Meta如何打造Muse：200人，一场七个月的「押注」

，

作者：MD

出品：明亮公司

9 月，Meta（META.US）推出个人 AI 智能体 Muse，随后引发了市场的密切关注。

Meta 首席 AI 官、Scale AI 联合创始人 Alexandr Wang（下称 Alexandr）在 10 月 11 日与 David Senra 最新访谈中称，Muse 已经拥有数百万用户。他转发的外部增长曲线显示，这款产品可能是 ChatGPT 之后增长最快的消费级 AI 应用之一。

在访谈中，Alexandr 并未披露更具体的用户数，也没有公布留存、调用成本和收入数据，不过，凭借 Muse 的流行，Meta 开启了新的叙事。编程智能体占据行业注意力，OpenAI 和 Anthropic 争夺模型与开发者，Meta 则把选择押注向个人智能体和消费级 AI。

Muse 的起点是 Alexandr 和 Meta 副总裁 Nat Friedman 对 OpenClaw 的密集试用。OpenClaw 让他们看到，智能体一旦获得用户信任能够访问邮件、照片、摄像头和电脑，可能成为一种完全不同于聊天机器人的产品。但 OpenClaw 也暴露了这类产品最致命的问题——偶尔令人 " 惊叹 "，大多数时候却不够可靠。

Meta 内部用一到两周做出 Muse 原型，随后花了七个月，把一个经常出错的演示产品变成可以交给普通消费者的应用。

" 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 也反映了 Meta 的三个判断：一是消费级 AI 仍有不同于编程智能体的路线；二是智能体需要先解决可靠性；三是大公司也可以用不到 200 人的团队做核心产品。

分享中，Alexandr 说，他和 Mark Zuckerberg 确立了小团队、扁平结构和高人才密度的原则。而谈及商业模式，他将前沿 AI 研究比作 " 采钻石 "：多数探索没有结果，但一次突破就可能覆盖全部投入。对比之下，他创立的 Scale 更像 " 盖摩天大楼 "，是依靠效率改善和运营而获得线性增长。从创业者转变为大公司团队负责人，Alexandr 说，他在 Meta 更像教练和环境的守护者——确定方向，找到最好的人，再给他们充分发挥的空间。

不跟随 Coding，Meta 押注个人 AI

Muse 立项时，行业共识正朝着另一个方向移动。

2026 年初，Claude 和 Opus 在编程能力上大幅领先，Anthropic 的增长速度让整个行业感到压力。Alexandr 回忆，当时最主流的判断是：" 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。"

编程是一条清楚的商业路线。使用频率高，付费意愿明确，模型能力可以直接转化为生产效率。个人智能体面对的任务更开放，也更容易在权限、隐私、支付和执行环节出错。它的收费方式尚不明确。

Meta 却选择离开最拥挤的战场。

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

同时，Instagram、WhatsApp 和 Facebook 则承载兴趣、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。

因此，Muse 并不想成为另一个聊天入口而是更多它被定义为能够替用户 " 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，并随着信任增加，逐渐接管更复杂的工作。

对比之下，OpenAI 和 Anthropic 先从通用模型、企业服务和开发者工具建立商业化。Meta 希望把 AI 放进数十亿人的日常生活。Muse 如果成为用户调用互联网服务的入口，就可能连接搜索、电商、支付和本地服务。

智能体最大的护城河：不是能力，而是可靠性

Alexandr 反复强调，个人智能体此前并非没有价值，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，问题不在于需求消失，而在于用户连续遇到几次错误后，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。智能体会替用户发送邮件、下单、移动文件，也会调度现实服务。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 "。

为解决 " 可靠性 " 的问题，Muse 团队因此列出一百多项理想个人智能体必须具备的行为和能力，为每一项建立评测，并设定阻止发布的红线。很多模型版本能够让 80 项指标变绿，却仍有 20 项没有达到标准。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。

Muse 没有只看模型跑分。Alexandr 说，团队还要评估三件事：任务能否稳定完成，模型能否向用户说明进展，需要指导时能否回来询问。任务完成只是其中一项。

Alexandr 认为，年初出现的智能体产品 " 几乎都出现了大规模流失，根本原因就是不可靠 "。Meta 为 Muse 进行了多轮新用户测试，让从未接触过产品的人从下载开始使用，观察他们能否理解智能体与聊天机器人的区别。

