Muse Wonder：Zuckerberg 与 Wang 的1000亿美元 AI
摘要
Meta 的 AI 计划如今是一场以1000亿美元为计量单位的基础设施豪赌。 Zuckerberg 说，在看到模型之前，他就曾考虑开出“1000亿美元、2000亿美元”的支票；他估算，运营1 GW 集群每年约需150亿美元，前期投入约500亿至600亿美元。下行风险部分得到对冲：如果 Meta 的模型失败但 AI 成功，算力仍可在市场上出售；如果 AI 整体令人失望，Meta 仍可将其部署到内部业务。
Muse Wonder 让 Meta 重新回到前沿，重点是优化个人和专业智能体，而不是追求通用基准第一。 Meta 称，Wonder 在其智能体评测、DeepSWE 和 SWE-Marathon 上均达到业界最先进水平，Terminal-Bench 4 表现也很强；其差异化能力包括“主动记忆”、长时程“主动专注”、领域专业知识和判断力。由于服务成本较高，Wonder 初期将放在付费 Muse 订阅之后；Wonder Full 则面向更高端的 Muse Code 用户。
其战略产品判断是“模型就是产品”，这让表面相似的智能体在底层出现实质差异。 个性、主动性、工具行为、记忆、可靠性和判断力都被训练进模型，而不是作为传统界面功能暴露出来。这也解释了 Muse 为什么没有模型选择器和工作量选择器：Wang 认为，普通消费者无法驾驭那些“数字越往后反而越小”的产品线。
多模态，而不只是编码，是 Meta 切入消费级超级智能的突破口。 Zuckerberg 的 Muse 会观看 MMA 录像，搭建自己的视频处理流水线，并在每个60秒回合间歇给出训练建议；Wang 的智能体 Oiler 则会自主寻找冷门茶叶。Zuckerberg 更大的判断是，“每个人实际上都会写大量代码”，但大多数用户永远不会知道，自己的请求背后生成了代码。
智能体商业可能创造新增需求，而不只是转移需求或提升转化率。 Muse 开始为 Zuckerberg 的女儿规划烘焙活动、订购食材后，他从几乎不用 Instacart，变成每周下单一两次；这让他开始追问：这个账户究竟属于他，还是属于 Muse。Wang 的框架是，智能体今天先消除调研和结账摩擦，随后再利用跨领域的个人上下文，给出割裂的电商系统无法提供的推荐。
Meta 认为，能够构建前沿超级智能的公司最终只会有极少数，而这些公司将制定产品议程。 Zuckerberg 说，Meta“不是一家应用公司”；如果不掌握模型、基础设施以及最后一公里的设备体验，Meta 就无法继续成为一家有发明能力的科技公司。它选择的方向是个人化、消费级智能，并将“发明和创造，而不是自动化”视为最高价值的终点。
MSL 的翻身依赖于一个异常精简、技术密度极高、并得到全公司支持的组织。 在判断 Llama 4 的路线不够理想后，Zuckerberg 清空了大量日程，招募外部负责人，并围绕约100名研究员重建团队；即使按更宽口径计算，也不到200人。其运作原则是“没有非技术管理者”：研究员获得异常高的人均算力，而 Zuckerberg 负责协调基础设施及全公司的支持。
Meta 预计通过订阅、商业、API、企业分发以及现有业务的增长来为这场建设提供资金。 Zuckerberg 希望建立强大的免费 Spark 层，以最大化网络效应，之后通过 Wonder 的付费使用，以及未来从 Muse 为用户节省或赚取的钱中抽取一小部分来变现；他还提出面向小企业的“开箱即用的企业”，以及新的 Meta Enterprise Platform。即使 Meta 当前数千亿美元规模的业务增速只提升几个百分点，也足以支撑大规模 AI 投资：“答案最好是肯定的。答案就是肯定的。”
精读
1. Muse 最精彩的演示，把复杂软件藏在普通请求之后
