Meta押注个人AI智能体Muse：200人团队，做了七个月

9月，Meta（META.US）上线个人AI智能体Muse，很快引来市场关注。

Meta首席AI官、Scale AI联合创始人Alexandr Wang（下称Alexandr）10月11日做客David Senra的访谈节目时说，Muse的用户已经达到数百万。他转发的一条外部增长曲线显示，这可能是ChatGPT之后增速最快的消费级AI应用之一。

访谈里，Alexandr没有给出更细的用户数字，留存、调用成本和收入也没有公开。不过Muse走红之后，Meta讲出了一个新故事：编程智能体吸走了行业大部分注意力，OpenAI和Anthropic在模型和开发者上互相较劲，Meta则把筹码压向个人智能体和消费级AI。

Muse的源头，是Alexandr和Meta副总裁Nat Friedman密集试用OpenClaw的那段经历。两人从中看到，智能体一旦获得用户信任、能碰邮件、照片、摄像头和电脑，就可能长成和聊天机器人完全不同的东西。可OpenClaw也把这类产品的命门摆了出来——偶尔让人“惊叹”，大多数时候却不够可靠。

在Meta内部，做出Muse原型只用了一到两周，之后花了七个月，才把这个时常出错的演示品打磨成能交到普通消费者手里的应用。

“七个月听起来也许不长，但在AI行业，七个月可能相当于过去的十年。”

Muse背后其实是Meta的三个判断：消费级AI还存在一条不同于编程智能体的路；智能体得先把可靠性问题解决掉；大公司靠不到200人的团队，也能做核心产品。

分享中Alexandr提到，他和Mark Zuckerberg定下了小团队、扁平结构、高人才密度的原则。聊到商业模式，他把前沿AI研究比作“采钻石”：多数探索打了水漂，可只要有一次突破，就能把全部投入赚回来。他创办的Scale则更像“盖摩天大楼”，靠效率改善和运营换来线性增长。从创业者变成大公司团队负责人，Alexandr说自己在Meta更像教练和环境的守护者——把方向定下来，找到最好的人，然后给他们足够的空间去发挥。

不跟Coding，Meta把赌注下在个人AI

Muse立项那会儿，行业共识正在往另一个方向跑。

2026年初，Claude和Opus在编程能力上明显领先，Anthropic的增长速度压得整个行业喘不过气。Alexandr回忆，当时最主流的说法是：“编程智能体才是唯一重要的产品形态，甚至可能是高级AI唯一值得争夺的能力。”

编程是一条看得清的商业路线：使用频率高，付费意愿明确，模型能力能直接变成生产效率。个人智能体要面对的任务更开放，在权限、隐私、支付和执行这些环节都更容易出错，怎么收费也还没想明白。

可Meta偏偏选择离开最拥挤的战场。

Alexandr给出的理由和Meta已有的业务有关。他把人的时间分成两类：想做的事，以及不得不做的事。后一类任务，AGI可以接走。

而Instagram、WhatsApp和Facebook装的是兴趣、朋友和家人。Alexandr说，“Meta的产品代表了我们都想做的事情。”Meta的应用每天触达约35亿用户，这让公司更适合做消费级AI。

所以Muse并不打算再做一个聊天入口，它被定义为能替用户“行动”的个人智能体：使用电脑和互联网，完成预订、搜索、沟通、取送物品等任务，随着信任增加，再逐步接管更复杂的工作。

OpenAI和Anthropic走的是另一条路，先从通用模型、企业服务和开发者工具建立商业化。Meta想把AI放进数十亿人的日常生活。Muse一旦成为用户调用互联网服务的入口，就可能串起搜索、电商、支付和本地服务。

智能体最大的护城河：不是能力，是可靠性

Alexandr反复强调，个人智能体以前不是没有价值，而是“不够完整、不够可靠”。

OpenClaw曾经快速流行，又很快退潮。Alexandr认为，问题不在需求消失，而在于用户连续碰到几次错误之后，就会彻底失去信任。“如果用户连续碰到几次不可靠的体验，就会直接把它当成垃圾。”

聊天机器人答错一个问题，用户可以重新提问。智能体会替用户发邮件、下单、移动文件，还会调度现实服务，一次错误就可能带来时间和资金损失。

正所谓“行动能力越强，失败成本越高”。

为了解决“可靠性“，Muse团队列出一百多项理想个人智能体必须具备的行为和能力，给每一项建立评测，并设下阻止发布的红线。很多模型版本能让80项指标变绿，却仍有20项不达标。直到经过专门训练的Muse Spark 1.3第一次全部达标，团队才认为产品具备上线条件。

在 Alexandr 看来，评估模型不能光看跑分，团队还盯着另外三件事：任务能不能稳定做完、模型会不会向用户交代进展、需要人指点时懂不懂回头来问。把活干完，只是这几条里的一条。

