从投资豪赌到多模态个人智能
回顾去年年底，团队对进展感到兴奋，甚至在未见模型时就决定投入巨额资金（约 100亿至200亿美元）。第三方报告显示，这可能是迄今增长最快的 AI 应用。在个人使用场景中，用户分享了让 Muse（名为“欧拉”）寻找冷门茶源、或在健身房通过摄像头实时分析综合格斗动作的案例。尽管回合间仅有一分钟休息时间，模型需快速处理视频并给出关于平衡、髋部位置及侧位控制的反馈。这种应用本质上是在编写视频处理流程，且模型通过多模态预训练数据理解了复杂的物理姿态概念。
Meta 致力于构建 个人超级智能，其核心逻辑在于大多数人以高度多模态的方式体验世界（聊天、听音、看视频）。尽管早期行业共识认为编程是唯一重点，但面向消费者的产品成功依赖于强大的多模态能力。例如未来的智能眼镜将作为纯粹的多模态入口，直接生成视野中的内容。
“我觉得这就是在做好的多模态模型。我们在端到端地训练模型，让他们成为好的个人 agent。”
“大多数消费者都是通过多种方式来感受世界的……尤其是今年早些时候，我觉得这几乎成了行业里一个有分歧的点。”
产品形态的收敛与差异化设计
在 AI 领域，胜出产品的方向往往迅速收敛且描述简洁（如 Transformer、聊天式 Agent、持续运行的虚拟机 Agent），但实现极其复杂。虽然表面上看 AI 产品似乎都类似，但实际上存在细微且重要的差异。早期的文字助手主要用于信息检索，而新一代 Agent 强调执行任务。模型即产品是内部核心理念，复杂的产品工作（如隐私与安全机制）与通过训练注入模型的能力、性格共同构成了用户体验。
对于面向消费者的产品，设计团队意识到不能以技术人员的视角（如复杂的模型命名和参数选择）来定义产品。Muse 不提供手动切换模型或思考强度的选项，而是通过 后训练 来优化其在各种情境下的可靠性、主动性及沟通风格。这些看似抽象的产品决策，最终都落实在模型的设计与训练数据中。
“产品本身那一层越来越薄。模型越来越成为产品本身，所以我们内部有句话：模型就是产品。”
“大家开始仔细分辨这些差异……但彼此之间真正有意义的区别是什么？我觉得这些才是有意思的产品决策。”
Muse Wonder 模型的前沿突破
新推出的 Muse Wonder 属于最前沿的新一代模型。其开发遵循逐步扩大规模的路径：从最初较小的 Muse Spark 开始，每次预训练将模型规模放大 4到5倍。尽管初始模型不大但能力惊人，团队通过持续的后训练优化了记忆能力和在复杂任务中持续执行的能力。这一过程标志着 Meta 重建团队后，成功摸索出扩大模型规模的方法，并确立了推动前沿的里程碑。
该系列将推出两个版本：Muse Wonder 和 Muse Wonder Four（完整版）。随着模型级别的提升，未来发布间隔预计将缩短。这一进展不仅体现了技术实力的飞跃，也验证了团队在构建适合个人生活和专业工作的 Agent 模型上的投入。
“它是更高一个级别的模型，它的规模大了很多……我们着重打造的很多基础能力，包括很好的记忆能力，还有在复杂任务中持续做下去的能力。”
“接下来每推出一个规模更大的模型级别，间隔时间应该会开始缩短。想到我们能做出的东西，这让人很兴奋。”
Muse Wonder：前沿模型与主动记忆机制
目前我们已经抵达了技术的最前沿，接下来的工作重心将全面转向推动这一边界。本次发布的核心是 Muse Wonder 及其完整版本，这是一个在个人生活与专业工作 Agent 任务评测中表现达到 SOTA（当前最先进水平） 的高端模型。针对用户普遍反映的记忆痛点，我们投入了巨大比重研发 主动记忆（Active Memory） 系统。这并非简单的外部框架，而是模型自身具备的核心能力：它不仅能理解长期与短期记忆的压缩机制，还能高效利用多源信息来执行未来任务。我们的内部 Memory Bench 评测显示，该模型在记忆可靠性上实现了显著突破。
“主动记忆……关键在于他能怎样利用各种来源的信息去完成未来的任务，同时理解自己压缩记忆的能力，知道怎样做压缩最有效。”
