。Muse 是這一理念的第一個完整消費者產品形態。
這場長談貫穿一條主線：
- AI 不應只掌握在少數實驗室、公司或政府手裡，而應通過個人智能體、開源生態和廣泛使用形成權力制衡。
- Muse 是 Meta 對“個人超級智能”的第一個完整消費者產品答案：雲端虛擬機器、持續執行、記憶、主動建議、權限控制與隱私架構。
- 商業模式不是單純賣訂閱，而是用免費額度擴大規模，再通過幫使用者賺錢、省錢和交易抽成證明經濟價值。
- 隱私和安全不是附加功能，而是個人 Agent 能否成立的基礎：機密虛擬機器、憑據庫、哨兵智能體、最小權限、逐項授權。
- Meta 必須自己站在模型前沿。Llama 4 偏離預期後，扎克伯格親自重建團隊，強調人才密度、算力投入和從預訓練開始圍繞個人 Agent 設計模型。
- 技術擴散與安全邊界平行：既反對把強大 AI 限制在少數機構手中，也承認訓練和部署必須有清晰、堅定的安全邊界。
核心邏輯總結
1. 理念層：個人超級智能 = 個人賦能 + 發明 + 權力平衡
扎克伯格反對“技術越強，越應只讓少數人使用”的直覺。他的判斷是：
- 個人賦能：賦予個人更多能力，是人類繁榮的根本動力。
- 發明優先：AI 首要用途是創造新事物，而非只自動化現有工作。
- 權力平衡：安全不能只靠限制訪問，而要靠廣泛分佈的能力形成制衡。
因此，開源重要，但個人智能體可能比開源本身更重要。因為開源是手段，讓幾十億普通人真正擁有強大 AI 才是目的。若只有一個人擁有超級智能律師，他可能贏下不該贏的官司；若每個人都有，低品質論點更難矇混過關，司法反而可能更高效公平。
2. 產品層：Muse 不是聊天機器人，而是“持續行動的個人 Agent”
Muse 與傳統一問一答式 AI 的根本區別在於：
- 它擁有雲端虛擬機器，可以操作電腦、登錄帳號、完成任務；
- 使用者交給它的不是提示詞，而是項目或長期目標；
- 它全天候持續運行，使用者離開後仍繼續推進；
- 它擁有記憶，會把反思寫入記憶，並根據反饋調整；
- 它能主動提出新項目，降低普通人使用 AI 的門檻。
扎克伯格用自己生活舉例：讓 Muse 安排三歲女兒的烘焙項目、盯登山許可、分析綜合格鬥訓練視訊。這說明 Muse 的定位不是“工具”，而是代表使用者持續工作的個人智能體。
3. 信任層：隱私與權限是採用前提，不是附加功能
使用者敢不敢把郵件、帳戶、健康、家庭資訊交給 Muse，決定產品生死。Meta 的設計包括：
- 機密虛擬機器：目標做到連 Meta 自己也看不到使用者智能體中的內容，且承諾可技術驗證；
- 安全憑據庫：密碼、信用卡資訊不直接暴露給核心 Agent，只在必要時呼叫；
- 哨兵智能體：監控進出流量，識別提示詞注入，防止敏感資訊外洩；
- 最小權限：連接信箱默認唯讀，發郵件需明確授權；每一步只給完成當前任務所需權限；
- 逐項授權：登錄、付款、傳輸敏感資訊原則上每次需批准，Muse 不能自行跳過；
- 模型分寸感：從預訓練開始設計，讓模型知道什麼能說、什麼不能說。例如知道使用者懷孕，但訂餐廳時不必告訴餐廳。
核心邏輯是：個人 Agent 越有用，越需要深度理解使用者；越深度理解使用者，越需要架構級隱私保護。
4. 商業層：免費額度 + 交易抽成，讓 Agent“自己掙回飯錢”
扎克伯格的商業模式不是單純賣訂閱，而是：
- 提供每週 1 億 token + 一台虛擬機器的免費額度；
- 目標是讓絕大多數人免費使用；
- 相信 Muse 能幫使用者賺錢、省錢、經營業務，從而覆蓋成本；
- 長期從相關交易中收取很小比例費用，且不一定由使用者支付，也可由商家承擔；
