Building Muse, Working with Mark Zuckerberg & The Future of AI | Alexandr Wang, Meta (2026-10-11, glm-4.7-flash)
1. 导读
为什么Sidere’s这一期播客值得花时间读？因为这是全球顶尖的技术操盘手之一、Scale AI的创始人Alexandr Wang，直接走进Meta背后的指挥塔，用亲历者的视角拆解了自家公司的“Muse”项目。这不仅关乎一款名为Muse的AI Agent产品，更关乎一个重大战略转向——当全球都在为AI写代码时，Meta和Wang却在押注AI如何治愈人类的“系统倦怠”。这篇对话撕开了硅谷围绕代码能力（Coding Agents）的一场虚火，暴露了真正的终局并非程序员之间的军备竞赛，而是每个人心中那个“被压力磨灭的梦想”。
嘉宾 动机 逻辑 清晰且强悍。Wang坚信AI世界的下一张船票属于“Personal Super Intelligence（个人超级智能）”。如果是正确的，那么当前最受推崇的“Occam/Coding”路线很可能只是铺垫。如果这个判断成立，现在的赢家通吃将重新洗牌，通用生产力工具的形态将被彻底改写。
对话留下了令人背脊发凉的张力：Meta试图通过一个“单一的、反官僚的”实验室，在一个已经陷入“碎片化AI”臃肿症的巨头体内，构建一个完美的个人数字助理。这究竟是自信还是危险的赌博？前Scale AI创始人转型率领一支200人的“特种部队”接管Meta的超级智能实验室，这种组织架构的剧烈重构，又能给全球科技企业的管理逻辑带来何种启示？
2. 核心观点
Alexandr Wang构建的世界观是：当下的AI竞争终局不是在能写更复杂的代码，而是谁能解决“人类在做自己想做的事”这件事上所面临的系统性阻碍，也就是将每个人从“僵尸般的执行者”还原为“拥有无限野心的梦想家”，而实现这一点的终极载体是“个人超级智能”。“代码经济”只是巨大的噪音，唯有“代理经济”承载了人类本质的乐观主义。
以下是关键判断：
从“代码代理人”转向“个人代理人”是人类体验的下限与上限。
- 断言： 如果前几年AI的热度集中在Coding Agents，因为它能立竿见影地省钱、提效，那么Muse代表的Personal Agent才是AI消费级产品的“终点”。它是那个能让你最快乐的“The Final Consumer Product”。
- 逻辑： Wang观察到，当真正将Agent引入生活日常，它会为你递水、整理碎片思绪、甚至在心理层面上与你对话（将三年咨询压缩为一瞬）。这种体验是“可怕地”令人上瘾的。Wei对Claude的“心理审计”和“喝水监督”验证了这一点：工具不仅仅是工具，它开始具有了人格化的陪伴能力。
- 背书： The “Psychoanalysis” experience in Feb 2025（3 years of therapy in one moment）；Nat Friedman通过OpenAI实例展示了Agent监控日常生活的细节能力。
大公司做AI最大的陷阱是“弗兰肯斯坦化”的产品观。
- 断言： 许多大厂的AI产品往往是个体创意的缝合怪，每一任产品经理都想把自己的观点塞进产品，导致用户体验臃肿。反倒是小而精的团队，为了打磨“艺术品”，反而能做成极致简洁的体验。
- 逻辑： Wang基于构建Muse的经历指出，好的消费者AI产品必须拥有单一的Point of View（观点）。Meta过去通过规模化团队优化转化率、在AI时代的逻辑则转变为优化模型与产品的每一个细节。Apple被描述为“Steve Jobs带着10000具身体活着”，Muse必须继承这种单一美学。
- 背书： Wang对比了传统大组织的“产品地狱”与Muse早期原型只有Nat Friedman一人审美说了算的情况；提到“Apple is Steve Jobs with 10,000 lives”这一洞察。
可靠的体验是用“成百上千个微观需求清单”磨出来的，而非技术参数。
- 断言： 为什么早期的Agent昙花一现？因为不可靠。Muse活下来，因为在seven months里团队列出了100多项具体行为指标（Spreadsheet of Behaviors），并像打磨奢侈品一样重新训练模型，直到所有指标亮绿灯。
- 逻辑： 早期Agent的失败在于它只能干“酷事”，但生活充满了大量“琐碎事”（如确认文件归位、细节沟通）。机器必须具备处理这些琐碎的能力，才能赢得信任。用户只有知道它在每一次闲聊中、每一次小任务中都不出错，才会产生“信任坠落”。
- 背书： “平均分达到红色就绝对不可发布”的指标管理；长达7个月的打磨过程；AB测试表明产品体验对模型质量极度敏感。
管理科研巨人是“钻石开采”而非“摩天大楼建设”。
