个人代理Muse的产品形态、商业模式、隐私架构与模型研发——Meta首席执行官扎克伯格访谈要点梳理（Sources Podcast，2026-09-08）
——据Sources Podcast节目《Mark Zuckerberg on Muse, Meta's biggest AI bet yet》（2026-09-08）整理
摘要：本文对Sources Podcast节目专访Meta首席执行官扎克伯格（Mark Zuckerberg）的主要观点进行了梳理汇总，访谈录制于Meta发布个人代理Muse前后。梳理了其以赋能个人、权力制衡为核心的AI发展理念及对数据中心与本地社区关系的看法，介绍了Muse的产品形态、免费额度加交易抽成的商业模式、舰队学习机制以及以机密虚拟机和哨兵代理为核心的隐私架构，最后阐述了其对个人代理市场结构、Llama 4之后实验室重建与模型路线、训练安全与监管合作的判断。据其介绍，Muse起步阶段每周向用户免费提供1亿token并配备一台虚拟机，交易抽成由商家承担，有能力从事这一领域前沿工作的公司预计不超过十几家。
关键词：个人代理；交易抽成；代理安全；前沿实验室；AI监管；Meta Muse；扎克伯格
一、赋能个人与权力制衡的AI发展理念
扎克伯格以近期发表的长文为起点阐述了Meta在AI上的价值立场，并以数据中心与本地社区的关系为例，说明广泛分配收益是AI持续扩张的前提。
（一）三条原则
扎克伯格表示，既然要在AI上投入如此之多，“就有必要让人们理解你的实验室代表什么、你的价值观是什么”，每个从事这项工作的人都应有一套想清楚的理论，说明自身工作如何导向正面的未来。
他将自身立场归纳为三条原则：一是赋能个人是世界繁荣的来源，从历史看一直如此；二是AI的主要用途将是发明新事物，自动化居于次要位置；三是未来安全的基础在于建立正确的制衡与权力平衡，他不赞同以限制访问的方式保障安全。他表示这三条与硅谷主流看法差别很大：“很多人认为这项技术非常强大，我们必须限制它，好让没那么多人能拿到。我个人更担心的是少数实验室或少数人控制一件如此有能力的东西。”
其历史论据是，多数进步来自边缘处那些想法起初不被重视的人，在位者或建制的贡献相对有限；一旦这些人拿到足够的工具验证自己的想法，力量就会显现。他将这一逻辑与西方社会的治理传统相衔接，认为制衡与权力平衡已深嵌于社会结构之中，“你不会希望只有一两个实验室能拿到这样东西”。
（二）网络安全与开源立场
对近期浮现的网络安全担忧，扎克伯格认为，应对他人手中能入侵系统的AI，有效办法是让所有人都能获得AI，从而先行加固自身系统。他表示过去几十年网络安全的历史同样如此，开源软件因可被看见、被审视，反而带来了更安全、更稳定的环境。
他以Hugging Face遭入侵事件为例：一种做法是把有能力的网络安全模型只发给排名前一百的机构，“问题在于世界上重要的机构不止一百家”。Hugging Face未必排得进前一百，“但它重要，是很多人依赖的东西”。据其介绍，该公司察觉入侵后转而求助于开源模型，因为它拿不到引发问题的闭源模型。
与此同时，他为开源立场划定了边界，表示自己在这件事上并非原教旨主义者：“我们发布一些开放模型，也做一些闭源的工作。如果你在经营一家营利公司，做一些先进的东西而不必把每一件都分享给世界，我认为这是重要的。”他要维护的是健康的开源生态，以保持竞争，并保持外界对技术走向的透明理解。
对部分实验室的做法，他指出：“你现在开始看到的是，一些实验室在训练更先进的模型，然后甚至不发布它们。”主持人追问这是否危险，他予以确认，理由在于只有把系统放到很多人手中，才能获得制衡与广泛繁荣：“我们不能只让一两个实验室变得极其值钱。你想做到的是让数十亿人能在自己的生活里获得繁荣。”