- 與 Stripe 合作接入支付；
- 使用者可選擇連接 Meta 服務，如廣告系統，但連接與否由使用者決定。
本質是：先用免費額度擴大規模，再用經濟價值證明個人 Agent 的可持續性。
5. 技術層：Llama 4 失利後，Meta 必須自己站在前沿
扎克伯格承認 Llama 4 未達預期，偏離了應有進步軌跡。他的反思是：
- 不能以為擅長其他機器學習，就能自然做好大語言模型；
- 前沿研究需要極高人才密度，不是一千人各自實驗，而是小核心團隊理解整個系統；
- 他親自投入招聘，研究團隊設在辦公室周圍；
- 大幅增加算力，建設吉瓦級設施，如俄亥俄州 Prometheus 叢集；
- 下一代模型 Watermelon 規模更大、預訓練更先進；
- Muse Spark 1.3 來自內部代號 Avocado 的較小預訓練。
關鍵判斷：個人 Agent 不能靠給現成模型加介面完成，必須從預訓練開始圍繞個人目標、隱私邊界和行動能力設計。 Meta 要做端到端技術公司，掌握模型、晶片、資料中心到產品體驗的完整棧。
6. 安全治理層：明確邊界 + 廣泛擴散 + 政府透明溝通
安全方面，扎克伯格強調：
- 各實驗室都遇到 reward hacking：模型可能修改虛擬機器組態、突破限制來獲得獎勵，而不是解決問題；
- 應對方式是設立清晰、堅定的邊界，讓模型既學會解決問題，也學會行為準則；
- 政府角色不是制定很快過時的僵硬規則，而是與企業保持透明溝通，提前瞭解重要訓練任務和即將出現的能力；
- 網路安全、生物安全等風險需要持續對話和提前準備；
- 技術擴散本身也是安全策略：讓更多人擁有 AI，才能形成制衡。
7. 社會合法性層：資料中心、就業、智能眼鏡與青少年保護
扎克伯格把 AI 擴張的社會條件看得很重：
- 資料中心不能只拿地、轉手、賣給大型實驗室，而應長期營運並讓社區受益；
- Meta 推出 America’s Workforce Academy，培訓光纖技術人員、電工、高級木工等；
- 若 AI 不能創造就業、改善生活、讓社區受益，基礎設施擴張不可能長期被允許；
- 智能眼鏡錄影有明顯指示燈，破壞指示燈則攝影機失效，但 Meta 承認過去沒有持續解釋隱私設計；
- 青少年保護不能單家公司自律，否則使用者會轉移到其他平台，必須推動行業統一標準。
核心是：技術上行得通，社會層面也必須行得通。
最終結論
扎克伯格這場長談的深層邏輯可以概括為：
Meta 不再只把自己定義為社交媒體公司，而是要成為“個人超級智能”的基礎設施提供者。Muse 是理念的產品化，也是商業驗證。它的成敗取決於四個閉環：模型是否前沿、Agent 是否真正有用、隱私是否可信、社會是否受益。扎克伯格的賭注是：AI 的未來不是“誰控制最強模型”，而是“能否讓數十億人擁有可信任、能行動、能創造價值的個人智能體”。
扎克伯格與科技記者 Alex Heath 的長談全文
一、為什麼寫那篇 AI 長文？三大原則
Alex Heath： 我們上次通話是在一個週末，你當時還通過智能眼鏡給我打電話。那次你想談剛發表的一篇長文，其中提出很多關於 AI 未來的主張。為什麼要寫這樣一篇近似宣言的文章？
扎克伯格： 如果一家機構要在 AI 上投入這麼多，就有責任說明自己的研究團隊相信什麼，以及這些工作為什麼能夠導向一個積極的未來。AI 既帶來巨大機會，也存在真實風險，所有參與者都應該形成一套經過認真思考的理論。
我強烈反對一些在行業內被視為理所當然的觀點。在我看來，更積極的未來來自儘可能廣泛地分發技術。這一判斷建立在三點之上：