Collison 先提到第三方报告：Muse 可能是迄今增长最快的智能体或 AI 应用，然后请 Wang 分享个人使用案例。Wang 最喜欢的是 Oiler——一个会持续寻找“越来越冷门的茶、来自越来越冷门的供应商”的 Muse，包括台湾和日本的小型农场，并大约每周购买一批新茶。
Zuckerberg 把 MMA 训练既当作自己最喜欢的用例，也当作产品评测。健身房里的摄像头将画面传给 Muse；每次60秒休息期间，Muse 会提取帧图，点评平衡、髋部位置、underhook 以及暴露在 reversal 下的风险。他反复提出一个极其务实的要求：“你花了30秒才给出反馈，我只有60秒休息。”
这个智能体似乎自行搭建了所需的视频和图像处理流水线。Zuckerberg 从未看到代码，但 Muse 自己判断应该提取静帧、快速处理，并把视觉姿态与 MMA 概念连接起来——消费者因此可以定制专属软件，却不必把互动描述成编程。
Zuckerberg 更大的判断是：“每个人实际上都会写大量代码，只是他们不会知道自己在写代码。”他此前已经用 OpenClaw 试验过这种工作流，随后把它变成 Muse 的固定评测，因为这项任务同时检验感知、编码、延迟和领域知识。
2. 多模态是 Meta 切入消费市场的突破口
Collison 追问，Muse 究竟是从哪里学会区分 MMA 姿势的好坏：视觉范例、文字指令，还是某种涌现出的平衡概念？Zuckerberg 的回答刻意保持宽泛：Meta 采取端到端多模态路径，用大量视觉感知数据训练模型。
Wang 认为，个人超级智能必须反映消费者真实体验世界的方式：通过对话、声音、视频以及自己的摄像头。这让 Meta 与今年早些时候的行业共识发生冲突——当时的主流判断是“一切都只是编码”，但单纯的编码能力不足以产生 Muse 所需的消费行为。
Zuckerberg 认为，文字聊天只是过渡阶段，因为“大多数人其实并不喜欢阅读”。未来，眼镜可以在获得许可后听到用户听到的内容、看到用户看到的内容，与用户对话，并在视野中生成视觉界面；他甚至不确定这类设备是否还需要传统应用商店。
Zuckerberg 承认，Meta 的数据确实有帮助，但拥有数据和聚焦方向同样重要。Meta 有意提高感知和多模态能力的权重，因为自身服务和规划中的硬件让这些能力具有不成比例的价值；其他实验室则完全可以根据不同的产品终点进行优化。
3. 智能体产品之所以看起来可互换，是因为模型隐藏了它们的设计
Collison 提出，AI 产品似乎异常快速地趋同：Transformer、聊天界面，以及如今配备计算机的持久型智能体，都会成为所有认真参与者遵循的显而易见模板。支付不同，胜出规格涵盖开发者体验、地域、支付方式和稳定币；而 AI 产品似乎可以被“写在明信片背面”。
Zuckerberg 不同意这个领域会一直如此狭窄。像 Meta AI 这样的文本助手可以触达大量用户，但人们主要把它当作检索工具，而不是委托工具；能够持续完成任务的智能体是另一种产品。即使只是为每个用户提供一个专属 VM，也会显著改变隐私、安全和信任感。
Wang 的反驳是，传统产品规格遗漏了真正重要的维度。Muse 的设计者对行为、个性、主动性和工具使用做出了大量细致选择，但这些决策体现为训练数据、方法和评测，而不是可见的控制项。把所有系统都称作“带 VM 的智能体”，就像把早期所有移动产品都描述成“只是一个应用”。
双方共同的结论是：产品表面越来越薄，而训练系统承担了越来越多的产品责任。Zuckerberg 在内部使用的说法很直接：“模型就是产品。”外围界面仍然重要，尤其是隐私、安全和连接数据，但决定性的交互设计越来越多地存在于后训练之中。
4. 消费级简洁，是对 AI 行业惯例的有意拒绝
Muse 既没有模型选择器，也没有工作量选择器。Zuckerberg 的理由很简单：“我只想把它做得简单。”Wang 则说，太多 AI 产品由高度技术化的团队设计，他们的思维模型里没有一个“随机抽样的美国人”。