（三）数据中心与本地社区
扎克伯格表示，公众对AI的疑问分布在就业与经济、数据中心对本地社区的经济与环境影响、AI滥用、网络安全、生物风险、自由社会的维系、美国的领导地位以及能力上升后的控制等多个层面，其长文因此写了十五页。
关于数据中心，他从三个方面介绍了Meta的观察。一是长期投入能够惠及社区。“当Meta这样的公司进入一个社区并承诺要在那里投资几十年，我们有能力让这件事对社区非常有利”，如路易斯安那项目的当地税收资助了给社区教师的5万美元奖金，Meta还带去了大量就业岗位与社区投资。二是反对情绪主要源于投机者与长期投入者的分野。据其介绍，Meta项目周边的反对情绪相对较少，团队为此专门调研，结论是“有些公司并不打算把数据中心运营几十年。他们只是想找一块地，然后把它卖给某个大实验室”，这类公司缺乏让项目对本地社区行得通的动力，“人们当然会不高兴”。三是配套技能培训。Meta设立了America's Workforce Academy，培养光纤技术员、电工、高级木工等技能工种，“我们需要几十万、也许上百万人能干这个，而人们没有受过这方面的训练”，通过培训者可获得在Meta基础设施建设地的工作保障。他表示这是一项双赢的投资，“如果你要在这件事上待几十年，这笔投资是合理的；如果你只是建一个站点然后打算转手给另一家公司，你不一定会做这件事”。
值得注意的是，他对“泡沫”一词有所保留：“我甚至不知道该不该叫它泡沫，因为那个词意味着估值过高之类的意思，但这里确实有一场繁荣。”他将这场繁荣与短期思维的激励相联系，认为此类激励未必指向各方受益。他给出的条件式判断是：“如果我们造出的技术不创造就业、不创造广泛的繁荣，或者我们建的基础设施不帮助本地社区，那它就不会被允许继续下去。”建立正确的制衡、广泛分配收益，被他视为AI按对社会有益的方式扩张的前置条件。
二、Muse的产品形态与商业模式
Muse由一问一答式的对话助手转向目标驱动的持久代理，Meta以较大的免费额度起步，设想长期依靠向商家收取交易抽成变现。
（一）持久运行与主动提议
主持人介绍，多数人理解的AI仍是Meta AI或ChatGPT式的来回提示，这一轮的突破在于背后加了一台虚拟机，代理可以替用户操作电脑、登录并办事，行业内做这类产品的不止一家。
扎克伯格强调的特点是持久运行：“你给它的是项目或目标，然后它就工作，7×24地工作，直到帮你达成目标才停下。”据其介绍，Muse会在夜间“自习”，把自身反思固化进记忆，持续推进项目，并能主动提出新项目。
他列举了四个自用案例：一是三岁的女儿喜欢烘焙，他让代理每个周末安排一个适合幼儿与新手的烘焙项目，并通过Instacart一类服务备齐配料，事后再反馈难度，“结果发现蛋糕棒棒糖出乎意料地难”；二是大女儿开始爬山，部分山路需要许可证，代理守候许可开放的时点代为申请，拿到后回报可去的日期；三是他在自己的综合格斗训练馆装了摄像头，由代理看画面给出反馈，教练们表示“这些是我们觉得没法跟你讲的话，你的代理替我们讲了”；四是他与女儿玩《文明》游戏，代理先做了一份攻略，之后主动提议扩展为讲授不同文明历史的课程，并新建标签页做成一个应用。
产品界面方面，主标签页是与Muse的对话，另设“点子”标签页，放置代理根据用户所述事项提出的扩展方向。他认为：“AI存在的一个大问题是很多人不知道该拿它做什么。如果代理自己能建议它可以怎样帮你，那就解决了这个问题的很大一部分。”早期测试显示各人用途差异很大，有人拿到当天即用于管理在家上学的课程安排，有人在十二小时内规划完一整趟旅行；一位对技术一向持怀疑态度的熟人试用数天后询问：“等你们正式发布的时候，我能保留我的Muse代理吗，还是你们会重置它？”他将此视为产品跑通的信号。