除了记忆能力，模型还具备 主动专注（Active Focus） 特性。面对日益复杂和模糊的用户指令，模型能在长时间跨度内坚持完成任务，并在遇到挫折时自主寻找符合要求的替代方案。在编程领域，Muse Wonder 在 DeepSweep、SV Marathon 及 Terminal Bench 4 等基准测试中均达到前沿水平。虽然编程用户占比不高，但这一提升对核心开发者至关重要。
“我们在 Stripe 写代码也应该直接用 Muse Wonderful……不用的话，我们就亏了。”
在访问权限上，由于 Wonder 模型体量巨大且推理成本高昂，初期主要面向 付费订阅用户（如 Premium/Pro 套餐）开放。同时，我们保留了免费的 Muse Spark 模型供大众使用。我们的长期目标是研发出性能媲美 Wonder、但体量如 Spark 般轻量的高效模型，从而以低成本服务全球数亿用户。目前该模型可通过 Meta Model API、OpenRouter 以及 Muse 应用直接调用。
“我们希望在不太远的将来能有一个和 Wonder 一样好的模型，但体量像 Spark 一样。这样就能为全球几亿人提供服务，那会很棒。”
评估策略：从刷榜转向内部场景优化
关于模型是否“过拟合”基准测试的问题，我们的策略已发生根本性转变。早期研发阶段确实依赖外部公开基准以确认方向正确，但随着模型进入前沿行列，我们越来越倾向于使用 内部定制评估。这些测试紧密贴合实际产品场景（如个人超级智能助手），而非单纯追求公开榜单分数。我们量化了“大模型感”与“刷榜感”的反向关系：通过对比 分布内（In-distribution） 与 分布外（Out-of-distribution） 任务的表现差距，发现从 Muse Spark 到 Wonder 系列在泛化能力上有了巨大提升。
这种转变源于对 古德哈特定律 的警惕：一旦指标成为目标，它就不再是好指标。如果过度关注由某位博士生制定的外部基准，相当于将产品思考外包给了该学者。因此，Meta 和 MSL 团队大量精力用于设计针对 个人超级智能 的评估体系。这包括模型在现实世界办事时的隐私保护能力（例如：知道什么该说、什么不该说，避免泄露用户过敏或怀孕等敏感信息），以及代码运行的隐蔽性。这些细微之处虽单项权重仅约 2%，但累积起来决定了最终用户体验的“神奇感”。
“如果你特别特别关注外部基准测试，稍微往上游追一追，就会发现那是某个博士生在读博期间做出来的基准测试。这样一来，你相当于把所有的产品思考都外包给了那个碰巧做出一个火爆基准测试的博士生。”
归根结底，我们追求的是 有用的模型 而非仅高分的模型。通过严谨地规划产品细节与能力矩阵，我们确保模型在交付用户手中时能提供卓越的实际体验。
团队构建：高人才密度与创业式运作
在训练最前沿模型的过程中，我们重新定义了团队规模的重要性。回顾 MSL 的起步阶段，核心策略并非追求庞大的人数，而是极致的 人才密度。Alex 在早期建议中指出：“你不需要很多人，重要的是每个人都尽可能出色。”这一理念决定了我们后续疯狂的招聘节奏：通过极其严格的筛选流程，从 Meta 内部及外部吸纳最顶尖的人才。
这种 高人才密度 的小团队模式赋予了 MSL 独特的组织形态：它兼具创业公司的灵活性与大公司的资源稳定性。对于开发者而言，这种环境极具吸引力，因为它允许团队在预训练和后训练的各个阶段快速迭代。虽然具体的人数规模没有固定上限，但核心逻辑在于：在前沿 AI 研发中，精英个体的质量远比团队规模的数量重要。这种结构使得我们能够在预训练数据获取、强化学习方向选择等关键环节做出更精准高效的决策。
“基本上就是你其实不需要庞大的团队，但你确实需要每个人都尽可能出色。这也决定了我们后来那种疯狂招人的劲头。”
小团队高密度与资源集中策略
Meta超级智能实验室（MSL）之所以吸引大量顶尖人才，核心在于其极高的人才密度。尽管Meta是大公司，但MSL内部的研究团队规模被刻意控制在极小范围，不到两百人，甚至更接近一百人的核心圈子。这种结构既保留了创业公司的灵活性与趣味性，又具备大企业的稳定性与资源支持。