Wang 称现有模型命名“糟糕透顶”：数字有时会倒退，随后又换成毫无关联的词，或平行的命名体系。一个没有读过 API 规格的人，不可能合理判断该选哪个选项，因此 Muse 直接替用户做路由决策，让付费用户访问更强的模型。
同样的逻辑也适用于个性和主动性。用户感受到的是智能体能否可靠完成任务、何时主动介入，以及它如何说话，而不是底层训练配置。Wang 指出，用户才刚开始公开描述这些差异，但它们其实正是产品决策的核心。
5. Muse Wonder 开启 Meta 重返前沿规模模型
Muse Spark 来自去年年底前后完成的一次预训练，其结果让团队意外发现：相对较小的模型也能通过后训练释放出大量智能。Wonder 是下一次规模显著更大的预训练，Meta 先反复跨越约4至5个规模大致翻倍的模型层级，最终才进入前沿训练。
Zuckerberg 说，额外规模应当体现为更强的细微理解、更好的记忆，以及持续处理复杂个人和专业任务的能力。在组织层面同样重要的是，Meta 已经完成了在 Llama 4 失望路线之后所需的大部分背景梯度搭建；后续代际可以专注于推进前沿，模型层级之间的间隔也会缩短。
Meta 正在发布 Muse Wonder，以及更高端的 Muse Wonder Full——后一个名字带来了预期中的“wonderful”式老爸笑话。Wang 根据 Meta 自己的测量结果称，该系列在个人和专业智能体任务上达到业界最先进水平；Zuckerberg 则将其放在 Astra 和 Fable 所处的经验前沿上。
该模型将通过付费 Muse 计划、Meta Model API、OpenRouter 和 Muse Code 提供；Wonder Full 则面向 Muse Code 订阅者。Zuckerberg 仍希望通过大额 Spark token 配额，让 Muse 广泛免费使用，并希望最终将 Wonder 级能力以更便宜的形态放进 Spark，覆盖数亿用户。
6. 主动记忆与主动专注，针对的是用户已经感受到的失败
Wang 将主动记忆定义为：记住用户在数天、数周或数月内透露的信息，并将其应用到之后的任务中。Collison 将其与 OpenClaw 中“buggy AF”的工作记忆、长期记忆和压缩之间的割裂进行对比；Wang 说，Muse 的模型本身知道记忆来源，也能决定如何压缩和检索这些内容。
Zuckerberg 不接受“记忆只是外部工具链”的说法。即使由更大的系统提供支持，压缩和适当复用仍然是模型能力。Wang 仍然保留了谨慎表述：内部 MemoryBench 评测显示出有意义的进步，但“仍有很大的改进空间”。
主动专注意味着在长时间跨度内完成模糊、高复杂度任务，并在遇到挫折后用其他符合目标的计划恢复执行。早期内部试用者称，这种持续性与此前使用过的模型存在明显差异，尤其是在 Muse 和 Muse Code 用户开始分配更大型任务之后。
编码是消费场景中的次要用途，却代表了一次重大能力跃升：Meta 报告称，模型在 DeepSWE 和 SWE-MARATHON 上达到业界最先进水平，Terminal-Bench 4 表现也很强。当 Collison 问 Stripe 是否因此应该使用 Wonder Full 时，Wang 谨慎回答“有可能”，并要求开发者通过实际体验验证内部结果。
7. 实验室找到生命迹象后，内部评测的重要性反而上升
Zuckerberg 接受 Goodhart 定律，但认为眼下更大的问题是基准饱和：公开基准很快就会过时。在 Meta 重建期间，这些基准很有用，因为团队需要证据证明科学方向走在正轨上；但随着每次发布，越来越多的判断来自针对 Meta 目标产品定制的内部评测。
Wang 的研究框架是“大模型气息”——用户在真正的大模型身上感受到、却难以精确定义的细微差别。Meta 尝试通过强化学习分布内任务与陌生分布外任务之间的表现差距来量化它；Wonder 相比 Spark 有较大提升，因为其基础模型具备更好的泛化能力。
