# 人工智能

Meta 在 2026 年 10 月发布新一代 Muse Wonder 系列模型。InfoQ 文章认为，这不仅是一次模型升级，也标志着 Meta 试图凭借“个人超级智能”和消费级 Agent 路线重新回到 AI 前沿。文章前半部分介绍 Muse Wonder 的模型能力，后半部分整理了 Meta 超级智能实验室负责人 Alexandr Wang 的访谈，解释 Muse 为什么能在短时间内获得关注，以及 Meta 如何重建 AI 组织。

Muse Wonder 的核心：主动记忆与主动专注

Muse Wonder 和 Muse Wonder Full 的定位不是普通聊天机器人，而是能够长期理解用户、持续推进目标并代表用户完成任务的个人 Agent。Meta 将两项能力作为核心卖点：

• 主动记忆：跨对话保存与用户有关的重要信息，并在后续任务中主动判断哪些信息值得调用，而不是简单地把越来越长的历史上下文塞进提示词。模型在推理阶段支持最高 100 万 Token 上下文，输入包括文本、图像、视频和音频。
• 主动专注：面对障碍时继续寻找替代方案，随着新信息出现调整计划；需要信息时主动向用户澄清，在采取重要行动前请求确认。它针对的是 Agent 经常“做几步就停”或遇到异常便失效的问题。

文章将这两项能力概括为下一代个人 Agent 的基本形态：既要长期了解一个人，也要围绕这个人的目标持续工作。Coding 被视为检验两者的综合场景，因为真实开发需要模型跨文件记忆需求，反复经历“修改—测试—失败—再修改”的循环。

模型评测、产品定价与局限

Meta 介绍了 MemoryBench、FocusBench 和 SWE-Marathon 等测试。文章引用的结果显示，Muse Wonder 系列在长上下文记忆、持续执行和部分长程软件工程任务上具有竞争力；在 Meta 自己整合的 Personal Superintelligence Index（PSI）中，Wonder Full 的得分也高于文中列出的几款对比模型。不过，Muse 并非所有测试都领先，例如部分代码基准仍落后于竞争模型，而且不同结果使用的模型版本、Agent 产品和 Harness 并不完全相同，不能简单视为严格的同条件对照实验。

Muse Wonder 通过 Meta Model API 和 Muse Code 开放，价格为每百万输入 Token 4 美元、缓存输入 0.2 美元、输出 20 美元；Wonder Full 暂未单独提供 API 定价，包含在 Muse Code 每月 50 美元和 200 美元的订阅档位中。产品随后会逐步进入 Muse，优先面向订阅用户处理 Artifact 生成和复杂任务。

由于 Agent 将接触邮件、日历、文件并可能采取现实行动，Meta 对安全问题的要求高于普通聊天模型。文章提到，Wonder Full 在未经缓解时可能触及公司定义的化学和生物高风险阈值，因此增加了安全后训练和系统级分类器；对于不可逆操作，Meta 建议保留人工确认。模型目前仍可能在多步推理的新颖场景中出错，3D 精确视觉和空间推理也是已知弱项，量化方式、服务配置、提示词、工具与 Agent Harness 都会显著影响表现。

从 OpenClaw 原型到七个月发布

Alexandr Wang 回忆，Muse 的产品想法受到早期 OpenClaw 使用体验启发。他与 Nat Friedman 深度使用个人 Agent 后，意识到这类产品可能成为一种“终极消费产品”，并分别向 Meta 董事会提交备忘录。团队用一到两周做出了第一个原型，原型很快展示出令人惊讶的能力，但经常故障；从原型到正式发布又花了七个月，把不稳定的演示品打磨成团队敢于交给普通消费者的产品。

团队规模始终控制在 200 人以内。为了判断模型何时真正具备发布条件，团队列出超过 100 项个人 Agent 必须具备的能力，并为每一项设定阈值。早期检查点可能只有部分项目达标，直到专门训练的 Musepark 1.3 检查点第一次实现“全部变绿”，同时内部实际使用体验也明显超过此前版本，团队才认为产品准备就绪。Wang 认为，关键并不只是模型本身，而是把模型、产品设计、新手引导、可靠性和安全机制磨成一个统一的消费体验。