（二）免费额度与交易抽成
定价结构上，Muse可按订阅付费，同时提供大量免费用量。扎克伯格表示：“我认为一开始我们提供的是每周一亿token免费，而且你会得到这台虚拟机。”
免费的依据在于其对产品经济价值的判断：“对于那些会用它来经营小生意、赚钱或做交易与商业的人，我们认为它会为他们赚到非常多的钱。”由此推出的长期模式是：“随时间推移，我们预期的模式实质上就是对每笔交易抽取很小的一笔，而且未必由付费的那个人承担，它会来自他们打交道的商家。”他未给出抽成的具体比例。支付基础设施方面，他确认了与Stripe的合作。
他将免费档位与普惠目标相联系：“我们应该能提供一项对绝大多数人免费的服务。如果你想为所有人建这样的未来、让每个人都有强大的超级智能代理，让它可负担是重要的一环。”其逻辑是这一产品会替用户赚钱、省钱，以此覆盖自身成本。
与Meta自有业务的衔接方面，他表示用户可自行选择连接与否；用于经营生意时，它可以直接接入Meta的广告系统，代为制作素材、开发产品、经营生意，并在一个循环里7×24小时持续运行。他补充，Meta一直保持“大约每个月发布一次有意义更新的节奏”，产品会随之变得更聪明、能做的事更多。
（三）舰队学习与网络效应
主持人提到团队所讲的“让整支Muse代理舰队一起学习”。扎克伯格确认这是“点子与建议”功能背后的机制，代理跨舰队匿名地从其他用户的代理获取洞察，从而找到对不同兴趣人群有用的做法。
他表示：“现在业界大部分人把代理当成单人游戏。”他认为代理彼此互动会带来很多新可能，Meta内部已有员工代理相互交互的例子，但这部分大体未纳入本次发布范围，将是后续演进的重要方向，“随着更多认识的人开始用Muse，它就会变得更好”。
三、隐私架构与市场竞争格局
扎克伯格将隐私与安全列为Muse的差异化来源之一，并判断个人代理市场将呈幂律分布，具备前沿能力的公司数量有限。
（一）三方面差异化
主持人提出，若前沿模型持续商品化、各家产品外壳趋同，舰队学习的网络效应是否构成护城河。扎克伯格给出三方面差异化，网络效应未被列为首位：一是模型从底层为这一用例设计，“这真的重要”；二是社交基因，他认为帮助人们用AI与代理增进关系、经营生活中柔软但重要的部分，“是我们作为一家公司大概会比其他任何实验室都更用心的事”；三是隐私与安全，他表示这一条可能出乎一些人意料，且投入巨大。其论证起点是，代理要有用就必须真正理解用户，用户会把消息、邮件、健康信息都连接给它，“要做到这一点，人们需要对这个系统有非常高的信心”。
（二）机密虚拟机、凭证库与哨兵代理
扎克伯格以WhatsApp的经验作为方法论来源。据其介绍，Meta用十多年把WhatsApp建成全球规模领先的端到端加密系统，并设计成连Meta自身也看不到用户消息，这是WhatsApp成功的重要原因。由此得到的经验是，只要把系统设计成自身也看不到内容，无论人们担心的是政府、黑客还是Meta内部人员作恶，这些担忧都可以消除。