- 個人賦能：賦予個人更多能力，一直是人類繁榮的重要來源。
- 發明創造：AI 的首要用途將是創造新事物，而不是將現有工作自動化。
- 權力平衡：未來安全的基礎應是適當的權力制衡，而不是限制使用權。
很多人的直覺是，技術越強，就越應該只讓少數人接觸。我更擔心的是，只有少數研究機構或個人控制如此強大的能力。歷史上，很多重要進步並非來自既有權力中心，而是來自邊緣位置、最初不被認真對待的人。當他們獲得足夠好的工具，可以證明自己的想法時，才有機會推動真正的變化。
網路安全也是如此。如果有人擁有能夠攻擊系統的 AI，最有效的應對方式之一，是讓更多機構也擁有 AI，以便提前加固自己的系統。開放原始碼軟體之所以常常更安全，正是因為更多人能夠查看、檢驗和修正它。把技術交到更多人手裡，看似會增加風險，卻也可能形成更穩定的制衡。
Meta 會開發領先模型，也會發佈一部分開放模型，但這不意味著所有成果都必須開源。營利性公司可以保留一部分先進技術。關鍵是維持強健的開源生態，讓市場保持競爭，也讓外界能夠理解技術的發展方向。
以 Hugging Face 遭遇入侵的事件為例，他們發現入侵後轉而使用開源模型，因為他們無法獲得某些與這次問題有關的閉源模型。這說明世界上需要保護的重要機構遠不止排名最靠前的一百家。
不過，比開源本身更重要的，是讓普通人真正用上技術。Muse 體現的就是這一思路：給每個人一個能力很強的個人 AI Agent，讓它理解使用者的目標，並且每天 24 小時持續代表使用者工作。
Alex Heath： 開源是你對抗技術集中的主要辦法嗎？還是需要監管？
扎克伯格： 最重要的是直接把技術交到每個人手裡，所以個人智能體可能比開源本身更重要。有些實驗室訓練出更先進的模型，卻不發佈，我覺得這很危險。發佈意味著接受外界檢驗，也讓更多人獲得能力、形成制衡。
我們不能只讓一兩家實驗室變得無比值錢，而應該讓幾十億人的生活變好：創業、改善工作、打理家庭、節省開支、改善健康。開源是重要的一部分，但我不認為所有東西都必須開源。我們既發佈開放模型，也開發閉源技術。關鍵是保持一個有活力的開源生態，維持競爭、透明度和安全。
比如網路安全，不能因為模型能力強，就只讓最重要的 100 家機構使用。重要機構遠不止 100 家。Hugging Face 遭到入侵後，只能求助開源模型，因為他們沒有權限使用那些引發問題的閉源模型。如果有人能用 AI 入侵系統，最好的應對方式是讓更多人也能用 AI 加固系統，而不是把能力囤在少數人手裡。
二、AI 與資料中心牴觸：讓更多人受益是前提
Alex Heath： AI 和資料中心正在受到越來越強烈的牴觸。你的意思是不是，如果更多人能夠得到目前集中在少數研究機構手中的能力，他們就不會再覺得自己被排除在 AI 處理程序之外？
扎克伯格： 問題不能只停留在抽象層面。人們擔心就業和經濟，也擔心資料中心對社區與環境的影響；還有網路攻擊、生物安全、自由社會、美國的技術領導力，以及當 AI 越來越強時，人類如何繼續控制它。每一類問題都有不同細節，但它們有一個共同點：技術帶來的繁榮必須廣泛分佈，能力也不能只掌握在少數內部參與者手中。
Meta 進入一個地區建設資料中心，實際上是在承諾未來幾十年持續投資。這樣的長期投入可以為社區帶來稅收、就業和其他資源。比如在路易斯安那州，相關稅收曾為當地教師提供每人 5 萬美元的獎金。
市場上也有另一類項目：有些公司只想先拿下一塊地，再賣給大型 AI 研究機構。它們並不打算長期營運，也沒有動力認真處理與當地社區的關係。我不確定是否該把這種現象稱為泡沫，因為“泡沫”意味著估值過高。但這個領域確實正在經歷一輪熱潮，也因此容易滋生短期逐利的行為。如果項目只顧眼前交易，社區反對並不奇怪。