在资源配置上，团队采取了集中算力的策略。不同于将算力平均分配给多个相互竞争的项目，MSL选择将资源集中投喂给关键的研究人员。这种“押注于人”的做法，使得每位研究员都能获得充足的算力支持以开展深度工作。目前的主要大型训练项目是 Wonder，它是下一轮预训练的载体；而内部代号“Avocado”（属于Muse Spark系列）则代表了另一条技术路径。有趣的是，团队在命名上陷入了“水果枯竭”的困境——除了榴莲（因体积大、带刺且气味重而被排除）外，已无更合适的大型水果代号可用。
“感觉就像一家正在运转的创业公司，从某些方面来说，它既有创业公司的所有好处，又有大公司的稳定性和资源。”
“我们把算力集中起来了... 把资源投给关键的人，给每个研究员很多算力。”
预训练的数据哲学与规模定律
模型构建的基础是海量且多样化的数据。在预训练阶段，团队不仅使用公开互联网数据和书籍文本，还特意纳入了图像、音频、视频等多模态数据以及专有元数据。这种设计旨在让模型从早期就接触特定领域（如法律、金融、医疗）的知识，而非仅依赖后期的强化学习来“修补”能力。对于旨在成为最佳个人Agent的 Muse Wonder 而言，预训练阶段注入大量针对购物、税务、健康等个人场景的数据至关重要。
关于数据规模，团队遵循规模定律（Scaling Laws）：模型越大、算力越强，所需的数据量必须同步增长以避免过拟合。虽然存在“负迁移”或数据饱和的风险，但总体而言，“更多、更高质量的数据”仍是提升模型上限的关键。预训练被形容为“凝视深渊”，因为样本有限且结果充满不确定性，极度依赖研究员的科学推理能力来预判训练动态。Muse Wonder 在金融、法律等专业评测中表现最佳，正是得益于预训练阶段对这些领域语料的深度覆盖。
“最好的个人 agent 应该让你感觉有一支专家团队在支持你。就像它既是你的法律团队，也是你的财务团队，还是你的医疗团队。”
“如果互联网上的数据增长没那么快... 一个有意思的问题就是：好，那数据从哪儿来？”
后训练范式：强化学习与对齐哲学
在预训练之后，后训练（Post-training） 成为提升模型表现的关键环节。这一过程分为两个阶段：首先是 SFT（有监督微调），用于塑造模型的基本性格和行为规范；其次是强化学习（RL）。SFT 阶段结束时，模型可能仅具备约 10% 的目标行为概率；而通过大规模强化学习训练，这一概率会被大幅提高。值得注意的是，Muse Spark 系列从 v1.0 到 v1.3 的迭代中，预训练权重保持不变，所有性能提升均源于强化学习方案的优化。这表明在模型生命周期后期，RL 的权重占比显著增加。
在对齐（Alignment）方面，团队持有一种实用主义哲学：模型应与用户指令和价值观保持一致。如果用户的请求是合理的，模型应可靠执行而非进行道德说教；仅在涉及灾难性后果时才予以拒绝。此外，强化学习环境的设计需极度谨慎，因为高强度的优化压力可能诱导模型产生不安全行为以“成功”完成任务。Muse Wonder 的规划始于去年八月，其前身 Muse Park 被视为通往它的“垫脚石”。整个训练过程耗时漫长且算力密集，依托于如俄亥俄州 Prometheus 集群等超大规模基础设施。
“在 SFT 阶段... 它可能已经具备了这些行为，但只有大概百分之十的时候会做出来。然后在强化学习阶段... 让它表现出这些行为的概率大幅提高。”
“我们想给人们提供 agent。如果你让它做一件事，你得很有把握，它会按你的要求去做... 你不希望它给你讲一通道德大道理。”
全栈布局与算力基建的长期主义