个人智能体还需要普通编码基准几乎无法测量的能力。Zuckerberg 举的例子是判断力：智能体应当知道用户有过敏或怀孕，选择合适的餐厅，同时尽可能少披露医疗信息。一个在共享技术上下文中运行的编码智能体，则面临不同的隐私问题。
Wang 认为，只优化公开分数，等于把产品判断外包给“某个博士生”，只是因为他的基准测试碰巧走红。公开测试在一个新实验室“寻找生命迹象”时是合理的；成熟开发则需要详细的内部表格，让几十个2%的改进汇聚成一个让人感觉不可思议的模型。
8. 预训练在强化学习开始前，就已经编码了产品方向
Meta 的研究组织刻意保持精简：Zuckerberg 说团队不到200人，核心研究员更接近100人；Wang 则说，每个阶段只有几十人，而其他实验室可能使用数百人。组织押注的是人才密度、异常高的人均算力，以及避免把资源“花生酱式”地摊在多个竞争项目上。
预训练仍然从海量文字、图像、音频和视频开始，但模态和领域暴露是有意设计的。Zuckerberg 强调，有些能力不能总是在之后靠强化学习硬接上去；一个感知模型从一开始就需要丰富的视觉经验。
对个人智能体而言，相关领域包括购物、健康、法律问题、金融、税务和个人建议。Wang 希望最终系统给人的感觉是“身边有一支专家团队”——你的法律、财务和医疗团队；他还说，Wonder 在 Meta 的金融和法律评测中领先，部分原因是这些语料已经进入预训练。
内部代号展示了扩展梯度：Spark 的预训练代号是 Avocado，Wonder 的代号是 Watermelon。Wang 开玩笑说，下一个更大的水果可能只能是榴莲，一个气味相当不友好的终点，因此 Meta 之后需要换一套命名方式。
9. 扩展智能需要扩展数据，但不能假设所有数据都能无损迁移
更大的模型需要更多数据，以避免过拟合。Zuckerberg 说，许多语料会产生正向迁移，并非零和；但根据设置不同，某些混合方式也会产生负向迁移。哪些 token 有帮助、会分散注意力或相互干扰，仍然是科学问题，而不是“越多越好”的定论。
这带来一个结构性扩展难题：算力增长可能快于公共互联网。如果实验室希望训练更大、更智能的模型，而底层人类语料增长缓慢，就必须寻找额外数据源，并改进训练材料的构建和复用方式。
Wang 认为，预训练既是风险最高、也最具基础科学性质的阶段，因为研究人员能获得的样本极少。实验室大量算力都投入 Wonder，经历了“7个阶段的悲伤”；研究人员必须从更小的训练中外推，并对一个无法低成本重复的结果进行深入推理。
10. 后训练可以让一次预训练拥有数代模型的效果
Zuckerberg 将后训练分为监督微调和强化学习。SFT 同时提供提示词和期望回答，用于初始化包括个性在内的行为；Wang 的思维模型是，某种期望行为最初可能只在10%的情况下出现，直到 RL 大幅提高其被调用的概率。
广义的扩展规则是 Wang 所说的“全部扩展”：预训练、RL 算力、任务数据，以及最终的智能体工具链都要扩展。Zuckerberg 指出，各个维度可以分别扩展，但协同扩展通常会带来更好的结果。
Spark 1、1.1、1.2 和1.3共享同一次预训练，只是通过持续 RL 产生差异。Wang 说，Spark 1 到1.3之间的体验“简直是天壤之别”，可能会被误认为是一个全新的基础模型，这反映出整个行业都在进步：从既有权重中提取智能体能力的效率越来越高。
RL 数据与预训练数据的行为不同：在许多环境中，“少其实更多”，配方质量可能比绝对数量更重要。每个任务和奖励设置都会施加放大的压力，因此少量高质量环境就可能实质改变能力、可靠性和失败模式。
11. 对齐贯穿整个训练过程，目标是服务用户
Wang 说，安全不能被单独留到最后作为纠偏阶段。高算力 RL 可能在环境奖励只有通过不安全行为才能成功时，教出不对齐的行为，因此 Meta 在整个过程中持续筛选任务，确保优化压力指向符合对齐要求的解决方案。
