Meta 揭曉更龐大的前沿模型 Muse Wonder，並透露其背後逾 1,000 美元（應為 1,000 億美元）的豪賭
祖克柏與汪鍇於 2026 年 10 月 13 日接受 Stripe 共同創辦人約翰·柯利森（John Collison）主持的 Podcast 專訪，詳細解說這款新模型、付費優先的推出策略，以及百億級（應譯為吉瓦級）AI 計畫的經濟學。
Meta Platforms 正在推出 Muse Wonder，這是 Meta Superintelligence Labs（超級智慧實驗室）首款基於全新、規模顯著擴大的預訓練（pre-train）所建構的模型。執行長祖克柏（Mark Zuckerberg）與 AI 長汪鍇（Alexandr Wang）在與 Stripe 共同創辦人約翰·柯利森的深度對話中，探討了該模型、建構成本以及商業計畫。其中最有價值的揭露並非 Meta 自家宣稱的基準測試（benchmark）表現，而是該計畫的經濟學，以及坦承公司在投入資金時其實缺乏清晰能見度。柯利森也指出，Stripe 正在收購 Meta 模型所在的發布平台 OpenRouter，且 Stripe 亦參與了 Muse 的商務整合。投資人在解讀他的提問時，應將此層合作關係納入考量。
Muse Wonder：更大的基礎模型，優先向付費使用者銷售
汪鍇將 Muse Wonder 描述為「處於前沿地位的新一代模型」。它分為兩個版本：Muse Wonder 與更高階的 Muse Wonder Full。早期的 Muse Spark 系列是建構在去年底完成的預訓練基礎上；Wonder 則奠基於一個獨立且「顯著更大」的預訓練，Meta 已經進行後訓練（post-training）有一陣子了。內部的程式碼名稱為 Spark 的 Avocado（酪梨）和 Wonder 的 Watermelon（西瓜）。祖克柏表示，公司的「水果名稱已經用完了」，接下來需要新的命名慣例。
汪鍇指出，根據 Meta 自家的個人與專業代理人（agent）任務評估，Wonder 展現出最先進（state-of-the-art）的水準。他也宣稱該模型在 DeepSWE 與 SWE-Marathon 上取得領先成果，在 Terminal-Bench 上表現強勁，並在多項財務與法律評估中名列前茅。Meta 強調了三個設計優先事項。首先是他們所稱的「主動記憶」（active memory），這是內建於模型本身而非周邊外掛（harness）的功能。汪鍇表示，記憶一直是早期代理人產品最薄弱的環節，他並以 OpenClaw 的長短期壓縮方法為例。「我們的評估顯示了這一點，這是我們相當引以為傲的部分，」他說，但也坦言「仍有很大的進步空間」。其次是「主動專注」（active focus），即在長時間、模稜兩可的任務中維持持續性。第三則是財務、法律、健康與稅務等領域的專業知識，汪鍇認為這能讓代理人感覺「像是隨側在側的專家團隊」。
商業化的推出採取審慎態度。由於 Wonder 規模更大、提供服務的成本也更高，祖克柏表示它將「主要以付費訂閱」的形式在 Muse 應用程式內推出，而 Muse Spark 則繼續維持免費，並提供他所稱的大量免費 tokens 配額。Wonder 也將透過 Meta Model API 與 OpenRouter 提供。Muse Code 的訂閱者則可使用 Wonder Full。祖克柏表示，Meta 希望「在不久的將來」能以 Spark 的外形尺寸（form factor）交付與 Wonder 一樣優秀的模型，也就是能夠服務數億名使用者的版本。在此之前，Meta 最優秀的模型仍無法觸及免費使用者，公司也還在摸索如何大規模提供服務。祖克柏同時指出，Wonder 在編程能力上的提升，對少數的 Muse 使用者而言才具備意義。