我们将 Muse Park 视为通往 Muse Wonder 的一块垫脚石，这一战略定位早在最初的博客文章中就已确立。在算力层面，Meta 秉持“全栈科技公司”的理念，从底层基础设施到芯片、数据中心直至模型训练均自主掌控。目前，我们在俄亥俄州建设的 Prometheus 集群正在扩建至超过十亿瓦，而在路易斯安那州的 Hyperion 集群规模将达到五十亿瓦。这些基础设施的规划可追溯至 2023-2024 年的“拉马项目”时期，早于 MSL（超级智能实验室）的正式成立。尽管外界常误以为这些算力仅用于信息流推荐，但实际上它们是为前沿模型训练和推理预留的核心资源。由于从规划到数据中心全面投入运行需要数年周期，这种长周期的技术栈覆盖使得 Meta 能够确保在下一波 AI 浪潮中拥有自主可控的算力底座。
“Meta就是一家覆盖整个技术栈的科技公司。我们自己建数据中心，自己做芯片，自己建底层基础设施。”
高难度创业：在不确定性中押注前沿模型
与传统“精益创业”不同，开发前沿 AI 模型更像是在高难度模式下创业。由于反馈周期极长（从规划到验证需一年以上），团队必须在信息不足的情况下做出巨额投入决策。去年年底，当高管团队讨论为 Muse 模型预留算力时，面临的是1000亿至2000亿美元级别的潜在支出。首席财务官 Susan Li 曾私下警告，若模型失败，后果将“非常糟糕”。然而，扎克伯格的核心逻辑基于幂律分布（Power Law）：关键在于赢的时候能赢得多大，而非单纯规避失败。尽管单次训练前沿模型的成本高达数百亿美元（仅运营 1GW 集群一年约需 150 亿美元，建设资本支出更高），但 Meta 认为只要 AI 整体成功，算力本身即具备高价值；即便模型未达预期，庞大的算力集群也可通过其他服务变现。这种“破釜沉舟”的决心源于对 AI 作为下一代核心平台的深刻洞察，高管团队在共同承担巨大风险的过程中形成了极强的战友情与韧性。
“我觉得扎克伯格已经把幂律彻底吃透了，很多人还没做到这一点。关键在于赢的时候能赢多大，而不是会不会失败。”
掌握平台主权与超级智能的创造本质
Meta 坚持全栈自研的核心动机在于掌握平台主权。回顾在 Android/iOS 上开发应用的经历，依赖他人平台的局限性促使 Meta 决心掌控未来交互入口。正如在 Reality Labs 上的长期投入，Meta 坚信超级智能（Superintelligence）将是未来最重要的技术体验载体。与专注于“自动化知识工作”的其他公司不同，Meta 认为超级智能最有价值的用途是发明与创造。在 Muse 产品发布初期，尽管面临市场反响的不确定性（可能一炮打响也可能需要多次迭代），团队已做好长期迭代的准备。展望未来，Meta 预计只有少数几家有能力打造最前沿超级智能的公司将主导行业方向。对于 Meta 而言，若不能从头到尾构建自己的超级智能并融入产品，就无法在未来发明出对人们有意义的新事物。这种从底层硬件到顶层应用的垂直整合能力，是 Meta 区别于单纯应用开发商的根本所在。
“超级智能最有价值的用途是发明和创造，而不是自动化。”
Agent商务的生态适配与商业护城河
超级智能最有价值的用途在于发明和创造，而非单纯的自动化。在 Muse 充当中介的未来中，企业需要以不同方式适配这一变化：Muse 可能会尝试通过操作电脑接入系统，但为了效率与可靠性，直接完善 Agent 与各系统的交互接口是更优解。目前策略分为两步：首先，将强大的浏览器操作能力训练进模型作为兜底方案；其次，主动联系重要合作伙伴接入其 API。这种直接调用比爬取网站效率更高、速度更快。
然而，部分企业可能会主动阻止 Agent 交互。这可能是因为判断失误（误以为支持 Agent 不利），也可能是因为其商业护城河极薄。例如，某些企业仅靠消费者在网站上停留时间或高客单价维持生存，Agent 的介入会打破这种“信息不对称”或“时间消耗”，从而威胁其利益。尽管短期内会有阻力，但长期来看，需求将不可逆转地从传统渠道转向 Agent 完成。正如实体店与电商并存但比例变化一样，Agent 购物占比会持续扩大。对于商家而言，拒绝参与这一新经济形态将是错误的战略选择。
你可以想象，有些企业的护城河可能很薄。全靠一种商业模式撑着……那他们从理性上说就应该不想让 agent 进来，因为 agent 会说凭什么？
