当 AI 不再回答问题，而是替你长期行动：扎克伯格的 Muse 下注

一、嘉宾背景

镜头里坐着的不是一位旁观者。Mark Zuckerberg 是 Meta 的创始人、董事长兼首席执行官，公司的总体方向和产品战略由他决定。Muse、前沿模型、智能眼镜、数据中心和青少年安全，都是 Meta 正在投入资本、组织和声誉的业务。理解这一点很重要：访谈中的判断既来自一线决策者，也服务于他正在推进的战略。它们值得认真听，但不能因为说话者掌握资源，就自动变成已经验证的结论。

提问者 Alex Heath 也不是临时来做一场产品发布采访。他在 2025 年创办 Sources，此前在 The Verge、The Information 和 Business Insider 覆盖科技行业超过十年。这个背景决定了谈话的节奏：Heath 不只问 Muse 能做什么，还追问谁来付钱、平台能看到什么、智能体泄露凭据怎么办、数据中心如何取得地方社区同意，以及 Meta 过去在 Llama 4 上哪里判断错了。

节目时长 4210 秒，约 70 分钟。它没有把 Muse 单独包装成一个新功能，而是把这款个人智能体放进 Meta 的整套 AI 下注里：能力如何分发，模型是否开放，云端个人机器如何保密，数十亿用户和数亿小企业能否成为分发优势，政府又该怎样面对不断变化的风险。真正需要读懂的，不是一张功能清单，而是 Zuckerberg 试图建立的一条因果链：个人获得更强工具，工具持续替个人行动，行动创造经济价值，Meta 再从价值流中获得收入。

这条链条同时暴露出最难绕开的矛盾。Muse 越了解一个人，就越有用；越有用，就越需要接触邮件、消息、支付、健康和商业数据。Meta 越强调广泛分发，外界就越会追问滥用与治理。Heath 的价值，在于没有让“个人超级智能”停在口号上，而是不断把话题拉回权限、价格、失败和责任。

二、本期主要内容

Zuckerberg 先给 Meta 的 AI 路线定了三个支点：把能力交到个人手里；让 AI 帮人发明新东西，而不只是自动化现有劳动；用制衡和权力平衡建立安全，而不是把最强能力锁在少数机构里。这不是 Muse 的产品文案，而是他解释 Meta 为什么要同时做前沿模型、开放生态和大规模消费产品的底层说法。

这套分发哲学很快落到现实世界。谈到数据中心遭遇地方反对时，他区分了两类建设者：愿意长期运营、纳税、雇人并投资社区的公司，和拿地、拿电、等待转卖的投机开发者。他举出教师奖金、光纤技师、电工和高级木工培训等例子，说明 Meta 希望把算力建设说成地方经济项目。这里能看出访谈的跨度：个人智能体并不只是一段软件，它依赖电力、土地、熟练工和社区许可。

Muse 的产品定义比聊天机器人更激进。Zuckerberg 描述的不是“问一句、答一句”，而是一台属于用户的长期运行机器：它有虚拟机、工具、服务登录和记忆，能在夜里继续研究，把反思写回记忆，第二天接着推进目标。用户交给它的不是单个提示词，而是一个项目。智能体需要规划、操作环境、观察结果、修正错误，并在几小时乃至几天后交付。

他给出的例子故意避开纯办公场景。Muse 可以每周为三岁女儿安排亲子烘焙项目并准备采购清单，可以抢登山许可，可以把摄像头接入 MMA 训练反馈流程。测试者还用它辅助在家教育和规划旅行。这些案例的共同点不是“模型更聪明”，而是任务跨越多个步骤、服务和时间段。cake pops 对孩子太难的失败也很关键：长期智能体不只要执行，还要从不合适的结果里更新判断。

收费思路同样围绕分发。Zuckerberg 说，早期版本计划提供每周约一亿 tokens 和虚拟机能力的免费额度，也会有订阅。更长远的想法是，当 Muse 帮小企业卖出商品、促成交易或节省开支时，只抽取很小一部分价值，甚至让合作商家支付。这个设计试图避开高价订阅对普及的限制，把 Meta 的收入和用户结果绑在一起。它仍只是路线图：如何归因价值、如何防止抽成侵蚀收益、用户能否轻松退出，访谈没有给出成熟答案。

真正决定 Muse 能否进入日常生活的，是安全架构。Zuckerberg 承认，智能体若要理解目标，就会接触广告系统、消息、邮件、健康信息和支付凭据。Meta 提出的组合包括 confidential VM、secure credential store、一次性卡号、监控进出流量的 sentinel agents、敏感操作前的人类审批，以及默认只读、按需增加权限的最小权限连接器。这里没有一个单点功能能解决全部问题。可信度来自多层限制能否同时工作，也来自出错后用户是否看得见、叫得停。

三、核心观点：推理、例子与边界

Zuckerberg 最鲜明的论点，是把“集中控制强 AI”本身视为安全风险。他担心少数实验室既掌握能力，又决定谁能使用能力。作为反例，他借用开源软件和网络安全的历史：更多人能检查系统，防守者也能获得工具，生态就有机会形成制衡。这个推理有力量，因为它提醒人们，关闭访问并不会让攻击者消失，也可能让资源较少的机构失去防御能力。

