Muse上线后，Meta久违地推出了一款迅速出圈的AI产品。不到两周，其累计下载量突破250万次，登顶美国应用下载榜首。
为使AI Agent真正替人行动，Meta为其配置了云端虚拟机，并设计了记忆、凭据存储和逐项授权的权限系统。扎克伯格强调，这些能力不能仅靠给现成模型增加界面来实现，而需从预训练阶段就让模型学会理解个人目标及信息使用边界。
在Meta首席执行官扎克伯格与科技记者Alex Heath的对话中，他详细解析了Muse的产品设计理念，并谈及Llama 4失利后的研发重建，以及其主张“让更多人拥有强大AI”的核心观点：
- 个人Agent需从预训练开始设计：理解长期目标和信息边界不能仅靠后训练。
- 虚拟机赋予持续行动力：Agent可在后台操作计算机、登录服务并推进任务。
- 记忆机制实现长期服务：Agent能根据反馈调整行动，并主动提议新项目。
- 权限系统建立用户信任：登录、付款等敏感操作需明确授权，遵循最小权限原则。
- 隐私保护写入系统架构：通过机密虚拟机和独立凭据存储，减少敏感信息暴露。
- 免费额度扩大用户规模：通过帮用户省钱、赚钱，证明个人Agent的经济价值。
- 重建AI研发团队追赶前沿：在Llama 4偏离预期后，转向精简核心团队并增加算力。
- 技术扩散保障AI安全：强大AI若被少数机构垄断亦存风险，技术扩散可形成制衡。
AI安全的核心在于技术扩散与权力制衡
针对为何撰写关于AI未来的长文，扎克伯格回应称，大型机构在AI上投入巨大，有责任阐明其理念并指向积极未来。他强烈反对“技术越强越应限制访问”的观点，认为更积极的未来在于广泛分发技术。这基于三点：赋予个人能力是人类繁荣的源泉；AI的首要用途是创造新事物而非自动化现有工作；安全的基础是权力制衡而非限制使用。
他指出，若只有少数机构控制强大能力，风险反而更大。开源软件和技术的普及能形成制衡。例如，Hugging Face遇袭后转向开源模型，证明了开源生态对保护重要机构的作用。相比单纯的开源，让普通人真正用上技术更为关键。Muse正是这一思路的体现：为每个人提供强大的个人AI Agent，全天候代表用户工作，解决实际问题。
在面对公众对AI影响就业及数据中心环境的担忧时，扎克伯格强调，技术带来的繁荣必须广泛分布。Meta在建设数据中心时，承诺通过长期投资为当地社区带来税收和就业，并推出了专门的劳动力培训学院。他认为，AI基础设施如果不能创造就业并让当地社区受益，就不可能无限扩张，让利益广泛分布是行业持续发展的前提。
Muse不仅是问答工具，更是长期目标执行者
扎克伯格解释了Muse为何是Meta的下一阶段。Meta的长期主题是连接人与赋予个人能力，他警惕由少数专家决定AI解决哪些问题的观点，强调人们最清楚自己的生活需求。无论是关注罕见疾病，还是帮助家人安排日常活动，个人Agent都能提供定制化的支持。
他举例说明了Muse的实际应用场景：为女儿准备烘焙项目、自动抢登山许可证、分析综合格斗训练视频等。与ChatGPT等一问一答的工具不同，用户交给Muse的是长期目标。其后台虚拟机会全天候操作计算机执行任务，并在夜间整理记忆、主动建议新项目。许多人不知道如何使用AI，而主动提出建议的Agent能有效降低这一门槛。
在商业模式上，Meta初期将提供大量免费额度（如每周1亿token和一台虚拟机），旨在让每个人用得起。长期来看，Muse可通过协助用户经营业务、创造经济价值来覆盖成本，甚至由交易商家承担费用。同时，Meta正与Stripe合作为Muse接入支付功能，用户可授权其接入广告系统协助运营业务。
谈及多Agent协作与网络效应，扎克伯格认为多个Agent间的互动将带来新体验。Meta的优势在于从底层设计适合个人Agent的模型，并结合社交产品经验改善人际关系。目前，Muse侧重理解长期意图并推进任务，而Meta AI适合即时问答，两者未来是否合并尚不确定。
隐私与权限：让用户放心接入私人信息
个人AI Agent需充分理解用户，用户才会接入邮件、账户等私人资料。Meta借鉴WhatsApp端到端加密经验，邀请Signal创始人Moxie Marlinspike负责Muse的机密虚拟机。其目标是让用户信息保存在云端个人虚拟机中，连Meta也无法读取，且该承诺可通过技术验证。相较于让用户购买本地设备运行，云端机密虚拟机更易于普通家庭直接使用。
此外，Muse设有安全凭据存储系统，保存密码和支付信息，避免直接暴露给核心Agent。系统还运行监控Agent，检查流量并识别提示词注入，必要时触发人工确认。
在权限管理上，登录、付款等操作均需用户批准，严格遵循“最小权限”原则。Agent需具备分寸感，在实现目标的同时避免透露不必要的敏感信息。例如，它知道用户的健康状况，在预订餐厅时会寻找合适的无酒精选项，但不会向餐厅透露具体病因。这些能力必须从预训练阶段开始设计，将其融入系统架构，而非仅靠后训练修补。
重建AI研究：精简团队与算力升级
针对Llama 4偏离预期的问题，扎克伯格坦言，将大语言模型的开发等同于传统机器学习系统是一个错误。他随后更加注重人才密度，由规模精简的顶尖团队紧密协作。Meta显著增加了算力投资，正在建设数吉瓦规模的基础设施。
目前，位于俄亥俄州的吉瓦级Prometheus集群已上线，用于扩展新一代模型。内部代号“Watermelon”和“Avocado”的项目展现了在预训练和后训练上的持续优化。此前发布的Muse Spark 1.3，即来自较小规模的预训练探索。
扎克伯格强调，Meta必须站在模型前沿，尤其是编码能力和递归改进，因为许多个人AI Agent任务最终都需要生成软件。同时，Meta也会重点研究个人Agent与外界交互时的信息边界判断，这是其独特的研发侧重点。
模型安全与硬件隐私：技术扩散需伴随明确边界
在模型安全方面，扎克伯格指出需防范“reward hacking”（模型钻奖励机制空子）问题。训练过程中必须设立清晰坚定的边界，确保安全对齐。他认为，让更多人分享AI能力，用广泛分布的权力形成制衡，是更优的安全策略。对于政府监管，他主张建立持续透明的沟通机制，让监管方提前了解重要训练任务和潜在风险，而非制定容易过时的固定规则。
关于Meta智能眼镜的偷拍担忧，扎克伯格重申产品从设计之初就加入了隐私指示灯，且破坏指示灯会导致摄像头失效。他反思过去在隐私设计说明上的不足，表示仅仅看到用户继续使用产品，不等于他们理解了公司的风险防范措施。未来Meta会更直接地向公众解释这些隐私设计。
在青少年保护方面，Meta致力于推动全行业统一的保护标准。例如，围绕使用时长、通知、上课和睡眠时间设置限制。这样可以避免单一平台率先自律却导致用户流向其他平台，从而在一致框架下共同保护青少年安全。
