Meta 本週推出新一代旗艦 AI 模型 Muse Wonder 與 Muse Wonder Full，正式宣告重返前沿模型競爭。執行長 Mark Zuckerberg 近日與 Meta 首席 AI 長 Alexandr Wang，受邀參與 Stripe 共同創辦人 John Collison 主持的《Cheeky Pint》Podcast，首度深入分享 Meta 過去一年重建 AI 團隊、開發 Muse 個人代理，以及投入數百億美元建設運算基礎設施的決策過程。
訪談中，祖克柏透露，Meta 去年底曾在尚未確定新模型能否成功的情況下，討論投入高達 1,000 億至 2,000 億美元的龐大資金。他甚至直接詢問 Wang：「Alex，你確定這真的會成功嗎？」
廣告 – 內文未完請往下捲動
Wang 坦言，當時雖然研究方向令人振奮，但團隊手上只有初步實驗結果，根本無法保證最終模型的表現。這場近乎豪賭的決策，也凸顯 AI 產業與傳統科技創業的根本差異：企業必須在產品尚未獲得市場驗證前，就提前數年投入龐大的資金與基礎設施。
祖克柏押注千億美元，財務長警告：失敗後果將非常嚴重
談及訓練前沿 AI 模型的成本，祖克柏以一座功率達 1GW 的資料中心為例，估計每年營運成本約為 150 億美元，若計入興建基礎設施的前期資本支出，成本可能達到 500 億至 600 億美元。
然而，這還只是模型訓練所需的一部分。從前期研究、小規模實驗、完整預訓練、後訓練，到最後向數億用戶提供推論服務，每個階段都需要龐大的運算資源。Wang 表示，若將完整研發流程納入計算，訓練一個前沿模型如今需要數百億美元，已是合理的估算。
更棘手的是，這些投資往往必須在模型真正完成之前就決定。Wang 回憶，去年底 Meta 高層在夏威夷開會時，財務長 Susan Li 曾多次私下提醒他，如果模型最終表現不如預期，公司將面臨極其嚴重的財務後果。
Wang 形容，傳統精實創業（Lean Startup）強調先打造最小可行產品、驗證需求，再逐步擴大投資，但前沿 AI 研發幾乎完全相反。
因為資料中心需要數年規劃與建設，企業無法等模型成功後才開始投資，否則屆時早已落後競爭對手。不過，祖克柏認為這項押注並不像帳面數字看起來那麼危險。他解釋，即使 Meta 自己的模型未能達到預期，只要整體 AI 產業持續成長，運算資源仍有其他企業願意使用。即便 Meta 的個人 AI Agent 業務發展不順，既有社群、推薦演算法及其他產品也能消化部分算力。
不滿 Llama 4 發展，Meta 重建 AI 團隊：核心研究人員僅約百人
這次訪談也揭露 Meta 如何從 Llama 4 的挫折中重新調整 AI 策略。祖克柏坦言，當時公司對 Llama 4 的發展方向並不滿意，因此決定重新建立團隊，並引進包括前 Scale AI 執行長 Alexandr Wang 在內的外部人才。有趣的是，Wang 主導的新團隊並未採取大量招募研究人員的策略，而是強調人才密度（Talent Density），將運算資源集中在少數頂尖研究者身上。
Wang 透露，Meta Superintelligence Labs（MSL）的核心研究團隊不到 200 人，實際規模接近 100 人。相較部分實驗室可能投入數百名研究人員，Meta 更傾向讓每位研究人員取得充足的運算資源，避免算力分散到過多彼此競爭的專案。祖克柏表示，這種團隊設計兼具新創公司的靈活性，以及 Meta 的資金與基礎設施優勢。
在技術路線上，Meta 也改變了過去僅追求通用語言模型能力的做法，將個人 AI Agent 所需的長期記憶、多模態感知、工具操作與持續執行任務能力，直接納入模型的訓練目標。
Muse Wonder 強調記憶與專注力，祖克柏：未來模型就是產品
Meta 於 10 月 12 日推出的 Muse Wonder 系列，正是這次 AI 團隊重建後的新成果。根據官方介紹，新模型主要強化 Active Memory（主動記憶）與 Active Focus（主動專注）兩項能力。前者讓模型能跨越數天、數週甚至數個月的對話，保留重要資訊並在未來任務中適時使用；後者則讓 AI 能長時間執行複雜工作，在遇到失敗時嘗試不同解法，而不是輕易停止。
Wang 指出，對個人 AI Agent 而言，記憶不是單純擴大上下文視窗，而是讓模型理解哪些資訊值得保留、如何壓縮既有記憶，以及什麼時候應該重新調用過去的資料。
在產品設計方面，祖克柏提出一項重要觀點：The model is the product.（模型就是產品。）