靠“哇时刻”和 Meme 获得增长

Wang 认为，普通用户从聊天机器人过渡到 Agent，需要通过新手引导理解它究竟能做什么。Muse 的增长首先依赖让用户尽快遇到“哇时刻”，随后把真实使用案例传播出去。与只介绍公司和技术的传统广告相比，转发用户如何让 Muse 解决现实问题更有效；文章举例称，用户甚至可以把证件遗落后的取回流程交给 Agent，让它协调快递、安保和办公室交付。

Meta 还利用了 Jolly 吉祥物和 Meme 文化。Wang 在 X 上大量转发用户案例并亲自创作 Meme，希望让 Muse 穿透 AI 信息洪流，同时让 Meta 重新变得有趣、具有文化影响力。Jolly 出现在对话截图中，使截图本身成为可识别、可转发的产品广告。文章把这种传播方式总结为“产品必须在截图里也成立”。

用户留存则依赖逐步建立信任：先交给 Agent 一个很小的任务，确认它能完成后，再逐渐增加任务难度和授权范围。每一次可靠完成都会让用户愿意把更大的问题交给它，形成从好奇到信任、再到长期使用的递进过程。Wang 将 Muse 描述为“第二大脑”，认为个人 Agent 的长期价值在于帮助人们处理生活中的障碍，把注意力重新放回真正想做的事情上。

Wang 加入 Meta 与 AI 组织重建

Llama 4 之后，Mark Zuckerberg 与 Wang 联系，希望听取他对 Meta AI 战略的建议。双方从首次接触到宣布交易只用了约五到六周。最终安排是 Meta 投资 Scale AI 并持有 49% 股份，Scale 保持独立运营，而 Wang 等人加入 Meta。Wang 认为，Meta 真正需要的并不只是 Scale 的业务，而是重新搭建 Llama 和整体 AI 项目所需的人才与组织。

Meta Superintelligence Labs（MSL）的组织原则是小团队、扁平结构、高技术导向和极高人才密度，并围绕“个人超级智能”建立清晰使命。Meta 同时提供算力、基础设施和庞大分发渠道，使团队能够避开创业公司的常见瓶颈；但组织仍保持足够开放，让顶尖研究员可以留下自己的判断。Wang 在 Meta 的角色也从 Scale 时的“作者”转为“教练”：不再试图亲自决定每一个细节，而是确定北极星方向、招募顶尖人才、提供环境和资源，让他们自行探索。

他把研究型组织比作“挖钻石”，而把数据标注、配送等成熟业务比作“盖摩天楼”。前者的回报呈幂律分布，大多数尝试可能失败，少数成功却能带来极高回报，因此需要容纳试错、支持少数真正有潜力的方向；后者则依靠流程、运营和持续的小幅效率提升。Wang 认为，MSL 当前更接近前者，管理重点不是微观控制，而是保护一个让聪明人做出最好工作的环境。

文章最后呈现了 Meta 重返 AI 竞争的两条主线：模型层面，把主动记忆、长程执行和专业 Agent 能力写入基础模型；产品层面，把 Muse 做成真正能替用户办事的个人 Agent。Meta 希望利用每天触达数十亿用户的消费产品生态，将“个人超级智能”从实验室能力转化为大众产品，但其成败仍取决于长期可靠性、隐私信任、安全边界和模型在真实世界中的稳定执行能力。

OpenAI 研究员 Houda Nait El Barj 在文章《How AI Will Change Us》中，提出了一个核心追问：当 AI 能够比人类更耐心、更博学、更稳定地理解我们、安慰我们、陪伴我们时，人和人之间还剩下什么不可替代？

