ai产业链

扎克伯格押注 Muse：当每个人都有一台替自己工作的电脑

信源：Sources Podcast｜Alex Heath 对话 Mark Zuckerberg｜2026-09-08

Meta 给 Muse 用户提供每周最高一亿 token 的免费额度，以及一台可以持续工作的云端虚拟机。扎克伯格希望，这个个人 Agent 最终能通过帮助用户赚钱、省钱，承担自身的使用成本。访谈摘要⁠ 把这个承诺与访谈后半段的模型重建、前半段的能力扩散放在一起看，Meta 的战略就清楚了：把前沿模型转化为普通人可以长期委托的行动能力，再围绕这些行动建立新的平台。

所谓长期委托，是用户交代一个目标之后，系统能够保存状态、调用工具、等待条件、继续执行，并在需要时回来寻求决定。首批在美国推出的 Muse 为此配备独立计算环境、浏览器和服务连接，并在用户关闭应用后继续推进任务。产品公告⁠ 这意味着，聊天界面背后开始出现一个持续运转的工作系统。用户无需自己管理每个软件之间的衔接，交互频率与任务执行频率也不再必须同步。

这一步最有潜力的地方，是降低把想法付诸行动的成本。一个家庭想长期安排周末活动，过去要反复搜索、协调时间、采购和调整；一个小商家想测试新产品，必须自己打通制作、推广和客户沟通。如果 Agent 能承担这些中间环节，很多因为组织成本太高而被搁置的需求，就有机会变成真实活动。AI 的需求空间因此包含了大量此前根本没有发生的工作。

需求本身也需要被发现。很多普通人不知道 AI 能替自己做什么，单纯增加功能并不能解决这个问题。Muse 尝试根据用户的目标主动提出建议。官方产品说明⁠ 当助手了解已有项目和限制，它就有机会提出用户没有想到、却有实际价值的下一步。个人记忆因此既用于减少重复解释，也用于发现任务；建议是否贴合需要，决定主动性带来帮助还是干扰。

要承接这些需求，编程能力会成为个人 Agent 的基础能力。扎克伯格提到，他的运动视频分析、互动游戏等需求，背后都需要写代码。访谈约 50:12⁠ 个人需求细碎而多变，产品团队无法提前准备所有功能；Agent 可以针对当前任务编写脚本、拼接工具、生成小应用。用户不需要成为程序员，也能成为定制软件的使用者。Coding 能力的扩张，正在扩大整个消费级 AI 的可服务范围。

但会写代码还不够。个人助手需要理解哪些信息可以用于决策，哪些可以向外披露。访谈中的例子很具体：知道用户怀孕，可以帮助选择合适的餐厅，却没有必要把怀孕信息告诉餐厅。访谈约 51:59⁠ 这里考验的是把私人背景转换为必要约束的能力。知道得更多，可以让建议更好；透露得更多，却可能让用户更不愿意使用。个性化价值与信息披露之间，需要模型作出细致判断。

这也是扎克伯格坚持自己建设前沿模型的产品理由。个人 Agent 需要长期保持要求、适应用户插话、在信息不足时求助，并对敏感行动作出判断。Meta 对 Spark 1.3 的训练重点，已经明确包含这些能力。模型说明⁠ 掌握模型训练，意味着公司能够把产品里的失败直接转化为下一轮能力改进的目标。它是否必须从预训练开始才能赢，仍是扎克伯格的竞争判断；但产品需求与模型研究更紧密地相互反馈，确实构成了一条清楚的技术路线。

访谈对 Llama 4 的复盘，把这条路线的组织前提也讲了出来。扎克伯格承认，自己曾误以为 Meta 在其他机器学习领域的成功方法可以直接迁移到大模型，后来转向更小、人才密度更高的核心团队，亲自参与招聘并靠近技术工作；算力投入也同步增加。访谈约 45:15⁠ 不能把后续进步简单归结为高薪挖人。大模型研发需要数据、训练、评估和计算资源围绕同一组实验假设协同，团队规模并不会自动转化为有效实验速度。

模型与产品之间的反馈，还需要区分两种更新。助手记住你的偏好、整理任务记录，属于个人上下文的积累；模型参数的改进，则需要另外的训练过程。Meta 表示，去除关键个人身份信息后的任务轨迹可用于后续模型训练，用户可以选择退出。官方数据说明⁠ 因此，长期使用既可能改善单个用户的体验，也可能帮助研发团队发现普遍的能力缺口，但不能把一次记忆更新写成模型发生了自主进化。