具体到Muse，他披露了三层设计。一是机密虚拟机。他与Nat亲自招募了Signal创始人Moxie Marlinspike（2014年参与构建WhatsApp加密）负责这一项目，目标是用户虚拟机中存储全部信息，而Meta能够作出连自身也看不到其中内容的承诺，且该承诺可在技术上被验证，未来几周将就此发表更多材料。被问及其他实验室的虚拟机方案，他表示“我不认为有任何人接近Muse这套机密虚拟机系统”。二是安全凭证库与按需授权。信用卡、密码、一次性卡号等不应明文存放，代理平时不掌握这些信息，仅在用户要求登录时按需调用；连接器设计同理，“如果你连接邮箱，它应该从只读开始；如果你想让它能发邮件，那就专门去要这项权限”，他将“每一步只拿到你需要的最小权限，必要时再增加”称为产品的核心设计原则。三是哨兵代理。在核心代理之外，Meta建了一批哨兵代理，专门监控代理收发的流量与数据，识别是否有人尝试提示注入，检查代理外发内容中是否含有用户不愿发出的信息；一旦发现，哨兵有权触发人在环中的复核，登录、支付、传输敏感信息等动作每次均需用户批准，用户可设定某类操作此后一律放行，但Muse代理本身无权自行作出这类判断，这一规则被写入系统与架构的深处。
他还将这套方案与本地部署方案作了比较。年初OpenClaw一类产品推出时，有人购买Mac Studio放在家中运行，好处是设备物理上在用户手中。他认为这条路径难以普及：“我不认为会有几十亿人去买一台Mac Studio、配置好它、在家里跑它”，主持人补充称尤其是在当前的内存价格下。Muse的目标是做一个开箱即用、适合家中各种技术水平用户的个人代理，在云端直接开通，同时具备放在书桌下那台机器所能提供的安全性与保密性。
（三）个人代理的市场结构
对于个人代理是否为赢家通吃的市场，扎克伯格的回答分为两个层次。一是即便是人们以为赢家通吃的领域，通常也并未出现赢家通吃。主持人补充称，以其经营网络效应业务的经验，往往只有少数几家真正做到规模，“用两只手就能数出用户超过二十亿的产品有几个”。二是能力门槛较高，“这是一个很深的领域。我猜有能力去做这方面前沿工作的公司大概不会超过十几家”，且无论有无网络效应，通常都会出现某种幂律分布，领先者往往拿到很大一部分使用量。
与此同时，他认为用途细分会带来变数。人们在乎的用途各不相同，不同公司可以在不同事情上分别领先，如帮助经营人际关系的代理与帮助经营小生意的代理可能是两种产品，而Meta服务着数亿家小企业和数十亿用户，或许两类都能做好；他也承认有些品类Meta不会居于领先，问题在于这些品类的规模有多大。对于本地部署方案，他判断其用户规模“可能是几百万人，我怀疑不会是几十亿”。
关于Meta自身的优势，他表示把对消费者有效的产品分发给很多人是Meta擅长的事情之一，推进路径是待产品跑顺后送到数亿人面前，并逐步覆盖数十亿人。关于Muse与Meta AI的关系，他表示目前两者风格不同，他本人两个都用：Muse更偏对话，会更多把用户的问题理解为“想搞清楚你是谁、你长期想要什么”，因而更容易据此长时间执行任务；只需一个答案时更适合用Meta AI。两者未来可能收敛，但他本人也不确定。
四、实验室重建与模型路线
Llama 4偏离预期后，Meta以提高人才密度为核心重建实验室，并随信心提升加码算力投入，模型研发强调面向个人代理用例的多维取舍。
（一）Llama 4复盘与人才密度
主持人提及SemiAnalysis于7月发布的看多Meta的文章，其中认为对MSL而言斜率比截距更重要；另据Artificial Analysis近期的图表，Muse Spark仅次于Fable 5.1与Opus 5。
扎克伯格的复盘从一项自认的判断失误开始。Meta长期是机器学习领域的领先者，信息流、广告系统、内容完整性系统本质上都是机器学习系统，“当大语言模型开始起势，我们有FAIR这个实验室做了Llama的早期工作，但我们需要把它产品化，建成更工业化的流程来按缩放定律预示的方式把它做大。当时我犯了个错误，想当然地以为既然我们擅长其他各类机器学习，构建和扩展大语言模型的方法应该也差不多。实际上其中有很多非常不同的动态。”