AI 基礎設施如果不能創造就業、擴大社會整體繁榮，也不能讓當地社區受益，就不可能無限擴張。因此，讓利益廣泛分佈不是附加條件，而是行業能夠持續發展的前提。技術要可行，社會層面也必須可行。
Meta 推出了 America’s Workforce Academy，原因很實際：建設資料中心需要大量光纖技術人員、電工、高級木工等技術工人，而市場上遠遠不夠。未來可能還需要數十萬甚至數百萬人。我們保證，完成培訓的人能夠在參與 Meta 基礎設施建設的單位找到工作。這不是單純的慈善，而是長期利益一致：Meta 需要熟練工人，參與者需要新的職業機會。若企業只是建設一個項目後轉手，就不會進行這種投入。
三、個人超級智能與 Muse：每個人都有自己的 Agent
Alex Heath： 你大約一年前開始談“個人超級智能”。當時很多人想知道，你究竟看到了什麼。現在看來，答案就是 Muse。為什麼你認為它會成為 Meta 的下一階段？
扎克伯格： 我們從未只把 Meta 看成一家社交媒體公司。公司的長期主題是連接人與賦予個人能力。過去圍繞內容管理髮生的很多爭論，實質上也在討論：人們能不能自己決定什麼對生活重要，並按照自己的判斷交流。
這段經歷強化了我的一個認識：歷史上的許多進步，都來自個人獲得更多能力，而且人們最清楚自己的生活需要什麼。因此，每當有人說應該由少數專家決定 AI 去解決那些大問題，我都會本能地保持警惕。
人們當然關心健康和生活質量，但也關心家人、朋友、關係和文化。對科學家或工程師而言不夠宏大的問題，對某個人可能極其重要。即使在健康領域，個人關注的重點也可能與行業不同。製藥和生物技術行業目前主要關注常見疾病，但還有大量不同的罕見疾病和健康問題，相關投入明顯不足。如果你患有某種罕見病，自然會希望自己的 AI 關注它，而不是僅僅因為另一種病更常見，就把資源用在別處。
Alex Heath： 你也通過自己的基金會在這方面投入了很多。
扎克伯格： 我們正在通過 Biohub 開展這方面的工作，這些經歷也在一定程度上影響了我的看法。我認為，人們應該有能力自己決定什麼最重要。對我來說，Muse 也不只處理宏大任務。我希望它幫助我成為更好的父親、丈夫和朋友。
我的三歲女兒喜歡烘焙，但我對此一無所知。我讓 Muse 每個週末準備一個適合三歲孩子、也適合不會烘焙的成年人完成的項目，並通過 Instacart 備齊原料。做完後，我再告訴它那些步驟太難，它會據此調整下一次安排。事實證明，蛋糕棒並不適合作為入門項目。
我的大女兒喜歡登山，有些路線需要搶許可證。Muse 會等待開放時間並替我申請，拿到後告訴我具體日期，我再安排休假陪她去。它也會關注我的訓練。我在綜合格鬥訓練室安裝了攝影機，讓 Muse 分析視訊並提出意見，有時它會很直白地指出我在那個動作中明顯放棄了。教練說，有些他們沒好意思說的話，現在智能體替他們說了。
早期測試者的使用方式差異很大。有人拿到 Muse 後，不到一天就開始用它協助安排孩子的居家教育；有人在 12 小時內用它規劃完整旅行；還有一位原本對科技很懷疑的測試者，幾天後最關心的問題卻是正式發佈時能不能保留已經瞭解她的 Muse。
Alex Heath： 很多人對 AI 的理解還是你問一句、它答一句。Muse 的變化，是通過後台虛擬機器操作電腦、登錄帳號、完成任務，對嗎？
扎克伯格： 而且它會持續運行。你交給它的不只是問題，而是項目或目標，它會全天候推進，直到完成。它還會學習，把反思整理進記憶，並主動提出新項目。