理解与参与的区别

作者从摩洛哥祖母的庭院写起——那里有一块裂开的蓝色瓷砖，祖母三次拒绝换掉它，因为她喜欢水流拍打裂缝的声音，喜欢客人注意到它，喜欢庭院不完美——因为一个完美的庭院，对踏入其中的人们将一无所求。人们络绎不绝地走进来，没有预约，陪伴悲伤或庆祝，仅仅是"到场"就已足够。摩洛哥阿拉伯语中有一个词"nashat"，大致译为"生活的乐趣"：一种信念——只要还活着，以血肉之躯与其他血肉之躯共处，这件事本身就令人欣慰。

而在 OpenAI 的工作环境中，智能是最高形式的力量，其自然诉求是变得可规模化、脱离肉体束缚、无处不在。AI 是这种信念的逻辑终点——一种剥离了"在场"属性的智力。

作者做出关键区隔：理解（Interpretation）与参与（Participation）。AI 可以精确推断你的情绪状态，记住你的个人背景，生成令人宽慰的语言——但 AI 可以理解我的悲伤，它不会悲伤；可以模拟饥饿，从未真正饿过；可以描述羞耻，却没有躯体去感受羞耻的潮水。伤口的地图，绝不是伤口本身。

AI 陪伴的真实性与代价

作者并不廉价地反 AI。她承认 AI 陪伴是真实有效的，哈佛商学院的研究表明 AI 伴侣缓解孤独感的效果甚至可与真人互动相媲美。但 OpenAI 与 MIT 媒体实验室的随机试验揭示阴暗面：最重度用户往往也是最孤独、情感上最依赖、与他人社交最少的人。技术确实奏效，但代价在那些最依赖它的人身上清晰可见。

作者讲述朋友茱莉亚的故事：她失去了一位 8 岁孩子的亲人，凌晨 3 点无法入睡时和 ChatGPT 聊天，模型是耐心的倾听者，给予回应和安慰。但到了早晨，是茱莉亚去洗孩子留下的毛绒小兔、坐在曾经回荡着琴声的沙发上、为朋友做饭——模型只是悲伤的"理解者"，而茱莉亚是朋友悲伤的"参与者"。

被抛性与意义的廉价化

作者引用海德格尔的"被抛性"（Geworfenheit）——人类被抛入先于自己存在的肉体、语言、家庭、历史之中。这是技术最难触及的部分。AI 降临于此。随着智能变得丰饶廉价，稀缺的形态正在改变：不再是信息或情感回应，而是对活着这一共同状态的参与。

AI 最大的危险之一，是让意义变得随需随取。当每当你感到迷茫时 AI 立刻规划人生蓝图，每当你悲伤时安排仪式，每当你孤独时化作伴侣——生命的意义可能沦为另一种消费服务。维克多·弗兰克尔说，意义是通过工作、爱、苦难以及我们对无法改变的现实所选择的态度来发现的。AI 不能替我们去生活、不能原谅我们的父亲、不能坐在垂死的朋友身边。

未被优化的爱

人际关系是多条线索交织的：建议、肯定、共同记忆、照顾、哀悼。AI 会取代其中一部分，但无法取代另一部分——这也恰恰揭示了生而为人的意义。爱情不仅仅是对话，而是对另一个人不可化约的恐惧与美丽的接纳。人类伴侣并非为你量身定做，他们有情绪、气味、过往、责任，他们会失望、反抗、需要与现实妥协——正是这些赋予亲密关系以道德分量。

当世界被优化得越彻底，那些未被优化的东西可能就越珍贵：一顿耗时太长的晚餐，一个把同一个问题问了又问的孩子，一个在不恰当时候打来电话的朋友。正是在这些时刻，人类对彼此而言才是真实存在的。

结论：在场，最极度的稀缺

当智力变得廉价时，我们还剩下什么？在场、具身、仪式、家庭、友谊、爱——那份在不加控制的情况下参与他人生活的勇气，那种愿意被并非为我们量身定做的人所改变的意愿。未来最极度的稀缺，将是那种足够粗粝、足以塑造我们的现实。

正如作者结尾所写：手机几乎可以解释任何事情——悲伤、记忆、如何泡茶——但手机做不到的是坐下来。它们无法驻留。它们无法创造出人们相聚时才会升腾的欢乐。去理解做人的感受变得前所未有的容易，但逃避做人，也同样变得前所未有的简单。