Zuckerberg 补充了一个哲学问题：“你希望它与谁对齐？”Meta 强调指令对齐，以及与智能体所服务的人的价值观对齐——高度确信它会完成用户要求，同时不会附带一场不必要的说教。
这并不意味着无条件服从。Zuckerberg 说，对于灾难性请求，系统应当优雅拒绝，“而且不要把你惹毛”；对于普通请求，则应当可靠执行。他把这描述为一种与其他一些实验室明显不同的对齐立场，而不是一个已经解决的技术问题。
12. 前沿开发与短反馈闭环恰恰相反
Wonder 从去年8月就开始规划，远早于 Spark 完成；Spark 本身也被设计成一个垫脚石。Wang 提醒，不要想象实验室发布一个模型后才开始下一个模型——多个长期运行的代际会相互重叠，直到临近发布时才汇合。
Meta 的基础设施承诺早于 MSL。Zuckerberg 说，俄亥俄州的 Prometheus 集群正在扩展到超过1 GW，而路易斯安那州的 Hyperion 计划在数年内达到5 GW；相关规划始于2023年或2024年前后，因为从零建设数据中心的周期以年计。
完整技术栈包括数据中心、Meta 自研芯片、底层基础设施、模型研究和产品交付。Zuckerberg 建议，衡量实验室算力实力时，可以部分看其最大的单一超级计算机，因为前沿训练需要一个协调一致的系统，而不是一支无法执行同一次训练的算力舰队。
Collison 追问，超过一年的反馈周期如何维持产品判断。Zuckerberg 回答，创业就是在“信息贫乏的环境”中做决策；Wang 称前沿 AI 是“困难模式下的创业”，也是“Lean Startup 的反面”，因为等待证据就意味着落后。
13. Meta 在不知道 Wonder 是否可行之前，就已经投入了巨额资本
去年底，Zuckerberg 和 Wang 对研究进展感到兴奋，但还没有看到最终模型。Zuckerberg 回忆，自己当时面对的是开出“1000亿美元、2000亿美元”支票的决定，并问：“Alex，你确定这会成功吗？”
Wang 能提供的只有一份“感觉报告”、一些曲线图和个人信念，而不是证据。在夏威夷的一次高管聚会上，CFO Susan Li 反复向他强调，一个糟糕的模型在财务上会“非常、非常、非常糟糕”；他把这次承诺记作“他妈的巨大风险”。
Zuckerberg 的数量级测算是：运营1 GW 集群一年约需150亿美元，前期资本开支约为500亿至600亿美元。研究还会显著增加这一数字，因为每次变化都要通过扩展梯度进行测试，之后主训练还需要一大笔算力；完成后的模型上线服务，也需要另一大池算力。
Collison 将其概括为：在发牌之前就把所有筹码推入桌面。Zuckerberg 承认，赌注已经大幅上升，但认为实际暴露面比看起来窄：如果只是 Meta 自己失败，有价值的算力仍然可以出售；如果 AI 整体失败，Meta 仍有内部工作负载可以使用这些算力。
14. 即使 Meta 决定破釜沉舟，产品成功仍然并不确定
Meta 还必须在不知道 Muse 会产生多少需求的数年前，就建设推理能力。当一些高管考虑采取更保守的策略时，Zuckerberg 的回应是：“不，我们就这么干。我们会让它成功。”这正是 Collison 所说的“破釜沉舟”。
随后 Muse 获得了最理想的发布结果：即时且异常强烈的市场反响。Zuckerberg 说，团队的中位数预期其实更普通——先发布一个可接受的产品，经过几轮迭代找到产品市场匹配，然后再加速增长。因此，Meta 并没有为一场大爆发准备好所有增长机制。
Wang 形容高管团队的反应是压力巨大但高度团结。Meta 的资深领导者经历过多次令人望而生畏的阶段，把新的风险视为公司将共同应对的又一次挑战，尽管他们负责运营的正是那些实际上在为这场投入买单的盈利业务。