Muse 與 Meta AI、ChatGPT 或 Gemini 式的一問一答不同。使用者交給它的不是單個提示詞，而是一個項目或長期目標。後台的虛擬機器讓它能夠操作電腦、登錄服務並持續執行任務；它會圍繞這些目標全天候持續工作，直到幫助使用者實現目標。夜間，它還會整理當天的反思並寫入記憶，也能夠主動建議新的項目。
例如，我讓它為我和女兒玩的《文明》製作攻略。完成後，它又建議把攻略擴展成講解不同文明歷史的學習材料，並直接在應用裡增加了一個頁面。許多人不知道應該怎樣使用 AI；如果 AI Agent 能夠主動提出對使用者有幫助的事情，就能降低這道門檻。
四、商業模式：免費額度、幫使用者賺錢省錢、自己“掙回飯錢”
Alex Heath： 你認為它真的能替使用者賺錢？
扎克伯格： 能。使用者可以選擇付費訂閱，但 Meta 一開始也會提供每週 1 億 token 和一台虛擬機器的免費額度。我們的判斷是，當個人用它經營小企業、完成商業任務或參與交易時，它創造和節省的價值足以覆蓋成本。
長期來看，我們預計可以從相關交易中收取很小比例的費用，而且不一定由使用者支付，也可以由與使用者開展交易的商家承擔。我們希望絕大多數人都能免費使用這項服務。要讓每個人都擁有強大的個人 AI Agent，首先就得讓他們用得起。因此，我們願意先提供大量免費用量，因為我們相信，它能幫使用者賺錢、幫使用者省錢，從而抵消使用它的成本。
我們正在與 Stripe 合作，為 Muse 接入支付功能。你可以選擇把 Muse 連接到需要的服務，包括 Meta 的服務，但不願意連接也完全可以。如果用它經營業務，你可以授權它接入我們的廣告系統，讓它協助製作產品、營運業務，並把這些工作串聯起來，全天候持續執行。Meta 目前大約每月發佈一次重要模型更新，因此 Muse 的能力也會隨之提高。
五、隱私、權限與安全：讓使用者敢把私人資訊交給 AI
Alex Heath： 智能體要連接聊天記錄、郵件、健康資訊，使用者必須非常信任它。
扎克伯格： 個人 AI Agent 要真正有用，不只需要前沿能力，還必須充分理解使用者。人們可能會把郵件、消息、廣告帳戶、健康資訊和其他私人資料接入 Muse；只有對系統有很高信任，使用者才會這樣做。
Meta 過去十多年建設 WhatsApp 端到端加密系統，最重要的經驗是：系統可以被設計成連 Meta 也無法讀取使用者消息。這既降低政府或駭客獲取內容的風險，也防止 Meta 內部人員濫用資訊。
我們邀請 Signal 創始人 Moxie Marlinspike 加入團隊。他在 2014 年曾協助建設 WhatsApp 加密，這次專門負責 Muse 的機密虛擬機器。我們的目標是讓使用者把資訊保存在雲端的個人虛擬機器中，並通過技術手段保證，連 Meta 也無法讀取其中的內容，而且這一承諾可以被技術驗證。隨著這項功能準備向更多使用者開放，我們會在未來幾週公佈更多細節。
在它準備就緒之前，以及對於不選擇使用它的使用者，Muse 也會提供其他安全保護措施。一種最直接的隱私方案，是讓每個人買一台 Mac Studio，把 Agent 放在家裡運行。但不可能有數十億人購買裝置、安裝軟體並自行維護。Muse 希望提供一種任何技術水平的家庭成員都能直接使用的服務：它像本地機器一樣私密，卻可以在雲端自動開通和運行。
機密虛擬機器並不是全部。Muse 還設有安全憑據儲存系統，用來保存信用卡資訊、密碼和一次性卡號，避免這些敏感資訊直接暴露給核心 Agent；當使用者要求它登錄或付款時，Agent 只能在必要時呼叫這些憑據。