而 Muse 建立留存的方式，被 Alexandr 称为逐步加码的 " 信任测试 "。用户先交给它一件小事。完成后，再给一件更复杂的事。每成功一次，用户就愿意多交出一点权限和责任。他自己把 Muse 当作 " 第二个大脑 "，让多个工作流在后台运行。

对消费级智能体来说，日活跃用户数还不够。用户愿意交付多大的任务，开放多少数据和权限，一次失败后是否还会回来，这些指标更接近产品价值。Meta 需要把信任转化为更高频、更重要的使用。

七个月打磨，团队不到 200 人

Muse 从原型到发布用了七个月。Alexandr 说，这个过程需要 " 巨大的耐心 "，因为七个月的 AI 时间 " 可能相当于过去十年 "。

在此期间，华尔街对 Meta 的质疑并没有停止。外界最常见的叙事是，Meta 正在 AI 基础设施和人才上投入巨额资金，却没有证明自己能做出领先产品。Llama 4 未达到公司预期后，这种压力进一步上升。

Muse 也需要证明 Meta 的 AI 投入可以转化为用户增长。Alexandr 称，Muse 能做出来，是因为团队愿意在发布前处理所有细节，不能只靠一两个 " 神奇时刻 "。

与 Meta 庞大的组织规模相比，Muse 的团队反而很小。模型与产品人员加起来不到 200 人。更重要的是，Meta 管理层主动克制了扩充的冲动。

" 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 必须像一件完整作品，只能有一个清楚的观点。大公司常把不同团队的功能塞进同一个产品，最后变成 " 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，更多人不一定带来更快速度。模型与产品需要频繁迭代。决策链越长，产品越容易失去方向。小团队可以减少协调成本。

Muse 发布后，Alexandr 又亲自承担了相当一部分传播工作。他大量转发用户截图，并围绕 Jolly 吉祥物发布 Meme。他希望 Muse 不只是通过 Meta 的分发渠道被用户看见，而是进入互联网文化，让 Meta 重新变得有趣。

Alexandr 说，普通用户并不关心 OpenAI、Anthropic 或 Meta 做了什么研究，" 他们只关心这些技术能为自己做什么 "。一个用户把证件落在飞机上，让 Muse 安排取件并送到指定地点。几张对话截图，就能解释个人智能体的价值。

Alexandr 承认，Meta 没有完整归因这些 Meme 带来了多少增长。但他相信它们推动了 Muse 的增长。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 对应的不只是一个产品路线，也是一套吸引人才的叙事。

Alexandr 认为，AI 的承诺，应该是把人的成长轨迹反过来。人小时候拥有梦想，进入学校和职场后却逐渐变得被动。" 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。" 个人超级智能要提高每个人的行动能力，而不只是替企业降低成本。

这套愿景把 Meta 的消费业务与模型研究连接起来。Alexandr 说，很多顶尖的 AI 人才，更希望技术最终能帮助普通人，也希望自己的父母和祖父母能感受到它的价值。

Alexandr 称，MSL 吸引人才的一项重要条件，就是方向足够明确：" 个人超级智能 " 是团队共同的 " 北极星 "。与此同时，研究人员可以在小团队里从零搭建实验室，却又不受创业公司的典型限制—— Meta 可以提供算力、基础设施和数十亿用户的分发。

这也是 Meta 高价争夺 AI 人才时经常被忽略的一面。外界看到的是公司为少数研究员开出惊人数字，但 Alexandr 提醒，OpenAI 和 Anthropic 估值快速上涨，早期员工手里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非常高的潜在收入。Meta 给出的方案即使绝对数字巨大，从机会成本看也可能只是 " 基本持平 "。

人才竞争不只是现金竞价。研究员也会比较算力、基础设施、产品机会和决策权。Meta 拥有这些资源，也拥有分发。问题是，大公司的层级会不会抵消这些优势。

作为 Scale AI 创始人，Alexandr 加入 Meta，本身就是这套人才策略中最大的一笔交易。对 Scale 股东而言，交易提供了流动性；对 Meta 而言，它获得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，他与十多名哈佛和 MIT 学生坐在一张桌上。很多人早在数学、科学和编程竞赛中就认识彼此。当时这只是一场学生聚会，几年后再看，桌上的名字已经分别进入 AI、加密和企业软件的核心位置。

HRT 本身也给 Alexandr 留下了一个高人才密度组织的样本。按他在访谈中的说法，这家公司员工不到 1000 人，却在 2026 年第二季度取得约 110 亿美元收入和 80 亿美元利润——少量高度专业的人，在技术、资本和反馈系统充分匹配时，可以创造远超人数规模的产出。后来他创办 Scale、进入 Meta，始终在寻找这种杠杆。

