随着Meta将AI基础设施规模扩展至超过5吉瓦，公司创始人兼CEO马克·扎克伯格与Meta超级智能实验室（MSL）首席AI官亚历山大·王（Alexandr Wang）近日在一场对谈中，深入解析了新发布的Muse Wonder模型及个人AI代理的未来愿景。
两人回顾了创建MSL的历程、全面人才重组的决策，以及在模型效果尚未完全验证前，便做出超1000亿美元资本支出承诺背后的考量。他们详细剖析了Muse Wonder的架构，包括其主动记忆、多模态感知及前沿编码能力，并阐述了对于代理式商务、智能眼镜等硬件形态的布局，强调超级智能应服务于数十亿用户。
模型即产品：重新定义AI体验
扎克伯格指出，业界正呈现“产品界面变薄，模型成为核心”的趋势。Meta内部强调“模型即产品”，这意味着隐私安全、数据连接及性格塑造等复杂工作已内化至模型训练中。亚历山大·王补充称，AI产品的差异化更多源于模型的行为逻辑、主动性及交互细微差别，这取决于训练方法、数据及评估体系的选择。
在个人用例方面，亚历山大·王展示了自己的助手“Oiler”，它能自动从台湾或日本的农场采购冷门茶叶；扎克伯格则利用Muse进行MMA教练服务，通过实时分析健身房摄像头视频，在回合间隙提供反馈。这不仅考验模型的视觉处理能力，还要求其在极短时间内完成复杂推理并优化代码。
Muse Wonder：新一代前沿代理模型
Muse Wonder是Meta推出的最新前沿级模型，相比此前的Muse Spark，其规模显著增加，思维细腻度大幅提升，旨在成为最佳的个人和专业代理模型。亚历山大·王介绍了三大核心增强能力：
- 主动记忆：模型能记住数天至数月前的信息并在未来任务中调用，这是构建可靠个人代理的关键。
- 主动聚焦：模型在执行长期复杂任务时具备持久力，能在受挫时识别并寻找替代方案。
- 领域专业知识：在法律、金融、税务及个人健康咨询等领域表现卓越，提供专家团队般的支持。
此外，Muse Wonder在DeepSWE和SWE-Marathon等编程基准测试中达到领先水平。该模型将通过Meta Model API和OpenRouter提供，其中高性能版“Muse Wonder Full”面向付费订阅用户，基础版Muse Spark保持免费，以确保广泛可用性。
人才密度与基建豪赌
扎克伯格强调了“人才密度”的重要性。MSL研究团队人数不足200人，但每位研究人员均拥有极高的资源投入和算力支持。这种结合初创公司敏捷文化与大公司资源稳定性的模式，推动了高效迭代。
在基础设施方面，Meta已建成位于俄亥俄州、算力超1吉瓦的Prometheus集群，并正在路易斯安那州建设算力达5吉瓦的Hyperion集群。这些设施早在MSL成立前就已规划，旨在支撑从预训练到后训练的完整端到端技术栈。
拒绝“刷榜”：关注真实泛化能力
针对模型过度拟合公开基准测试的质疑，两位高管表示，Meta更关注针对个人代理场景的内部定制评估。真正的对齐不仅是避免有害内容，更是确保模型准确理解指令并保护用户隐私。亚历山大·王提出“大模型气味”概念，通过衡量模型在分布内和分布外任务上的性能差距，量化其真正的泛化能力和自然智能。
模型训练分为预训练和后训练两个阶段。预训练摄入海量多模态数据，侧重广度和多样性；后训练包含监督微调（SFT）和强化学习（RL），前者确立基本行为和性格，后者通过奖励机制提升复杂场景表现。从构想到发布，Muse Wonder的研发历时数月，标志着Meta在个人超级智能道路上的重要里程碑。