Alexandr 的看法是，今年冒出来的智能体产品“几乎都出现了大规模流失，根本原因就是不可靠”。为了验证这一点，Meta 给 Muse 做了好几轮新用户测试，找的是完全没碰过产品的人，从下载那一步开始用起，看他们能不能分清智能体和聊天机器人有什么不一样。

Muse 留住用户的办法，Alexandr 把它叫作层层递进的“信任测试”。一开始用户只交办一件小事，办成了，再交一件更复杂的。每成功一回，用户就肯多让出一点权限和责任。他自己拿 Muse 当“第二个大脑”，好几个工作流都在后台跑着。

放到消费级智能体身上，光看日活跃用户数并不够。用户敢把多重的任务交出去、愿意开放多少数据和权限、搞砸一次之后还会不会回来，这些才更贴近产品的真实价值。Meta 要做的，是把这份信任变成更高频、也更重要的使用。

七个月打磨，团队不到200人

Muse 从原型走到发布，花了七个月。Alexandr 说这里面需要“巨大的耐心”，因为七个月的 AI 时间“可能相当于过去十年”。

这七个月里，华尔街对 Meta 的质疑一直没停。外面最常讲的一个说法是，Meta 在 AI 基础设施和人才上砸了大钱，却没证明自己拿得出领先产品。Llama 4 没达到公司预期之后，这种压力又往上走了一截。

Muse 也得交出证明：Meta 在 AI 上的投入能换成用户增长。Alexandr 的说法是，Muse 之所以能做出来，是因为团队肯在发布前把细节全部处理干净，靠一两个“神奇时刻”是不行的。

跟 Meta 庞大的组织体量比起来，Muse 的团队反而显得很小。模型和产品的人加在一起不到 200 人。更关键的一点是，Meta 管理层主动压住了扩编的冲动。

“我们克制住了增加人手的冲动，没有让大批员工涌进来。”在 Alexandr 看来，Muse 必须像一件完整的作品，只能有一个清楚的观点。大公司往往把不同团队的功能一股脑塞进同一个产品，最后弄成“弗兰肯斯坦”，“像一杯混合所有东西的果昔”。

对前沿 AI 产品来说，人多未必跑得快。模型和产品都得频繁迭代。决策链一长，产品就容易找不着方向。队伍小，协调成本也能压下来。

Muse 发布之后，Alexandr 又亲自扛下了相当一部分传播。他大量转发用户截图，还围着 Jolly 吉祥物发 Meme。他想让 Muse 不只靠 Meta 的分发渠道被人看见，而是真正进入互联网文化，让 Meta 重新变得有意思。

Alexandr 说，普通用户不关心 OpenAI、Anthropic 或者 Meta 做了什么研究，“他们只关心这些技术能为自己做什么”。有个用户把证件落在了飞机上，让 Muse 安排取件再送到指定地点。几张对话截图，就把个人智能体的价值说明白了。

Alexandr 也承认，Meta 并没有完整归因这些 Meme 到底带来了多少增长。不过他相信它们确实推了 Muse 一把。他还总结出一条规律：“互联网奖励风险，也奖励意外和人们没有预料到的东西。”

个人超级智能，Meta抢人才的新叙事

Muse 对应的不只是一条产品路线，它还是一套用来吸引人才的叙事。

在 Alexandr 眼里，AI 的承诺应该是把人的成长轨迹倒过来。人小时候是有梦想的，进了学校、进了职场，慢慢就变被动了。“小时候有梦想，就用AI把它实现；实现之后，再做更大的梦，然后继续实现。”个人超级智能要提升的是每个人的行动能力，而不是只帮企业压成本。

这套愿景把 Meta 的消费业务和模型研究接在了一起。Alexandr 说，很多顶尖 AI 人才更希望技术最终能帮到普通人，也希望自己的父母和祖父母能感受到它的价值。

Alexandr 称，MSL 吸引人才的一个重要条件，就是方向足够明确：“个人超级智能”是团队共同的“北极星”。同时，研究人员能在小团队里从零搭实验室，又不受创业公司的那些典型限制——Meta 能拿出算力、基础设施和数十亿用户的分发。

这也是 Meta 高价抢 AI 人才时经常被忽略的一面。外界看到的是公司给少数研究员开出惊人数字，但 Alexandr 提醒，OpenAI 和 Anthropic 估值涨得快，早期员工手上的股权已经大幅升值。对这些人来说，留在原公司同样意味着很高的潜在收入。Meta 的方案哪怕绝对数字巨大，从机会成本算也可能只是“基本持平”。

人才竞争不是单纯拿现金竞价。研究员还会比较算力、基础设施、产品机会和决策权。这些资源 Meta 都有，分发也有。问题在于，大公司的层级会不会把这些优势抵消掉。

作为 Scale AI 创始人，Alexandr 加入 Meta，本身就是这套人才策略里最大的一笔交易。对 Scale 股东来说，交易提供了流动性；对 Meta 来说，它拿到的核心并不是一家企业数据公司的业务，而是重建 AI 项目所需要的人才和组织者。