其中多人已经成为独角兽公司的创始人或核心员工：Jeff Yan 后来创办 Hyperliquid；Scott Wu 创办 Cognition，推出编程智能体 Devin；Jesse Zhang 创办企业级 AI 智能体公司 Decagon；Alexandr 在访谈中提到的 Vicky 后来成为 Anthropic 研究员。

右一为 Alexandr Wang（来源：X）

直接管理 200 人：小、平、技术密度高的组织

Alexandr 在 Scale 与 Meta 采用了两种几乎相反的管理方式。

在 Scale，他相信创始人必须能够完成公司的每一项工作，因此 " 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 "。这使 Scale 成为一家风格鲜明、执行一致的公司，但也让他在许多环节成为瓶颈。

Alexandr 认为，这种方式适合第一次创业。创始人要能做公司里的每一份工作。但 Meta 的任务不同。他需要同时推进模型、产品和人才建设，不可能亲自完成每一份工作。

MSL 因此选择另一种组织设计——小、平、技术密度高。Alexandr 说，这已经成为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？"

实验室中一个名为 TBD 的研究团队，有两百多名成员直接向 Alexandr 汇报。这不是为了逐一管理每个人，而是一种反官僚声明。Alexandr 说，这些研究员已经证明过自己的能力。他们不需要微观管理，需要的是方向、资源和空间。

团队仍有技术负责人和小组结构，在出现技术分歧时作出决定，但尽量减少 " 人员管理 " 层级。Alexandr 把自己的角色从 Scale 时期的 " 作者 "，调整为教练或环境守护者：确定北极星、识别特殊人才，再让他们最大限度表达自己的能力。

Alexandr 也承认，自己不可能成为两百多个人最好的经理。但这正是设计的一部分：" 他们不需要经理，需要一个好的环境。"MSL 赌的是，顶尖研究人员需要的不是更多管理，而是更少阻碍。

这种组织方式也关系到资本效率。Muse 不到 200 人的团队已经展示了小团队的产品杠杆。MSL 希望用更高的人才密度减少协调。单个研究员的薪酬很高，但组织未必需要变得庞大。

问题是，这套模式能否在规模扩大后继续成立。研究需要自治，产品落地却需要安全、合规、基础设施和运营团队。MSL 仍要证明，它能在增加这些能力时保持扁平。

前沿 AI 像采钻石，Scale 像盖摩天大楼

Alexandr 用 " 采钻石 " 和 " 盖摩天大楼 "，概括自己在 Meta 与 Scale 面对的两种经济模型。

Scale 的数据业务更像盖摩天大楼。结果与投入相对线性，竞争优势来自流程：把一个环节提高 2%，另一个环节提高 1%，再从其他地方挤出 0.5%，长期积累成成本和交付能力。管理者需要深入每个细节，建立可复制的运营系统。

前沿 AI 研究更像采钻石。Alexandr 给出的判断标准是：" 某一次成功会不会带来相当于投入一百万倍的价值。" 大多数实验可能没有结果，少数突破可以覆盖此前所有投入。

这也是大型科技公司持续提高 AI 资本开支的逻辑。算力和人才投入会压低短期利润，失败项目也没有回报。但一次模型或产品突破，可能覆盖此前所有成本。季度回报很难衡量这种投入。

" 做 AI 本身就更像采钻石，而 Scale 更像盖摩天大楼。" 这句话解释了 Alexandr 为什么改变管理方式，也解释了 Meta 为什么继续购买算力、争夺研究员，并允许多条路线同时探索。

从 Muse 到 MSL，Meta 正在完成同一次转向。产品上，它从追赶单项模型能力，转向个人智能体。组织上，它用人才密度换取速度。研究上，它接受大量失败，寻找少数幂律回报。

不过，采钻石不能成为无限投入的借口。即使回报呈幂律分布，公司仍要识别高潜力方向，也要及时停止没有价值的项目。Muse 为 Meta 的 AI 投入提供了一个可以观察的消费产品。数百万用户证明需求存在，不到 200 人的团队证明小组织可以形成杠杆。留存、成本和商业化，则决定这颗 " 钻石 " 最终有多大。

| 发福利！添加下方明亮公司主编微信有惊喜！

估值叙事

资金叙事

AI 交易加剧量化脆弱性

智客推

一起剪

相关标签