Meta 如何宣告擺脫「基準測試遊戲化」
當被問及古德哈特定律（Goodhart's Law）與盲目追求基準測試最高分（benchmaxing）的問題時，汪鍇表示 Meta 正日益將訓練導向內部評估。他指出，外部基準測試「作為起點並不瘋狂」，但主要用於「尋找生命的跡象」。他毫不掩飾這些基準測試的來源：依賴它們意味著「將所有的產品思考外包給碰巧做出病毒式傳播基準測試的某位博士生」。
Meta 的研究文章量化了他所謂的「大模型氣味」（big model smell），其定義為模型在類似其強化學習（RL）與後訓練資料的任務上的表現，與其在分佈外（out-of-distribution）任務上的表現之間的差距。汪鍇表示，從 Spark 系列到 Wonder 系列，這個差距急劇縮小，他將其歸功於更強大的基礎模型。這項指標是 Meta 自行評估且未經審計的。不過，這確實表明該公司認為較大規模的預訓練才是效能提升的來源，而不僅僅是更多的後訓練。汪鍇以 Spark 從 1 版本演進到 1.3 版本為例（該版本未動用任何新的預訓練），證明強化學習的配方正在整個產業中快速進步。Meta 表示，他們正在同時擴展預訓練與強化學習。
祖克柏直言不諱地闡述了產品哲學：「模型就是產品。」他說，Muse 中艱鉅的產品工作，其實是針對代理人接觸之資料的隱私與安全模型，而個性與能力則是在此過程中被訓練進去的。他指出，對於個人代理人而言，謹慎（discretion）比對編程代理人更為重要。個人代理人必須深入了解使用者，同時向第三方「盡可能少透露資訊」，例如在根據醫療狀況預訂餐廳時。Muse 沒有模型或運算需求選擇器（effort selector），這是祖克柏刻意做出的選擇，旨在避免業界混亂的命名方式。
### 這項在模型誕生前就做出的 1,000 億美元決策最引人注目的揭露是該計畫的融資方式。祖克柏透露，在去年底、模型甚至尚未問世之時，Meta 就準備開出一張「大概吧，像是 1,000 億美元、2,000 億美元」的支票。他回憶自己曾直接問汪鍇：「亞歷克斯，你確定這行得通嗎？」汪鍇則表示，在夏威夷的一次高層閉門會議上，財務長蘇珊·李（Susan Li）曾多次拉開他談話，直言「如果這行不通……在財務上會非常、非常糟糕」。他將當時的情況形容為「艱難模式下的創業精神。這與『精實創業（Lean Startup）』完全相反」，因為等待確鑿證據就等於「徹底落後」。
在成本方面，祖克柏給出了粗略的產業級數字。營運一個 1 吉瓦（gigawatt）的資料中心叢集一年大約需要 150 億美元，而建構一個這樣的叢集 upfront（前期成本）大約需要 50 到 60 億美元。研究成本（包括在擴展階梯的每一個環節進行測試）可能與最後一次完整訓練的成本相當。伺服提供成本則需另外計算。他表示，他所看過的財務彙整顯示，「數百億美元」是用來評估訓練前沿模型的合理估計值。Meta 位於俄亥俄州的 Prometheus 叢集正在擴展至超越 1 吉瓦，而路易斯安那州的 Hyperion 叢集則計畫達到 5 吉瓦。祖克柏表示，這兩者都是在 2023 年或 2024 年（即 MSL 成立之前）就已規劃好的。他補充說，用於服務 Muse 的資料中心容量必須在產品甚至尚未問世的幾年前就先拍板定案。
祖克柏主張，下行風險（downside）其實比數字看起來的要小。他說，如果 Meta 的模型表現不如預期，其他買家也會以差不多那個吉瓦價格來買下這些運算容量，因此「整體 AI 產業必須宣告失敗」，這些算力才會變成孤島資產（stranded）。這是一種管理階層的看法，而非保證，且取決於業界對算力的持續需求。