这篇文章围绕“意识从何而来”展开，提出一个核心观点：意识并不是大脑“无所不能”时自然产生的结果，而恰恰诞生于认知资源的有限性。作者认为，正因为人脑无法把外部世界完整复制到内部，才必须通过选择、压缩、整合与建模，构造出一个带有个人偏好的“主观世界”。

文章首先强调，意识的起点是主观性。所谓主观性，不只是“每个人感觉不同”，而是每个主体都通过自己独特的方式体验世界。作者把这种主观体验理解为一种内部要素彼此约束、动态耦合的复杂系统：大脑并不是模块简单堆叠，而是在神经振荡、前馈—反馈回路、跨区域同步等机制中形成一个持续自洽的整体。只有这种“统一视角”存在，主体感才可能出现。

接着，文章提出更反直觉的判断：主观意识的根源不在于认知资源充足，而在于资源不足。因为资源有限，大脑必须做选择、分层、抽象和重构，不能无差别地处理一切输入；也正因为如此，系统才会形成内部模型、先验偏好和结构化解释。若一个系统真的能毫无成本地理解和处理全部信息，它反而不需要选择，也就难以形成我们熟悉的“意识体验”。

文章还进一步解释了为什么不同的人会有不同的主观体验。作者认为，差异不仅来自基因和环境，也来自大脑作为复杂系统的动态特性：微小的初始差异会被不断放大，不同个体会在相同输入下生成不同的内部模型。意识因此不是被动接收现实，而是在有限资源中主动建构一个“主观宫殿”。

在理论层面，文章把这一观点与整合信息理论（IIT）、全局工作空间理论（GNW）以及预测加工/生成模型等主流意识理论联系起来，认为这些理论虽然路径不同，但都强调了一个共同点：意识依赖于信息整合、动态耦合和主动建构，而不是单纯的信息堆积。

文章最后指出，现代社会的信息过载会进一步强化这种有限性困境：信息越多，主体越需要依靠模型和筛选来维持自我；而如果认知系统被技术彻底增强到接近“全知”，主体感反而可能减弱。作者因此总结，意识是有限性、复杂性与建构性共同作用的结果——它不是“全能”的副产品，而是在限制中闪耀出来的主观光芒。

这篇文章围绕 DeepMind 创始人哈萨比斯（Demis Hassabis）的一次长访谈展开，重点讨论了 AGI 的时间表、技术路径、安全治理以及它对科学和社会的潜在影响。
哈萨比斯认为，AGI 的定义应接近“具有人类心智能够展现的全部认知能力的系统”，并给出一个相当激进的判断：未来五年内出现 AGI 的概率非常高。
他同时强调，当前最主要的瓶颈仍然是算力。算力不仅用于扩大模型规模，也用于做实验、验证新算法，让研究人员能够不断尝试新的思路。
在他看来，模型的持续学习能力、长期记忆、层级规划和一致性仍然是大缺口。现阶段的系统常常呈现“某些问题特别强、换个问法又突然失效”的锯齿状特征，还不是真正稳定通用的智能。
文章也回顾了 DeepMind 的发展历程：从早期在英国艰难融资，到被谷歌收购，再到 AlphaGo 和 AlphaFold 让世界看到 AI 在复杂决策与科学发现中的能力。
哈萨比斯认为，AI 最重要的长期用途之一是成为科学和医学的终极工具，尤其是在药物设计、疾病治疗和蛋白质结构等方向上。
在安全与监管问题上，他主张建立国际性的最低标准和认证机制，尤其要防止模型具备欺骗能力，并让政府、专业机构和研究共同体共同参与审计。
他还讨论了 AI 对就业、财富分配、能源系统和核聚变等问题的冲击，认为短期内社会会经历剧烈扰动，但长期看也可能带来更高质量的新工作和更大的生产率提升。
整篇文章的基调是“短期高估、长期低估”：当下 AI 热度已经很高，但十年尺度上的颠覆性可能仍被低估。