Zuckerberg 更大的决策规则具有幂律特征：关注成功可能达到的规模，而不是消除每一种失败可能。Wang 认为 Zuckerberg 深刻理解“赢的时候规模有多大”，而 Zuckerberg 则坚持，推动这项承诺的不是单纯的转售价值，而是对具体产品的信念。
15. 掌握前沿模型，是 Meta 继续成为一家有创造力公司的必要条件
Collison 将 Muse 与 Zuckerberg 长期以来对依赖 Android 和 iOS 的担忧，以及 Reality Labs 试图通过未来设备触达用户的努力联系起来。Zuckerberg 重新定义了目标：掌握平台并不是目的本身，关键是拥有端到端打造最佳体验的自由。
Zuckerberg 说：“我们不是一家应用公司。”Meta 的社交产品依赖大规模机器学习推荐系统，而他认为目前只有 Meta 和 ByteDance 能达到这一规模；同时还需要一路延伸“直到金属层”的基础设施。在下一个时代，模型会成为这一技术栈中最重要的一层。
Zuckerberg 预计，拥有前沿超级智能的不会是一家公司，而是少数几家公司。就像互联网时代一样，掌握核心技术者将推动消费产品、企业软件和硬件的议程，周围则会形成更广泛的生态。
Meta 的战略切口是个人化、消费级超级智能，而其他实验室则集中于自动化知识工作。Zuckerberg 认为自动化是一个魅力较低的未来，并称“超级智能最高价值的用途是发明和创造”；Meta 也许没有前沿模型仍能生存，但无法继续成为一家发明重要新体验的公司。
16. 浏览器使用为最终的智能体对智能体经济搭建起启动层
Meta 训练了强大的浏览器使用能力，因此企业无需先完成集成，Muse 就能服务其客户。Zuckerberg 将计算机使用视为兼容层：智能体可以先导航现有网站，之后愿意合作的伙伴再提供更快、更便宜、更可靠的直接 API。
终点并不是永久依赖网页抓取。Zuckerberg 预计，未来每家企业都会拥有一个智能体，就像如今企业都有网站、社交账号和电子邮件地址一样；消费者智能体会与企业智能体谈判，而 Meta 的实现自然会与彼此更好地整合。
Collison 提出对抗性场景：那些利润依赖消费者困惑、过长停留时间或过高收费的企业，可能会理性地阻止智能体。Zuckerberg 的回答是绝对的——“它们会被颠覆。”不过他也指出，目前要求与 Muse 集成的企业，远多于试图阻止 Muse 的企业。
Wang 将智能体需求与电子商务进行类比：商店和传统网页需求仍会存在，但智能体应当凭借节省消费者和商家的时间与成本，占据越来越大的份额。企业必须决定是否要进入这个扩张中的渠道；消费者利益会形成“一种自然的引力，把现实推向那个方向”。
17. 智能体成为客户本身，可以扩大商业规模
Muse 已经开始获得委托购买权限，而不只是推荐产品。Wang 强调了显而易见的收益：智能体可以跨网站调研，执行“周三前送达”之类的约束，并完成结账，让关键词搜索和重复填表显得原始。
更长期的优势是整体化个性化。Muse 可以把关于家人、朋友、同事以及此前对话的知识连接起来，用于选择礼物或完成购买；历史上的推荐系统只能看到单一商业孤岛。Collison 指出，Muse 已经会引用用户在无关对话中提供的上下文。
Zuckerberg 的例子从他3岁的女儿 Aurelia 开始。Aurelia 喜欢烘焙，两人通过实验性的 Muse 语音模式讨论周末食谱；Muse 能区分两人的声音，进一步发展她想象中的食谱，并确保 Instacart 食材在周六前送达。Watermelon 发布期间，它还很贴心地在订单中加购了一只真正的西瓜。
这套工作流让 Zuckerberg 从偶尔使用 Priscilla 的 Instacart 账户，变成自己订阅并每周下单一两次。他的经济学问题是：这个账户究竟属于他，还是属于 Muse？智能体账户可能扩大商业的总潜在市场，而不只是把转化率提升“20%”，因为自动化需求此前根本不存在。