他認為，過去軟體公司的競爭力多半建立在使用者介面、產品功能與操作流程，但 AI 原生產品的差異，正逐漸轉移到模型本身。
例如 Muse 應該在什麼情況下主動提出建議、如何使用個人資料、對用戶採取什麼溝通方式，以及執行任務遇到困難時應該如何處理，這些原本屬於產品設計的決策，如今都可以透過模型訓練與後訓練進行調整。
這也是 Meta 為何不希望一般消費者需要手動選擇模型或推理強度。祖克柏認為，對大多數人而言，複雜的模型名稱與版本編號只會增加使用門檻，使用者真正需要的是能夠直接完成任務的 AI。
祖克柏用 Muse 分析格鬥動作，AI 還會自動寫程式改善自己
訪談中，祖克柏與 Wang 也分享各自使用 Muse 的案例。Wang 表示，自己最喜歡讓 Muse 持續搜尋世界各地的小眾茶葉，包括台灣與日本的茶農及供應商，由代理程式自動尋找、採購並安排寄送。
祖克柏則分享更特殊的用途：讓 Muse 擔任自己的綜合格鬥（MMA）教練。
他在訓練場架設攝影機，讓 Muse 分析自己與對手的動作，並在每回合之間的一分鐘休息時間提出建議，包括身體平衡、髖部位置與地面纏鬥時的防守漏洞。
由於只有短短 60 秒，Muse 必須快速擷取影片影格、進行視覺分析並給出回饋。祖克柏表示，自己曾因 Muse 花了約 30 秒才完成分析，要求它進一步改善處理速度。模型隨後嘗試調整背後的影像處理流程，以更有效率地完成任務。
他認為，這也預示未來軟體開發的一項重要趨勢：一般人可能每天都在使用 AI 撰寫大量程式碼，卻完全不需要知道自己正在寫程式。在這個情境下，使用者只需要描述想完成的事情，AI 就能自行建立必要的軟體工具。
AI Agent 將改變電商，未來每間公司都要有「代理程式入口」
除了模型訓練與產品設計，三人也討論 AI Agent 對未來網路商業模式的衝擊。祖克柏認為，現在大部分企業都有網站、電子郵件與社群帳號，但未來可能還需要提供專門讓 AI Agent 使用的服務入口。他指出，Muse 已經能透過瀏覽器與現有網站互動，即使商家尚未提供專門的 Agent API，模型也能像人類一樣操作網頁、搜尋商品與完成訂購。
然而，隨著使用量成長，直接讓 Agent 與商家系統整合，將能提高交易效率，並減少操作介面的成本。Wang 則指出，AI Agent 商務（Agentic Commerce）與傳統電子商務最大的差異，不只是簡化購物流程，而是 AI 可以根據對使用者的長期理解，自動完成個人化採購。
例如 Muse 能記住使用者的生活習慣、家庭成員與固定活動，再提前安排購買商品。祖克柏分享，自己因為三歲女兒喜歡烘焙，開始固定在週末與女兒一起做點心。Muse 不僅協助規劃活動，也會透過 Instacart 提前訂購材料，確保週六需要的食材準時送達。他指出，自己過去幾乎不使用 Instacart，卻因為 Muse 的自動採購功能成為新用戶。
祖克柏談 AI 競爭：不能只追排行榜，個人超級智慧才是目標
面對 OpenAI、Google 與 Anthropic 的激烈競爭，祖克柏認為，Meta 不應只把目標放在追逐公開模型評測排行榜。他指出，許多 Benchmark 最初只是研究人員為特定實驗設計的測試，如果 AI 公司完全依賴這些指標開發模型，等於將產品方向交給外部評測制定者。
Meta 因此逐漸增加內部評測的比重，特別關注個人助理能否可靠完成長時間任務、理解使用者需求，以及在操作外部服務時保護隱私。
祖克柏舉例，如果使用者有特定健康需求，希望 AI 協助預訂合適的餐廳，模型應該能找到符合條件的選項，而不必向餐廳揭露使用者不必要的私人醫療資訊。在他看來，這種對個人情境的理解與資訊揭露判斷，是個人 AI Agent 與一般程式碼代理之間的重要差異。
談及未來競爭格局，祖克柏認為，能夠自行開發前沿模型、掌握基礎設施，並將 AI 直接整合進消費與企業產品的公司，可能只會有少數幾家。因此，Meta 必須從模型訓練、晶片與資料中心，到應用程式與終端裝置，建立完整的技術能力，而不能長期依賴其他公司的模型。
祖克柏相信，未來個人 AI 不會只是等待使用者提問的聊天機器人，而是能理解每個人的生活、主動提出建議，甚至代替使用者完成工作與消費的長期代理程式。而 Meta 是否能透過 Muse Wonder 將這項願景轉化為真正具有規模的商業模式，也將決定這場數千億美元 AI 投資最終能否獲得回報。
風險提示
加密貨幣投資具有高度風險，其價格可能波動劇烈，您可能損失全部本金。請謹慎評估風險。