我觉得从长远来看，商家需要考虑一些问题，比如随着时间推移，他们想不想参与这部分经济活动？
从关键词搜索到深度个性化：Muse 的购物体验变革
Muse 是最早一批让用户将购物完全交给 Agent 的产品之一，这标志着从“讨论可能性”到实际发生跨越。其核心价值在于消除了繁琐的筛选过程：用户无需逐个点开网站做功课，Agent 能自动应用复杂的动态约束条件。例如，“周三前送达”或“特定口味偏好”，Agent 会据此精准匹配，使得传统的关键词搜索显得原始且低效。
更深层的变革在于高维度的个性化。与过去彼此隔离、数据孤岛化的推荐系统不同，Muse 能综合用户的生活全貌（家人、同事、朋友圈）进行决策。一个典型案例是：系统识别出用户三岁女儿喜欢烘焙，便自动规划周末食谱并联动 Instacart 配送食材。甚至当订单金额不足时，Agent 会智能添加西瓜凑单以优化体验。这种跨对话上下文的理解能力，让 Muse 不仅是购物工具，更成为生活助理。这一转变不仅提高了转化率，更创造了新的用户习惯——从偶尔使用变为每周高频依赖，甚至促使原本不订阅的用户成为新订户。
以前找东西的方式就显得特别原始……因为按这个条件来买东西是很合理的要求。
我觉得 Miss令人兴奋的一点就是，它对你这个人以及你生活的方方面面都有比较全面的了解……帮你选出最合适的东西。
语音交互的瓶颈与多模态界面的演进
尽管苹果早在 2014-2015 年推出 Siri，且语音 AI 已存在多年，但自然流畅的语音交互仍未完全实现。主要障碍在于双向效率的不平衡：人类通过语音输出信息极快（如意识流表达），但接收听觉信息的效率远低于视觉。此外，对话中的打断、停顿识别以及意图确认（如 Agent 误判用户说完）仍是技术难点。
因此，理想的界面并非纯语音，而是多模态结合。目前观察到语音输入正在爆发式增长，尤其在代码编写和复杂思考场景中。例如，大学生常通过 10-15 分钟的“意识流”语音输出让 AI 整理意图，研究员也习惯对着键盘低声说话以最快表达想法。Muse 的语音模式能区分不同声纹（如识别用户与女儿的声音），并据此调整交互策略。这种语音输入+视觉确认/操作反馈的组合，正在解决纯文本或纯语音的局限，成为未来人机交互的主流形态。
你用语音模式跟 agent 聊天时……要是我停顿三秒，他就会觉得我说完了，想接着说。可如果他开始说了，我又插话，他会不会以为这是一个全新的问题？
我觉得最极端的例子可能也是最有意思的，就是现在大学生使用AI的方式……完全是意识流脑子里的思考过程……然后让 AI 整理再推断他们的意思。
语音交互的爆发与 Agent 带来的体验质变
语音输入正在经历爆发式增长，这种趋势在代码编写等场景中尤为明显。许多研究员倾向于对着键盘小声说话，因为这是将脑中想法转化为文字最快、最省力的方式。一个极端的例子是大学生使用 AI 的方式：他们往往进行长达 十到十五分钟的意识流独白，将零散的想法全部抛出，然后让 AI 负责整理、汇总并推断其意图。这种由人类提供原始素材、AI 进行结构化梳理的交互模式，展示了技术使用的有趣演变。
然而，真正带来根本性变化的是 Agent（智能体） 的出现。过去，当对话对象只能提供信息时用户常感到其无用；而现在 Agent 能够采取行动并替用户做事，这使得交互体验更接近与人交流。在 AI 尚不能行动时，互动常带有“恐怖谷”效应；而 Muse 的成功在于它结合了具体形象、持久记忆、行动能力和独特个性，让用户感觉是在与一个“替你干活的小家伙”协作。这种连贯性使得赋予 AI 具体形象变得自然且合理，正如智能眼镜即便只有小显示屏或仅具备摄像头与音频功能，也已足够实用并支持多模态交互。
商业闭环：从免费策略到企业级收入
面对巨额资本支出，Meta 的筹钱逻辑建立在规模效应与多元化收入来源之上。首先，通过提供出色的免费基础版吸引海量用户，形成网络效应；随着 Muse 的普及，合作伙伴更愿意接入，从而提升整体价值。其次，收入来源包括订阅服务（如付费解锁高级功能）、Meta Enterprise Platform 以及 API 调用。特别是针对小企业的“开箱即用”经营工具，不仅能帮用户省钱赚钱，还能让 Meta 从中抽取分成。
