北京
模型还没跑出结果，支票就得先开出去。扎克伯格在 Cheeky Pint 访谈里给出的口径是：约 1000 亿至 2000 亿美元。这不是一笔可以边看效果边追加的投资，而是必须在看到模型之前就做出的决定。
与他同台的是 Meta 超级智能实验室（MSL）首席 AI 官 Alexandr Wang。两人围绕新模型 Muse Wonder 和「个人超级智能」这条路线，把技术、组织和钱的问题摊开讲了一遍。
记忆被做进模型本身
Muse 被定位成能替用户办事的 Agent。访谈里举的场景很生活化：结合对个人生活的了解筛选商品、安排家庭烘焙的食材、甚至指导综合格斗训练。
支撑这些场景的是三项被反复强调的能力：主动记忆、长时间持续执行任务、领域专业知识。
其中记忆的做法值得注意——它被设计进模型自身的能力，而不是靠外部框架挂载。按访谈的说法，模型要能记住几天、几周乃至几个月前说过的事，并在之后的任务里用上。团队为此自建了 memory bench 来做评测。
在个人生活与专业工作的 Agent 任务评测中，他们报告达到当前最先进水平；编程能力在相关基准测试上明显提升；法律、金融、健康等专业领域的表现也被单独提及。
模型就是产品
Meta 的目标被概括为「个人超级智能」，核心判断只有一句：模型就是产品。产品决策最终都落到模型设计与训练上。
两人认为未来的 Agent 会和各家都有的文字助手很不一样。它需要理解个人偏好、可靠地采取行动，同时尽量少泄露个人信息。模型的性格、主动性、什么该说什么不该说，都是刻意做出的产品决定，最终通过后训练、数据与评估来实现。
多模态被视为前提，因为多数人以图像、声音、视频的方式体验世界。对齐则被解释为与要服务的用户在其指令和价值观上保持一致，而不是抽象伦理原则。
技术分工上，他们解释了预训练与后训练各自的位置，强调模型规模与数据规模必须同步扩张，扩大强化学习规模是明确方向。训练环境必须精心设计，否则模型可能只能靠不安全行为取得最优解。
一张支票背后的成本结构
访谈给出了几组具体数字，让这笔投入的体量变得可感：
- 1 吉瓦集群一年运营成本约 150 亿美元
- 建设资本支出约 500 至 600 亿美元
- 而这还只是训练集群的一部分
训练一个前沿模型要花数百亿美元，且投入必须在看到结果之前完成。这种无法精益迭代的处境，被形容为「高难度模式下的创业」。Meta CFO 也明确提示了失败的财务后果。
扎克伯格自己的说法是：我们还没看到模型，但我们就要开这么一张支票，我也说不准大概 1000 亿美元或者 2000 亿美元。
不到200人的研究团队
MSL 走的是小团队、高人才密度路线。研究团队不到 200 人，长期更接近 100 人，另有一批做基础设施的人。
Alexandr Wang 加入时给出的第一条建议就是不需要很多人，重要的是人才密度。团队随后从 Meta 内外经过严格筛选组建，并让每位研究员掌握大量算力——算力集中投给关键研究员，而不是平摊给多个项目。
内部代号延续了水果命名传统：Muse Spark 系列代号牛油果，Muse Wonder 系列代号西瓜。
免费与付费并行
商业模式上，Muse Spark 面向所有用户免费提供大量 token；Wonder 因体量大、服务成本高，初期主要面向付费订阅用户。两者同时通过 Meta Model API 与 OpenRouter 开放调用。
扎克伯格设想的长期形态是智能眼镜：可听见、看见并回应用户，通过多模态生成直接在视野中生成所需内容，交互不再依赖一个个独立应用。Agent 购物则会牵动商业体系各环节的运作方式。
访谈里还有一句关于编程的判断：基本上每个人实际上都会写大量代码，只是他们不会知道自己在写代码。以及一句关于算力的底气——只要 AI 总体上能成功，就会有很多其他人想要我们所有的算力，所以他们愿意付钱。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