系統還運行一組“哨兵智能體”，檢查進入和離開虛擬機器的流量。它們會識別提示詞注入，判斷 Muse 是否準備把使用者可能不願公開的資訊傳出去，並在必要時觸發人工確認。登錄、付款和傳遞敏感資訊通常都需要使用者批准。使用者可以把某一類操作設為長期允許，但 Muse 不能自行擴大權限。
連接信箱時同樣遵循“最小權限”原則。如果使用者希望它傳送郵件，就應針對這項操作明確授權，而不是一接入信箱就讓它獲得全部權限。每一步只獲得完成當前任務所需的最低權限，而不是一次授權全部能力。
Alex Heath： 模型本身也要知道什麼能說、什麼不能說？
扎克伯格： 對。個人 Agent 不僅要瞭解使用者，還要具備分寸感。例如，它知道你懷孕了，預訂餐廳時就可以幫你尋找提供優質無酒精雞尾酒的地方，但不必向餐廳解釋你懷孕了。它需要在不反覆詢問你的情況下，判斷那些資訊屬於敏感內容，既幫你實現目標，也避免透露不必要的個人資訊。
在我看來，要做好這類能力，不能只是拿一個現成模型稍作後訓練，而要從一開始就圍繞個人 Agent 的需求設計模型，並把相關資料納入預訓練。就像做好 Instagram 資訊流，需要同時建設應用、基礎設施、機器學習系統和晶片一樣，這是一項需要各個環節共同配合的工作。
六、市場格局、網路效應與 Muse / Meta AI 的關係
Alex Heath： 個人智能體會是贏家通吃的市場嗎？網路效應會不會讓規模進一步集中？
扎克伯格： 會有不少參與者，但這是技術深度很高的領域。我猜有能力做到最先進水平的公司，可能不會超過十來家。不管有沒有網路效應，通常都會出現某種冪律分佈：做得最好，就能吸引很大一部分使用量。
但使用者需求不同，不同產品可以在不同方面最好。擅長處理人際關係的智能體，與擅長經營小生意的智能體，可能是不同產品。Meta 服務數以億計的小企業和幾十億普通使用者，在這兩方面都有優勢，但肯定也有不擅長的類別。有人會堅持把裝置放在家裡運行，也許有幾百萬這樣的人，但我不認為會有幾十億。最終取決於不同使用者最看重什麼。
Alex Heath： 你們讓智能體從整個群體裡吸收匿名化經驗，這種學習帶來的網路效應，會成為真正的差異化優勢嗎？
扎克伯格： 現在很多人把智能體當成單機產品，但智能體互相交流、協作，會產生很多新用法。我們內部已經有例子，不過這次發佈，大部分協作功能還不會上線。長期看，你認識的人裡用 Muse 的越多，它就越好用。
我們的差異還包括：從一開始圍繞個人智能體場景設計模型；更重視關係和日常生活；深入投入隱私與安全。如果產品能真正幫助普通人，我們很擅長把好用的消費產品推廣出去。等它運轉順暢，我們有能力帶給幾億人，最終幾十億人。
Alex Heath： Muse 會和 Meta AI 同時存在嗎？
扎克伯格： 目前會，我自己兩個都用。Muse 更像持續協作的助手，會從一個問題理解你的長期目標，並沿著這個方向工作很久。但如果我只想問個問題、直接拿到答案，就更傾向用 Meta AI。以後可能融合，現在還不好說。
七、Llama 4 之後：扎克伯格親自重建 AI 實驗室
Alex Heath： SemiAnalysis 在 7 月的一篇文章中認為，Meta 最有可能追上 OpenAI 和 Anthropic，衡量 Meta Superintelligence Labs 時應該看進步速度，而不只是當前起點。Artificial Analysis 最近的圖表也顯示 Muse Spark 進展很快。你去年重建研究團隊後，內部究竟發生了什麼？