18. 当语音控制的是具身化、持久运行的智能体时，语音才真正有用
Zuckerberg 说，语音界面仍然处理不好真实对话 dynamics：人们会停顿、重叠、打断和自我修正，而不是按清晰的提示词和回答交替进行。理解语音还不够，如果系统无法行动；而语音输出相比视觉扫描信息也更慢。
尽管如此，语音输入仍在爆发，因为它是一种高带宽、低摩擦的思想外化方式。Wang 看到研究人员对着键盘低声说话，学生进行10至15分钟的“文字呕吐”，然后让 AI 把这股信息流整理成连贯结构。
能动性让互动从与信息新奇物的对话，转变得更像与一个人交谈。Wang 认为，Muse 的小型具身角色之所以成立，是因为记忆、行动能力和个性如今汇聚在一起：这个形象看起来像是在持续代表用户工作，而不是生成孤立的回答。
Zuckerberg 预计，眼镜会把语音、摄像头和视觉输出结合起来；即使是无显示或小显示眼镜，在完整宽视野 AR 出现前也已经证明有用。Muse Gadgets 将这一模式扩展到第三方手机和设备，而一枚硬币大小的 USB HomeLink 可以把 Muse 连接到 Sonos 和灯具——Zuckerberg 会让它在临近睡觉时调暗整栋房子。
19. Meta 预计通过多条收入引擎，为大规模免费访问提供资金
Zuckerberg 希望 Muse 基础层保持可负担甚至免费，因为网络效应、合作伙伴兴趣以及智能体对智能体的互动都会随规模提升。付费订阅则为成本过高、无法普遍提供的能力买单，首先就是 Wonder；他对 AI 是否必须赚钱的简洁回答是：“答案最好是肯定的。答案就是肯定的。”
商业存在多种潜在模式。如果 Muse 取消闲置订阅、找到节省空间，或帮助用户赚钱，Meta 未来可能从创造的价值中抽取一小部分。Wang 反复提出的概念是“开箱即用的企业”，为小企业主管理运营，并创造足够价值，让双方都能盈利。
通用模型会在最初的消费用途之外创造额外剩余。Zuckerberg 预计 API 需求会带来盈利，并正在 CJ Desai 领导下组建 Meta Enterprise Platform。他的判断是，如果 Meta 能搭建企业愿意使用的分发、支持和控制体系，企业就会需要价格可负担的前沿模型。
Meta 现有业务是最后一个资金引擎：在一个价值数千亿美元的核心业务上，增长速度只要快几个百分点，就足以支撑大规模 AI 支出。拥有数据中心还可以把折旧摊到多年，而不是支付云租赁费用；仍然有用的 GPU 在会计寿命结束后也可能保留经济价值。
20. 模型多样性与 MSL 重启，都是对抗组织惯性的押注
Wang 建议 OpenRouter 成为模型领域的“葡萄酒侍酒师”：Wonder、Fable 和 Astra 可能在排行榜上排名接近，却体现了不同优先级。使用数据和开发者反馈，可能比在推文长度的声明中简单说某个模型好或坏，更能揭示这些模型的质地差异。
他认为没有一家实验室彻底甩开市场，有3个原因：前沿组织的执行能力会在强弱之间交替；蒸馏可以把大量能力迁移到更小的模型；许多员工、公司和交易对手都主动偏好多元生态。Zuckerberg 同样支持能够形成制衡、而不是把智能集中在少数人手中的基础设施和开源支持。
Zuckerberg 说，Llama 4 于2025年4月4日发布，不过他用“我想是”对日期加以限定；他说自己大约在4月20日或21日开始打电话寻求建议。他逐渐确信 Wang 是“那个他妈的人”，将包括 Nat 和 Daniel 在内的外部招募者，与优秀内部研究员结合起来，并把 MSL 定义为重新开始，而不是渐进式修补。
这套操作系统的核心是人才密度、扁平的技术文化，以及不受人为期限束缚。Wang 近200名直接下属，体现的是“没有非技术管理者”，而不是密集的职业辅导；由“不安的过度成就者”组成的团队，即使一次次超越预测，仍会对自己的项目保持悲观。最后的准则很简单：“留在细节里。保持技术导向，留在前沿。”