当助手开始读取邮件、登录账户并执行操作，限制它能做什么就成为产品能力的一部分。Muse 将运行环境、凭证和权限审核分离，主 Agent 无法自行覆盖 Sentinel 的决定；付款还使用受到商家、金额和时间限制的一次性凭证。Meta 也承认，提示注入仍是未解决的问题。系统设计⁠ 这些机制旨在模型误判时限制损失，同时让普通任务顺畅推进，否则每一步都要人审批，用户仍在承担管理工作的成本。

隐私承诺同样需要看具体实现。Muse 当前的安全隔离，并不阻止 Meta 为运营服务而访问数据；通过密码学阻止平台读取虚拟机内容的 Confidential VM，计划今年稍后推出。官方路线图⁠ 这项投入的商业意义在于，助手的可用性受限于用户愿意交给它多少背景和权限。可验证的保护机制，能够帮助它承担更深入的任务。

技术能力具备之后，Meta 还要解决大众使用的门槛。熟悉的通信界面降低学习成本，免费额度降低试错成本，云端环境免去配置个人电脑的负担。这些条件共同降低了大众采用的门槛。Meta 可以利用现有业务支持早期投入，把竞争推进到服务完整度与大众可及性；单靠一个更好看的聊天界面，将越来越难建立差异。

扎克伯格提出的订阅与未来交易分成，为这些投入提供了潜在回收路径。访谈摘要⁠ 对 Meta 来说，关键是将新增经营活动接入可收费的服务。商家若通过 Agent 扩大经营规模，就可能增加营销和交易服务需求。免费算力由此有机会成为获取长期客户的投入，让平台在较长周期内回收成本。能够通过已有商业系统承接这些需求，是 Meta 这套设想的有利条件。

这笔账仍然要落到净收益。用户省下时间，并不代表平台就能收取交易佣金；Agent 帮用户取消一笔不必要的消费，甚至会减少交易额。订阅和可变现交易必须覆盖推理、虚拟机、支付与服务支持成本。假如商家承担佣金，产品还需要解释推荐是否受到佣金影响。持续替用户作出更好的选择，是长期委托能够成立的商业基础。

Meta 另一项更有自身特色的设想，是 Agent 之间的协作。扎克伯格谈到这种方向，也明确说明大部分相关交互不在此次发布范围内。访谈约 29:00⁠ 它可能改变平台价值的形成方式：如果朋友的助手可以协商时间，商家的助手可以确认库存和服务条件，更多参与者就可能让已有用户更容易办成事。这才是网络效应；单纯用户变多、训练数据增加，并不能证明协作网络已经建立。

这种机会也解释了 Meta 的社交积累为什么仍然相关。个人生活中大量任务，本质上需要其他人参与。Agent 若能降低双方沟通和协调的成本，社交关系就可能转化为完成任务的资源。不过，这取决于参与者是否愿意连接、权限如何传递，以及不同平台的助手能否协作。已经拥有庞大用户群，只是起点；可复用的合作关系需要在真实任务中形成。

再回头看扎克伯格关于开放和能力扩散的论述，就能理解它与产品策略的联系。他希望个人也能用先进 AI 创造项目和经营事业，通过更广泛的能力分布，减少少数机构的优势并形成制衡。《The Future is for Everyone》⁠ 普通人能否方便、负担得起地使用，是这套主张的落点；它不等于承诺所有模型都开源。更广泛的能力使用与平台集中经营可以同时存在，Muse 正是在尝试把二者结合起来。

他关于数据中心与地方社区的讨论，也属于同一条逻辑：计算基础设施要持续扩张，就需要就业、技能培训和地方长期收益支持。官方文章的社区建设部分⁠ 这不能证明能力扩散会自动消除所有风险，却说明 AI 工业化还需要把增长成果传递给使用者和基础设施所在地。个人 Agent 的普及，为普通人直接感受这些计算投入的价值提供了一条路径。

沿着这条路线再往前看，算力需求的计量方式也会变化。长期 Agent 可以在用户离线时检查条件、运行代码、调用工具，完成任务还需要内存、存储和隔离执行环境。因此，聊天次数越来越难代表实际工作量；每个用户持续委托多少任务、每项任务需要多少计算步骤，才更接近需求来源。全天候可用并不意味着 GPU 全天满载，等待事件、程序执行和模型推理仍是不同负载。更值得研究的是，整套系统交付一个合格结果需要多少资源。

Muse 让一个值得看好的方向变得具体：前沿 AI 正在被组织成普通人可以持续使用的行动能力。验证 Meta 能否把它做成平台，要看持续委托是否增加、人工接管是否减少，以及单位任务的净价值是否改善。当用户愿意把越来越完整的目标交给助手，模型进步就开始转化为生活与经营方式的变化。扎克伯格押注的增长空间，也从这里展开。