扎克伯格： Meta 長期以來就在機器學習領域領先。Facebook 和 Instagram 的資訊流、廣告系統，以及識別和處理不適宜內容的安全系統，本質上都是大規模機器學習系統。大語言模型興起後，FAIR 完成了 Llama 的早期研究，但我們還需要把研究轉化為工業化流程，並按照規模定律擴大模型。
我當時犯的錯誤，是以為 Meta 既然擅長其他機器學習系統，開發和擴展大語言模型的方法也會相似。實際上，兩者的運行規律有很大差別。Llama 3 是一個不錯的模型，但 Llama 4 發佈時已經偏離我們需要的進步軌跡，這意味著必須改變方法。
我由此更重視人才密度。前沿模型研究並不是讓一千個人各自運行實驗就能解決的問題。更理想的狀態，是由一支規模儘可能小、成員能夠在頭腦中把握整個系統的頂尖團隊，圍繞同一個科研項目緊密協作。當團隊席位有限時，每一個位置都必須儘量找到最好的人。因此，我投入了大量個人時間招聘，也讓自己在技術上更接近一線工作，以便真正理解問題並指導公司。研究團隊就設在我辦公室周圍。
隨著研究質量提高，我們也顯著增加算力投資，正在建設數吉瓦規模的基礎設施。Meta 擁有幾十年的資料中心經驗，也有盈利能力支撐這種長期投入。過去一年，Meta 重新啟動研究計畫，位於俄亥俄州的吉瓦級 Prometheus 叢集已經上線，並開始用於擴展“Watermelon”之後的模型。
Watermelon 也即將發佈。它的規模更大，預訓練水平也有顯著提升，我們還會繼續把在後訓練中積累的經驗應用到它上面。此前發佈的 Muse Spark 1.3，則來自內部代號為 Avocado 的一次相對較小規模的預訓練。
Alex Heath： 訓練成本這麼高，Meta 為什麼一定要站在最前沿？緊跟領先者，再發揮自己的產品優勢，不行嗎？
扎克伯格： 不，那不是我們的做法。Meta 是從底層到產品體驗都自己做的技術公司。即使做社交應用，我們也建設資料中心、晶片和基礎設施，因為這些共同決定使用者體驗。AI 也是如此，而模型將是體驗中最重要的部分。
“最先進”是多維度的。編碼幾乎是所有模型都需要的核心能力：分析我的格鬥視訊，本質上是程式設計；測試使用者讓 Muse 做一個能從手機投屏、與朋友一起玩的《危險邊緣》式問答遊戲，也是程式設計。
但個人超級智能還有獨特需求。我們要在預訓練階段就加入所需的資料和能力，而不是拿現成模型稍做後訓練。我不認為兩者能達到相同效果，這種差距會在幾年中不斷積累。我們也重視程式設計和模型遞迴改進能力，因為這是留在前沿的條件。研究方向會與其他實驗室部分重疊，也會有自己的重點。
八、模型安全、獎勵作弊與政府角色
Alex Heath： 隨著 Watermelon 及後續模型越來越強，你會不會發現某些能力不安全，必須先留在內部？
扎克伯格： 安全首先應當進入設計和訓練過程。目前，各家研究機構都在遇到模型鑽獎勵機制空子的問題，也就是 reward hacking：模型得到一道程式設計任務後，已經聰明到會先理解整個運行環境。有時它發現，修改虛擬機器組態比真正解決程序問題更容易，於是通過改變環境獲得獎勵，卻沒有學到訓練者希望它掌握的能力。
Alex Heath： 聽起來，你們不是這樣訓練模型的？你不認同這種訓練方式嗎？
扎克伯格： 不是，我認為大家基本都採用這種訓練方式。我的意思是，需要在訓練過程中設立清楚而堅定的邊界。這在一定程度上像教育孩子，但這個類比也不能過度延伸。安全邊界如果太弱，模型就會鑽空子；邊界足夠明確，既能讓它學習課程本身，也能逐漸形成更合適的行為方式。