### Meta 宣稱將如何為此買單當被問及如何為這項大規模建設籌措資金時，祖克柏點出了四個營收路徑。首先是訂閱服務，從 Wonder 的存取權限開始。其次是商務，Meta 將從 Muse 為使用者節省或賺取的金額中抽取「一小部分」，並為小型企業提供「開箱即用（business in a box）」的代理人服務。第三是 API 以及由 CJ Desai 領導的全新 Meta Enterprise Platform，旨在鎖定祖克柏預期會希望擁有「卓越且經濟實惠」之 Wonder 的企業客戶。第四則是核心廣告業務，他表示該業務「高達數千億美元且仍在極快速成長」，並且透過這些模型可以讓成長速度「再加快幾個百分點」。不過，針對上述任何一項，他都沒有給出具體的營收數字或時間表。
他同時指出了一個相較於依賴雲端之競爭對手的會計優勢。Meta 將自己的資料中心資本化並進行折舊，而研究人員的薪資則列為費用。他表示，由於算力依然吃緊，現在的 H100 GPU 甚至比去年更有價值。Meta 既定的模式是先建立 10 億名使用者的規模，隨後再擴大營收，而 AI 是否能賺錢這個問題的答案「最好是肯定的」。
### 代理人式商務：早期行為，尚未成為獨立財報項目祖克柏表示，Muse 是首批讓使用者將購買行為完全委託給代理人的產品之一。Meta 將瀏覽器使用行為直接訓練到模型中，因此商家無需進行任何整合，同時他們也正與主要合作夥伴尋求直接的 API 存取。他說，打電話來希望能深度整合的「企業數量，遠多於試圖封鎖代理人的企業」。他舉的個人例子是與女兒每週的烘焙慣例，透過 Muse 在 Instacart 上訂購食材。他說自己是為了 Muse 才開設 Instacart 帳戶，現在每週使用該服務一到兩次。他的論點是，擁有自己帳戶的代理人可以擴大電子商務的整體潛在市場（TAM），而不僅僅是轉移市占率。這只是個案軼事，Meta 並未提供訂單量或轉換率的數據。
祖克柏表示，第三方報告顯示 Muse 可能是迄今成長最快的代理人或 AI 應用程式，不過官方並未提供使用者數據。他補充說，由於預期會在產品與市場契合度（product-market fit）的過程中不斷迭代，Meta 在推出時並未準備好成長工具（growth tooling）。
### 精簡且人才密集的實驗室，以及對 Llama 4 的坦承祖克柏對這次的重組直言不諱。Meta 於 2025 年 4 月 4 日推出 Llama 4，但對其發展軌跡感到不滿，並在大約兩週後開始聯繫外部顧問。汪鍇表示，研究團隊「不到 200 人」，如果排除基礎設施人員，可能更接近 100 人，相較於其他地方動輒數百人；算力集中在少數的押注上，而不是「像塗花生醬一樣」平均分散在互相競爭的努力中。他描述了早期的一次會議，當時一位 Llama 時代的負責人甚至問 Meta 是否真的需要一個推理模型，他形容這是一個「令人心沉的時刻」。祖克柏表示，實驗室必須給人一種重新開始的感覺，才能招募到最優秀的人才。他也提到自己空出了為期一到兩個月的行程來與研究人員會面。汪鍇則指出，Wonder 從 8 月就開始規劃，且早期的後訓練成效進展迅速，他稱之為一個好徵兆。
### 為什麼 Meta 認為 AI 不會是贏家通吃汪鍇表示，2023 年預測的遞迴自我改善失控（recursive self-improvement runaway）情況並未發生。他將此歸因於各個實驗室執行力不均，以及蒸餾（distillation）技術——他稱之為一種「反霸權力量」，能夠將前沿能力壓縮到更小的模型中。祖克柏則表示，Meta 比其他實驗室更關心個人與專業代理人，他將此形容為差異化優勢。他補充說，一個擁有多元模型以及制衡機制的世局，比少數幾家公司掌控最佳模型的世局更加安全。祖克柏還透露，Meta 可能不會為其智慧眼鏡建立應用程式商店，他預期這會是一個「純粹的多模態產品」，且 Muse Gadgets 已經吸引了手機製造商的興趣。