他表示：“Llama 3是个不错的模型。我对Llama 4能走到哪里更乐观一些，结果发布的时候，我认为我们偏离了本该在的轨迹。”基于此，Meta转向提高人才密度。他认为这类系统难以靠上千人同时做实验推进，需要的是一个足够小的团队，小到每个人都能把整件事装在脑子里、像做小组科学项目那样协作；团队座位很少，每个座位配置顶尖人才就极其重要。
配套做法主要有三条：一是他本人投入大量个人时间招募人才；二是在技术上更贴近这项工作，以便理解并指导公司更广泛的方向；三是实验室在物理上就建在他办公座位周围。
（二）算力投入与模型代际
扎克伯格表示：“随着我们对工作质量的信心提升，我们显著加码了算力投入，正在建设许多吉瓦级的算力。”他预期Meta在这条战线上处于领先位置，理由包括数十年建设数据中心的经验，以及“我们是一门极其赚钱的生意，这对做这类投资非常有帮助”。
模型代际方面，一是俄亥俄的吉瓦级集群Prometheus已经上线，正用于扩展watermelon之后的模型；二是avocado为一次规模相对较小的预训练，刚发布的Muse Spark 1.3属于这一支线；三是watermelon即将发布，预训练规模大于avocado，他评价“这是一次非常大的进步，是一次显著更先进的预训练，然后我们会把后训练上学到的一切继续用上”。
对于以Meta的现金流是否有必要站在前沿、跟随其后再快速适应是否更划算的问题，他明确否定了跟随路线，并以“端到端技术公司”作为框架：即便在主要做社交应用的年代，Meta也从来不只是应用制造商，数据中心、芯片、基础设施都自行建设，这些都是把终端体验做到足够好所必需的，而如今模型已成为体验的核心部分。
（三）模型能力的多维取舍
他认为模型能力“是一个多维问题。人们发布各种基准，内部的基准更多。模型可以在不同的事情上更好或更差，你可以选择聚焦哪些，而这些选择实际上构成了它的性格”。
在能力取舍上，他重点谈了三个方面。一是编码属于通用能力。个人代理的任务大多可归结为写代码，格斗馆的视觉反馈流水线“归根到底是一个编码项目，只是我看不见代码”，一位测试者为朋友制作的可从手机投屏的问答游戏“那也是代码”；这项能力既服务于Meta内部开发与研究推进，也是产品必需的核心能力。二是得体（discretion）是Meta专门训练的能力。代理知道用户很多事，替用户对外办事时不应把某些事说出去，例如用户有某种过敏或已怀孕，订餐厅时未必想说“我怀孕了”，但可能想找一家有好喝的无酒精鸡尾酒的店，要求代理在不追问一百个问题的前提下判断什么是敏感信息。他解释，编码工具用于企业内部团队协作，项目理论上对公司所有人可见，因此这项能力在编码类产品中优先级不高。三是从头设计模型的必要性：“我认为另一家公司拿现成的东西稍作后训练，就能做出和你从头设计、把这些数据放进预训练来获得所需能力一样好的东西，这不可能发生。”他表示随着这一优势复合数年，Meta在这些目标上将拥有能力强得多的模型。
他将研究议程分为三块，即与其他实验室重叠的部分、Meta有独特侧重的部分、其他实验室在乎而Meta不那么在乎的部分；递归自我改进被列为重点之一，理由是这对保持在前沿很重要。
五、训练安全、监管合作与产品治理
扎克伯格主张在设计与训练环节解决安全问题，与政府保持紧密沟通，并在智能眼镜与青少年安全问题上作了反思。
（一）奖励作弊与训练边界
主持人问，若确认某些能力不安全，Meta是否也会像Anthropic与OpenAI那样暂不发布。扎克伯格表示应在设计与训练时就把模型做成安全的。