- 断言： 当年在Scale AI，Wang是“全能CEO”，事必躬亲；而在Meta的MSL（Meta Super Intelligence Labs），他转变为“环境构建者”和“教练”，甚至拥有超过200个直接下属。
- 逻辑： 基础科学（AI研究）不同于商业模式优化（如数据标注、交付服务）。AI充满了未知的黑盒，成功的概率服从极度分布在极少数突破上（塔勒布的“刺猬与狐狸”）。你需要的是允许猎奇、允许失败的高天赋人才，而非按部就班的流程工程师。
- 背书： “统计意义上的直觉是，如果一个聪明的16岁生日派对上的10个人里有几个人后来成了亿万富翁，那么我在哈佛MIT的实习场合遇到的一群聪明人里大概率也会出几个”；废除了中级管理层，研究员直接汇报给Wang。
流量时代，权威已被打破，“梗文化”是打破信息拥堵的最强力量。
- 断言： 在AI产品泛滥的今天，传统的劝导式广告是无效的。你必须用“惊喜”和“风险”来抢占注意力。
- 逻辑： Wang通过他在X（Twitter）上的“发疯式营销”和Muse吉祥物（Jolly）的玩梗行为，成功制造了“Meta又酷了”的反差感。传统广告关注品牌，而现代产品营销必须直接展示利益，且要用互联网原生语言打破用户的防御机制。
- 背书： “为什么Engrot或OpenAI的室外广告那么无聊？”；Muse吉祥物（Jolly）在截图和社交媒体病毒式传播的现象。
这一连串观点的内在逻辑：Wang认为，核心技术（模型）的红利已趋于平缓，未来的决胜点回归到“人机关系”。通过“单一审美”剔除产品臃肿，用“成百上千个微观任务”构建信任，用“钻石开采思维”释放顶尖人才的创造力，并辅以“玩梗式营销”破圈。最终目的是实现他哲学层面的终极诉求——缩小“想做之事”与“不得不做之事”之间的鸿沟，让每个人都能活成少数精英才拥有的状态。
3. 批判与质疑
站在旁观者的冷峻视角，这套逻辑虽然在情感上极具煽动性，但在现实层面存在几个明显的矛盾与遗漏：
首先，“个人代理人”的精通根基是否存在？ Muse在民用领域的成功，很可能严重依赖于Meta海量的用户数据暂存权（Photos, Email, Messages）。一个无法被索引“个人数据孤岛”的Agent很难做到像Muse这样“如臂使指”。这种对平台生态数据的依赖，虽然在当下是优势，但也埋下了巨大的隐私焦虑伦理隐患。当用户意识到他们的“第二大脑”其实是在 Zuckerberg的私有云上运行时，这种信任是否会反噬？
其次，“磨平细节”与“快速迭代”之间存在内在冲突。 Wang和Meta花费了“7个月”甚至更长时间来打磨Muse的可靠性，建立了复杂的指标体系。这种“Inquisition”（审判）式的质量控制，极有可能扼杀创新的火花。技术演进本就是混乱的，过于严苛的“Green light checklist”可能导致团队在舒适区不敢触碰未知的高危地带。在AI这种快速变化的领域，这种“慢工出细活”的策略是否过于保守？
再次，“放弃控制权”的承诺可能是个美丽的谎言。 Wang宣称Muse会“拿走全世界所有的障碍”，听起来很美，但现实可能是Agent接管了生活的方方面面，实际上让人类变成了“数字内容的被动消费者”，而非“自由的创意者”。如果Agent帮我们做决策、写诗、安排行程，我们是真的得到了“更多的时间做自己想做的事”，还是只是把现实生活的复杂性置换成了与AI交互的服务业复杂性？这不仅是哲学问题，更是经济学问题。
最后，关于组织架构的反进化的暗示。 Wang在Meta实行“扁平化”和“直接汇报”，这听起来很美，但如果在拥有200+顶尖研究员的情况下，仅靠愿景和价值观维系，而没有层级制的仲裁与分权，极大概率会变成一个基于“Wang意志”的回声室。当一个14岁少年的创意都必须讨论“这是否符合工作室方向”时，这种所谓的“生态”是不是另一种形式的监管？这不仅是管理手段的问题，更是机构创新的死胡同。
4. 行业视野
这场对话将AI行业从“工具战”推向了“生活方式战”，具有鲜明的时代坐标特征。
它印证了从“垂直专才”向“通用操盘”的趋势。 SWac等人曾被视为Google模式下的独角兽，但Wang敏锐地意识到Google模式的弱点——在巨头内部，精英难以自由探索。他的出走与管理哲学的转变，预示着硅谷正在经历一次组织文化的回撤：OpenAI（初创型）、Anthropic（非营利衍生）甚至现在的Muse Labs，都在拥抱一种更颠覆、更扁平、更像初创公司的文化。这种文化能容纳极高密度的试错，是对传统科技巨头“大公司病”的一次剧烈反叛。
与此同时，它呼应了“注意力经济学”的终极命题。 当算力不再是瓶颈，数据与注意力成为稀缺资源。Wang关于“用梗文化打破拥堵”的论述，实际上揭示了AI产品的终局是争夺用户的“清醒时间”。在信息过载的时代，谁能充当那个“假释官”，帮你筛选杂乱信息，谁就能定义下一代的操作系统。