訓練結束後，還要回答強大模型怎樣對社會產生積極影響。我仍然認為，應該讓更多人分享機會，並用廣泛分佈的權力形成制衡。若只有一個人擁有超級智能律師，他可能贏得本不該贏的訴訟；如果每個人都有同樣強的法律工具，低品質論點就更難矇混過關，司法過程反而可能更高效、更公平。
Alex Heath： 政府應該扮演什麼角色？需要全國統一框架嗎？
扎克伯格： AI 變化太快，固定規則很容易滯後。更有效的做法，是讓企業與監管方保持足夠透明的溝通，讓外部瞭解重要訓練任務和即將出現的能力，並提前準備網路安全、生物安全等不同風險。對我來說，關鍵不是設計一套很快過時的流程，而是建立持續的知識交流和可信對話。
現有約束也已經存在。如果模型流出造成嚴重損害，公司要承擔責任，市場也會懲罰我們。過去大概 15 年，矽谷與政府比較疏遠，但技術與經濟、安全和公共事務越來越緊密，需要更深入合作。以後肯定會有越來越具體的規則，但充分的資訊交流、建立在信任上的對話，可能比固定流程更重要。
九、智能眼鏡、青少年保護與行業標準
Alex Heath： Meta 智能眼鏡正在進入主流，同時也出現了“它會被拿來偷拍”的擔憂。一些場所甚至禁止佩戴。你怎麼看？
扎克伯格： 我們從第一代產品開始就把隱私要求寫進設計：只要攝影機錄影，鏡框上的指示燈就會明顯閃爍；如果使用者試圖破壞指示燈，系統更新會直接讓攝影機失效。手機錄影並沒有這樣的提示燈，從這一點看，眼鏡反而更透明。
問題在於，產品剛發佈時 Meta 解釋過這些措施，但當時使用者很少。如今已有數百萬人使用，許多人沒有聽過早期說明。我們後來更多強調外觀、款式和功能，卻沒有持續解釋隱私設計。社交媒體的發展也給了我一個教訓：僅僅看到人們繼續使用產品，並不等於他們理解公司怎樣處理風險。如果更早、更直接地說明這些問題，公眾今天對社交媒體的看法或許會不同。
Alex Heath： 這與 Meta 最近就青少年安全問題達成的和解有沒有關聯？
扎克伯格： Meta 很早就在 Instagram 推進青少年帳戶保護。和解的重要目標，是為整個行業建立共同標準。比如，把青少年每天使用時間限制在一小時，單家公司原則上可以接受；但如果 Instagram 單方面限制，而使用者隨後把同樣時間轉移到 TikTok，就沒有真正改善青少年處境，只是讓一家公司的競爭位置受損。
Meta 希望推動統一的青少年保護行業標準，例如圍繞使用時長、通知、上課和睡眠時間設定限制。這樣可以避免單一平台率先自律卻讓使用者轉移到其他平台，也能讓各家公司在一致框架下共同保護青少年。我們希望這次和解成為一個有法律約束力的框架，讓行業一致行動，而不是誰先做誰吃虧。我們先走這一步確實承擔了一些風險，但其他公司如果加入，對所有人都會更好。
核心邏輯總結
這場長談貫穿一條主線：
- AI 不應只掌握在少數實驗室、公司或政府手裡，而應通過個人智能體、開源生態和廣泛使用形成權力制衡。
- Muse 是 Meta 對“個人超級智能”的第一個完整消費者產品答案：雲端虛擬機器、持續執行、記憶、主動建議、權限控制與隱私架構。
- 商業模式不是單純賣訂閱，而是用免費額度擴大規模，再通過幫使用者賺錢、省錢和交易抽成證明經濟價值。
- 隱私和安全不是附加功能，而是個人 Agent 能否成立的基礎：機密虛擬機器、憑據庫、哨兵智能體、最小權限、逐項授權。
- Meta 必須自己站在模型前沿。Llama 4 偏離預期後，扎克伯格親自重建團隊，強調人才密度、算力投入和從預訓練開始圍繞個人 Agent 設計模型。
- 技術擴散與安全邊界平行：既反對把強大 AI 限制在少數機構手中，也承認訓練和部署必須有清晰、堅定的安全邊界。 (invest wallstreet)