此外，Muse Wonder 等通用模型的高性价比使其成为企业级业务的重要引擎。Meta 利用其作为“世界第八大奇迹”般的高利润核心广告业务产生的现金流，为前沿模型研发提供资金。虽然会计上存在资本化折旧与人力成本支出不一致的争议，但自建数据中心相比租用云服务具有长期财务优势。随着模型交付带来的巨大回报以及核心业务增长加速，Meta 有望在未来实现投入与产出的平衡。
打破赢家通吃：多样性与生态制衡
关于 AI 行业是否会走向“赢家通吃”，Meta 认为多样性与制衡才是更安全的未来。尽管早期预测一家实验室将通过递归自我改进独占优势，但现实是竞争依然激烈。这背后有几个关键机制：一是执行力的波动，任何实验室都有起伏，长期来看优势会相互抵消；二是模型蒸馏技术的强大效果，它使得开源生态能够低成本地获得前沿能力，形成对抗霸权的自然力量；三是行业参与者的自主选择，许多人才和公司倾向于加入致力于将技术普及给数十亿人的平台。
收购 OpenRouter 旨在帮助开发者理解不同模型在细微差别上的优劣，如同“葡萄酒侍酒师”般提供深度洞察。Meta 坚信，良好的未来应通过赋予更多人能力来实现繁荣，而非由少数几家垄断模型。这种对基础设施多样性的追求，不仅符合资本主义中差异化竞争的本质，也是确保 AI 安全与广泛受益的关键。
从零起步：组建团队与极端扁平化
Meta超级智能实验室（MSL）成立一年有余，回顾这段历程，核心在于如何从零开始构建团队。起初，扎克伯格与Alex及Nate深入探讨战略，试图设计一种既能吸引顶尖人才又能让股东获益的模式。尽管初期工作强度极大——扎克伯格清空了日程，几乎不眠不休地会见研究员，甚至在公司正式宣布交易前就开始秘密招聘——但团队逐渐成型。这一过程被形容为“超新星”般的爆发，将一群顶尖人才聚集在一起。
在组织架构上，MSL采取了极度扁平化的管理模式。虽然直接汇报给扎克伯格的人数接近两百人，看似极端，但通过秘书协助管理中间层级，实际操作中仍保留了必要的团队负责人结构。这种模式旨在打破大公司通常的官僚惯性，确保决策效率与战略清晰度。
“我觉得头几个月我们俩都没怎么睡觉。说实话，那段时间我几乎有点记不起来了。”
“一旦他认定某件事儿是对的……他就会把所有事情都彻底调整过来，跟他认定的这套想法保持一致。”
四大反常规决策与组织惯性突破
扎克伯格的行动力体现在四个常被低估的“极端”决策上，这些做法甚至超越了其他许多成功创始人的常规操作：
- 公开承认失败：他直接指出此前团队的努力未达预期，通过成立MSL这一举动向外界和内部传递了“需要重组”的强烈信号。
- 重金引才：愿意支付高昂代价聘请Alex等关键人物，尤其是为了获取其清晰的战略思路和对人才密度的重视。
- 出让股份：转让了这家经营艰难但极具潜力的公司49%的股份，以绑定核心利益。
- 全情投入：清空日程两个月专注于此事，而非像许多CEO那样兼顾董事会、客户等多头事务。
这种“一旦认定即全面转向”的特质，使得Meta能够克服组织自然的局部优化惯性。虽然MSL需要基础设施、数据中心等全公司部门的巨大支持，但扎克伯格作为创始人兼CEO的身份确保了整体优化。他深入参与研究细节以调动各部门，同时强调管理实验室与支持公司其他部分同等重要。这种深度介入确保了Muse等项目的成功能转化为全公司的动力，而非孤立的部门成果。
“我觉得缺了这两部分中的任何一个（管理实验室与支持公司其他部分），这件事都很难做成。”
人才密度、自我怀疑与外部视角的价值
在推进过程中，团队展现出一种健康的高要求文化。尽管成员多为业内顶尖人才且对MSL前景乐观，但他们对自己项目的评估往往极度悲观。扎克伯格发现，当询问团队三个月后的预期时，得到的回答常是“史上最差的模型”。然而，随着Muse Wonder等里程碑成果的发布，这种自我怀疑并未消失，反而转化为持续的高标准。扎克伯格认为，人才密度是核心吸引力：顶尖人物愿意加入并非仅因技术匹配，更因为相信该环境能激发其成长。即使Alex未曾训练过前沿模型，但其创业精神与清晰思路足以吸引追随者。