更重要的是，它指出了AI产业的历史必然性——从“劳动替代”到“身份重塑”。 对于Wang这样的90后精英而言，AI不仅仅是Cost Cutting的工具，更是实现“人人成为精英”的杠杆。这让我们想起了工业革命时期的蒸汽机，同时也像极了《赛博朋克》中的“神经漫游者”预演。如果Muse成功了，人类将不再通过阶级、财富来划分“创造者”，数字基尼差距将体现在谁能更高效地驾驭AI代理上。
5. 启示与建议
这场对话挑战了哪些假设？它挑战了“AI是属于程序员和企业的工具”这一长期思维定式，强迫我们接受AI是“每一个人的理想自我投射”。
对于产品经理与构建者（PM/Founders）： 不要试图用大厂的复杂逻辑去定义AI体验，而是要寻找“单一爆点”。借鉴Wang的教训，在产品极度拥挤的阶段，不要卷参数，要卷“独特的人格”和“真实的用户价值”。用“钻石钻探”而非“摩天大楼施工”的心态对待你的产品——容忍混乱，追求颠覆。
对于执行者与个体： 警惕被这种叙事吸引去放弃思考。Wang描述的Muse是“第二大脑”，但如果你自己的生活本身就是被数据碎片化的，那么再强大的代理也只是加速你的崩溃。在工具的洪流中，保持对核心价值的掌控力，不要成为那个只会发指令的“发条”自动化员工，而是保持好奇心，去定义你的专属代理能为你做什么。
对于人际传播与品牌建设： 如果你的产品注定要服务C端传统用户，请学习Wang的“误解营销”。不要解释你的技术词汇，直接展示用户的惊喜反应。在媒体营销上，勇于自嘲与玩梗，因为这能降低防御机制，建立起“活人”的品牌感，这对于建立与AI产品的情感连接至关重要。
结论解读： Wang关于“数据沙盒”和“七个月打磨”的叙述是强信号，证明了大厂确实具备突破技术瓶颈的能力；但他关于“消除旅途阻碍”的哲学愿景，很大程度上基于乐观的推断，需要打个折扣。Agent是否会让我们更自由，还是一个巨大的未知数。
6. 金句摘录
“Apple is just Steve Jobs with 10,000 lives.” — Probable reference to the singular vision guiding the Muse product design, contrasting with fragmented AI projects.
“Don’t get me wrong, it’s more than that. It’s … I’ll be honest, it’s more than that. It’s like, hey, I actually think because Meta is like heritage wise focus on the things that people want to do is actually one of the most specially placed companies with this incredible shift AI.” — Explaining why Meta is the only one positioned to win at “Personal AI” rather than coding.
“Most people in the world, they don’t give a ${censored} about […] they care about like what it can do for them.” — Analyzing the failure of traditional corporate advertising versus user-centric product marketing.
“You know what happens when you graduate? You graduate… you enter the corporate workforce… by the time they get to their, you know, have been in a job for a while, it’s that like all that hope and ambition and and ability to dream has been sucked out of them.” — Describing the “Zombie” state of the adult population before personal AI agents.
“The single most powerful pattern I have noticed is that successful people find value in unexpected places.” — Reminding that scientific exploration in AI often requires thinking outside the box rather than following strict optimization formulas.