Alexandr 对“人才密度”的理解，还来自一段很具体的个人经历。

19 岁时，他还是 MIT 一年级学生，冬季学期到量化交易公司 Hudson River Trading（HRT）实习。生日那天，他和十多名哈佛和 MIT 学生坐在一张桌上。很多人早在数学、科学和编程竞赛里就认识彼此。当时那只是一场学生聚会，几年后再看，桌上的名字已经分别进了 AI、加密和企业软件的核心位置。

HRT 给 Alexandr 留下的，还有一个高人才密度组织的参照。他在访谈里提到，公司员工不到 1000 人，2026 年第二季度却做出约 110 亿美元收入、80 亿美元利润——人不多，但个个专业，只要技术、资本和反馈系统能对得上，产出就能远远超过人数本身。后来他自己做 Scale、又去了 Meta，找的一直是这种杠杆。

这批人里，有不少后来成了独角兽公司的创始人或核心骨干。Jeff Yan离开后创办Hyperliquid；Scott Wu做出编程智能体Devin，公司叫Cognition；Jesse Zhang办的是企业级AI智能体公司Decagon；Alexandr在访谈里提到的Vicky，后来去了Anthropic做研究员。

图里最右边那位是Alexandr Wang（来源：X）

200人直接汇报：小、平、技术密度高的组织

Alexandr在Scale和Meta用的管理方式几乎相反。在Scale那会儿，他认定创始人得能拿下公司里的每一件事，所以“对公司里几乎每一件小事应该怎样做，都有非常明确的观点”。好处是Scale风格统一、执行到位；坏处是他本人在很多环节上都成了瓶颈。

在Alexandr看来，这套打法适合第一次创业——创始人必须能干公司里的每一份活。可Meta要干的事不一样，模型、产品、人才三条线得同时推，他不可能每样都亲手做。于是MSL换了另一种组织设计：小、平、技术密度高。按Alexandr的说法，这已经是实验室战略的一根支柱：“如果真的把这些要素放在一起，一支团队到底能跑多快？”

实验室里有个叫TBD的研究团队，两百多号人直接向Alexandr汇报。这么设不是为了一个个盯着管，而是一种反官僚的表态。Alexandr说，这些研究员的能力早就被验证过了，他们不缺微观管理，缺的是方向、资源和空间。

团队里照样有技术负责人和小组结构，技术上有分歧时由他们拍板，只是“人员管理”的层级尽量压到最少。Alexandr自己也不再当Scale时期那种“作者”，而是转成教练、或者说环境的守护者：定好北极星，挑出特殊人才，然后让他们把自己的能力用到极限。

Alexandr也认，自己没可能成为两百多人的最佳经理。可这恰恰是设计里的一环：“他们不需要经理，需要一个好的环境。”MSL押的是，顶尖研究人员要的不是更多管理，而是更少阻碍。

这种组织方式还牵扯到资本效率。Muse不到200人的团队，已经把小团队的产品杠杆摆出来了。MSL想用更高的人才密度去换更少的协调成本。单个研究员的薪酬确实高，但组织未必非得铺大。

问题在于，规模上去之后这套还灵不灵。研究要自治，产品落地却离不开安全、合规、基础设施和运营团队。MSL还得证明，自己一边补这些能力，一边还能保持扁平。

前沿AI像采钻石，Scale像盖摩天大楼

Alexandr拿“采钻石”和“盖摩天大楼”来概括自己在Meta和Scale面对的两种经济模型。Scale的数据业务更接近盖摩天大楼，结果和投入大体是线性的，竞争优势来自流程：这个环节提2%，那个环节提1%，再从别处挤出0.5%，时间长了就攒成成本和交付能力。管这种事得扎进每个细节，搭出能复制的运营系统。

前沿AI研究更像采钻石。Alexandr给的标准是：“某一次成功会不会带来相当于投入一百万倍的价值。”大多数实验可能什么都出不来，但少数突破就能把之前所有投入都赚回来。

大型科技公司敢一直加AI资本开支，逻辑也在这里。算力和人才砸下去，短期利润被压，失败项目更是打水漂。可只要有一次模型或产品突破，前面的成本可能全被覆盖。季度回报这把尺子，量不了这种投入。

“做AI本身就更像采钻石，而Scale更像盖摩天大楼。”这句话既解释了Alexandr为什么改管理方式，也解释了Meta为什么还在买算力、抢研究员，并且允许多条路线同时试。

从Muse到MSL，Meta走的是同一次转向。产品上，从追单项模型能力改成做个人智能体；组织上，拿人才密度换速度；研究上，接受大量失败，去找少数幂律回报。

不过，采钻石不能变成无限砸钱的借口。就算回报是幂律分布，公司还是得认出高潜力方向，也得及时砍掉没价值的项目。Muse给了Meta的AI投入一个能观察的消费产品：数百万用户说明需求在，不到200人的团队说明小组织能形成杠杆。留存、成本和商业化，才决定这颗“钻石”最后有多大。