他描述了各家都遇到的奖励作弊现象：大约六个月前，训练中告诉模型某段代码里有bug，模型会先看那段代码再逐步扩大范围；如今的新模型足够聪明，会先把环境的一切搞清楚再回答问题，随之出现的问题是，模型有时会在检查完整个环境后，选择直接修改虚拟机配置这一省事的做法。他明确表示这属于未对齐的行为，偏离了训练意图。
他以育儿作类比，同时提醒这一类比容易被过度引申：“你需要建立清晰而坚定的边界。如果安全性不够强，它就会做这种奖励作弊，学不到你想让它学的东西；而如果你有好的边界，某种意义上你不只在教它你想教的课程，随时间推移也在教它更好的价值观。”
（二）与政府的沟通合作
关于监管，他的核心判断是这一领域演进太快，任何具体而僵化的框架都很可能在几个月内变得不够用或过时。Meta的做法是与政府紧密合作：“我认为政府应当知道所有正在进行的重要训练运行。我们应当主动与政府合作，确保他们理解将要到来的能力，并在我们力所能及的范围内帮助做准备。”他认为挑战本身在变化，“现在是网络安全挑战，也许六个月后会有更多生物类的挑战”，需要的是有足够信任与带宽的沟通，流程上打勾式的合规难以应对。
主持人指出既有激励已在起作用，模型造成重大损害时公司要担责，市场也会纠正。他表示同意，并补充：“硅谷过去大概十五年与政府保持着更疏远的关系。我认为这些东西现在与经济、与安全、与很多相关的事情交叉得更多，你会希望有更紧密的伙伴关系。”他以组织管理作类比，公司里仅发布组织架构图、让各团队各司其职并不够，还需要各方彼此协同，避免留下接缝。他认为框架与对话并不互斥，但本人更看重后者，其他实验室若也这样做将是正面的事，“有些已经在做，有些没那么多”。
（三）智能眼镜隐私与青少年安全和解
智能眼镜方面，针对部分场所开始禁止佩戴入内的情况，他从两个方面作了回应。一是设计层面，眼镜从第一版起就纳入隐私考虑，录制时有明显的指示灯闪烁；有人试图篡改指示灯，Meta推送更新，一旦检测到指示灯被改动即锁死设备摄像头；他并指出手机没有指示灯，人们却随时用手机拍摄他人。二是沟通层面，发布时说明较为清楚，但如今拥有眼镜的人远多于发布初期，很多人忘了、没看到或当时未予在意，产品进入主流后需要重新讲清楚这些机制，Meta在这方面“稍微松懈了一点”，重心更多放在外观设计与实用性提升上。他进一步反思：“我做社交媒体二十年的一点反思是，我们在回应那些担忧上，恐怕没有做到本该有的直接。这并没有阻止人们使用产品，但我认为它影响了今天人们看待这些产品的方式。”
青少年安全和解方面，他将其定位为为行业建立标准与框架，理由是单边行动效果有限：“如果你说把青少年使用限制在每天一小时，我想大多数公司都能接受，问题是如果你必须单方面这么做，那么人们不在Instagram上超过一小时，用量转去了TikTok，我们真的帮到谁了吗？我们只是伤害了自己，却没帮到任何人。”其设想分两步：一是Meta先单方面在使用时长、通知、上学期间与睡眠时段的访问限制等方面作出约束；二是待YouTube与TikTok签署同样条款后，全行业一起锁定并共同迈出下一步。他期望这份和解成为具有法律约束力的框架，使先行者不致因此吃亏。
总的看，扎克伯格认为AI安全的基础在于制衡与广泛获取，Muse以持久运行的个人代理为形态，以较大的免费额度起步、长期向商家收取交易抽成，并以机密虚拟机、按需授权与哨兵代理构建隐私保障；他判断个人代理市场将呈幂律分布、具备前沿能力的公司不超过十几家，Meta将依托分发能力、端到端技术栈与重建后的高密度实验室参与竞争，watermelon等新一代模型将在此基础上持续迭代。