但广泛分发不能直接等同于安全。开放会增加审查，也会增加可用性；同一份能力可以加固系统，也可以被滥用。节目没有提供足够证据证明净效果在所有领域都为正。Zuckerberg 自己也划了边界：Meta 会同时做开放和闭源工作，不承诺释放每一种先进能力。因而更准确的理解是，开放既是价值主张，也是竞争策略和生态策略，而不是一条无条件规则。

在市场结构上，他不认为个人智能体会完全赢家通吃，却判断真正能做前沿工作的实验室不会很多，使用量会呈幂律分布。Meta 的筹码并非只有模型：它拥有大规模消费者入口、海量小企业关系、社交图谱和端到端基础设施。Muse 若能稳定运转，Meta 可以把它推到数亿、最终可能数十亿人面前。这种分发优势很真实，风险也同样真实——一个能触达如此多私人上下文的智能体平台，任何权限设计错误都会被规模放大。

Zuckerberg 对 Meta 自身失误的复盘，比发布口号更有信息量。他承认，公司一度以为推荐系统、广告和内容完整性上的机器学习经验，可以较顺利地迁移到大语言模型扩展；Llama 4 之后，团队发现轨迹不够好。随后 Meta 重建实验室，追求更高人才密度和更小的协作团队，他本人也花大量时间招募。这个变化说明，前沿模型研发并不只是把传统机器学习组织加大，研究问题、协作方式和决策速度都不同。

访谈还谈到代号 Avocado 和 Watermelon 的模型路线，以及更大的算力投入。这里必须保留归属：关于预训练进展、后训练潜力和即将到来的能力，主要是 Zuckerberg 对内部工作的描述，不是独立评测。模型代号和 gigawatt 级算力能说明 Meta 的投入强度，却不能替代产品可靠性、成本、延迟和安全数据。

个人智能体要从演示走向真实生活，还需要两种常被忽略的能力。其一是 coding。许多看似非编程的目标，最终会变成一段视觉管线、一个自动化脚本或一个临时应用。其二是 discretion。智能体可能知道用户怀孕、过敏、患病或财务紧张，但在订餐、预订和谈判时，只应披露完成任务所必需的信息。模型能“知道很多”不难，难的是它能在不同对象面前判断什么不该说。

Zuckerberg 的安全方案不是单一监管框架。他主张训练阶段的安全、清晰行为边界、广泛制衡和与政府保持高频沟通，因为风险会变化：此刻可能偏网络安全，几个月后可能转向生物风险。这个判断对固定法规提出了真实挑战，但“规则会过时”也不能成为降低约束的借口。更可行的方向，是把稳定原则——审计、责任、事故报告、权限边界——与快速更新的技术标准分开。

智能眼镜和青少年安全把同一矛盾带到消费产品。Zuckerberg 认为录制指示灯、抗篡改设计和年龄限制已有保护作用；Heath 则追问，为什么产品进入主流后仍会引发强烈不安。答案不只在于用户是否读过说明。摄像头出现在他人面前时，被记录者并没有签署产品条款。Meta 需要反复解释设计，也需要接受社会规范可能要求比最低技术提示更高的门槛。对青少年同样如此：年龄适配和家长控制有必要，但政策效果、适用范围与跨平台一致性仍要靠证据，而不是靠任何一方的口号。

四、学习与应用

如果要判断一款个人智能体是否真正可用，先别看它在榜单上高了几分。让它完成一个跨数小时、涉及两三个工具的任务，检查它能否保存状态、解释计划、暴露失败、恢复中断，并在关键动作前停下来等人确认。长期执行、环境控制、记忆、凭据处理、最小权限和审批边界，才是这类产品的基本盘。

权限应当按风险逐层打开。可以先从研究、整理和草拟开始，再进入只读邮箱或日历，最后才考虑发送、购买和发布。每一步都要能看到日志，知道智能体访问了什么、向谁披露了什么、为什么需要新权限。一个系统如果只有“允许全部”才能发挥价值，说明产品把自己的便利建立在用户无法审计的信任上。

结果分成的商业模式也要拆开看。按价值收费听起来比固定订阅公平，但前提是价值可归因、费率透明、取消容易，而且平台不能为了佣金把用户推向更贵的交易。Muse 的设想提供了一个值得观察的方向，没有证明这种模式已经成立。企业采购时应要求平台明确：什么算平台创造的价值，谁承担退款和错误购买，代理是否会偏向给平台更多收入的商家。

隐私不是上线前的一项合规检查。个人智能体的价值与它掌握的上下文正相关，所以架构承诺必须能够验证。Confidential VM、凭据库和 sentinel agents 都有意义，但读者仍应追问密钥由谁控制，软件更新如何审计，日志保留多久，出现 prompt injection 后谁收到通知，模型供应商能看到什么。任何“连平台也看不到”的说法，都应落到可测试的技术边界和第三方审计上。

最后，广泛分发与安全之间没有自动成立的等号。把能力交给更多人，可以减少垄断、增加审查，也会扩大攻击面。更稳妥的应用方式，是从可逆任务开始：结果能检查，权限能撤销，损失有上限，出错不会立刻影响他人。等系统在真实失败中证明自己，再扩大自治范围。一个 24/7 工作的 agent 最值得观察的时刻，不是它顺利完成任务时，而是它遇到模糊指令、恶意页面和利益冲突时，是否知道该停下来。

来源

• 原始节目：Mark Zuckerberg on how Meta's Muse AI agent will make people money