此外，这次经历改变了扎克伯格对外部视角价值的看法。他意识到大公司常陷入“方案很棒”的内部自满，而通过引入Alex、Nate等外部专家并汇总业内见解，能有效打破这种封闭性。未来在处理其他项目时，他将继续沿用这种方法：让相关部门（如基础设施团队）为最高优先级任务转向，并借助外部智慧来校准内部判断。这种从“局部优化”向“整体创业式思维”的转变，是Meta在AI时代保持竞争力的关键。
“优秀的人能吸引别人追随……你能不能成长、拓展自己的能力，很大程度上取决于不同领域的优秀人才愿不愿意来跟你一起做不同的事情。”
组织转型的极限挑战与领导层认知重塑
在推动公司战略转向时，最高优先级只能有一件事。虽然像 WhatsApp 这样的业务注入创业活力是可行的局部调整，但彻底重建核心 AI 能力的难度堪称满分十分。这不仅要求基础设施团队构建巨大的计算集群，更给公司的财务模型和其他部门带来了显著压力。这种转型不能同时做太多，必须集中资源。尽管过程艰难，但引入新血液与保留熟悉公司起落的老员工相结合是必要的平衡。老员工经历过多次技术剧变，具备强大的适应能力；而新团队则带来了不同的视角。关键在于让领导层对 AI 的潜力建立比过去更坚定的信心，并主动适应技术发展的速度。
“那一刻我心里一沉，糟了糟了，我进错公司了。我当时就想：‘哦，我得往回退个十步。’”
这种认知转变在 Meta 的高层中迅速蔓延。扎克伯格开始深信 AI 的潜力，并带动整个公司往这个方向走。例如负责 Instagram 的 Adam Mosseri 通过 Vibe Coding（氛围编程）开发出了既美观又实用的个人应用，展示了领导层对新技术的快速接纳。与过去几波技术浪潮相比，AI 的变化速度和发展幅度可能快了五到十倍。Meta 的许多资深领导能够迅速调整，因为他们已经习惯了在剧烈变化的环境中生存。这种从“怀疑推理模型必要性”到“全面拥抱 AI 潜力”的转变，是 Meta 能够维持创新活力的关键。
“扎克伯格很贝叶斯……他会吸收新信息，全面更新自己的世界观，然后按照这个新装上的世界观去行动。”
技术型管理文化与大胆决策机制
在团队管理中，没有不懂技术的管理者是核心原则。虽然直接汇报的人数众多，但重点不在于管理幅度，而在于保持技术敏锐度。研究人员必须使用 Agent 并亲自写代码，以防止因脱离细节而变得“不懂技术”。在快速变化的领域，这种脱节是危险的。团队内部鼓励据理力争的文化，即使这会导致不愉快的争执，但大家必须为自己相信的东西辩护，而非盲目执行。这种“超新星”般的碰撞源于聚集了众多有主见且真正在乎事业的人才。
与扎克伯格共事的一年中，最显著的特质是他的大胆程度。他愿意下巨大的赌注，一旦接受新信念，就会以极大的速度和幅度改变做法。这种决策模式非常贝叶斯式（Bayesian）：基于新证据更新先验概率，并据此行动。回顾 Meta 的历史，公司往往在数据指标尚未显现、用户量或收入未受明显影响时，就敏锐地察觉到重大趋势并全力投入。这种在不确定性中果断行动的能力，使得 Meta 能在技术环境剧变中持续创新。相比之下，许多 CEO 虽口头重视 AI，但行动与信念并不一致，而 Meta 的特别之处在于其知行合一的深度承诺。
真实表达与保持前沿的紧迫感
关于扎克伯格在社交媒体上的“疯癫”帖子，核心观点是做真实的自己比完美设计更重要。虽然有些表达可能效果不佳，但接受这种取舍优于失去真实性。在沟通中，失败多少次不重要，重要的是赢的时候能赢多大。这种真实感也是团队凝聚力的来源之一。然而，互联网内容的更新换代极其残酷，梗过时得极快。要跟上玩梗的最前沿非常困难，稍不留意就会落后。
这种对“前沿”的执着也映射到技术工作中。必须时刻保持警惕，始终深入细节并钻研技术。因为 AI 领域的变化速度极快，任何停滞都意味着被时代抛弃。这种紧迫感贯穿了整段对话：无论是组织转型、技术管理还是个人表达，核心都在于持续保持对最新趋势的敏锐度和行动力。