祖克柏與 Alexandr Wang 談 Muse Wonder：先押上千億美元再看牌，「模型就是產品」

Meta 在 10 月 12 日發表首款前沿模型 Muse Wonder，同一天，祖克柏（Mark Zuckerberg）與 Meta 首席 AI 長 Alexandr Wang 一起上了 Stripe 共同創辦人 John Collison 主持的訪談節目《Cheeky Pint》，邊喝啤酒邊聊了兩個多小時。話題從 Muse 的熱門用法、「模型就是產品」的理念、前沿模型怎麼訓練，到 Meta 如何在還不知道模型會不會成功之前，就先押下上千億美元的資本支出。以下是聽完完整訪談後整理的重點與評論。

誰在對話？

• 祖克柏：Meta 創辦人兼執行長。
• Alexandr Wang：Meta 首席 AI 長、Meta 超級智慧實驗室（MSL）負責人，Scale AI 共同創辦人。
• John Collison：Stripe 共同創辦人兼總裁，《Cheeky Pint》主持人。

利益揭露： 主持人所屬的 Stripe 與本集內容有直接商業關係。Stripe 已宣布同意收購 AI 模型路由平台 OpenRouter（交易在錄影時尚未完成），而 Muse Wonder 也會在 OpenRouter 上架；節目中也提到 Muse 整合了 Stripe 的支付服務。另外，Meta 持有 Scale AI 約 49% 股權。讀者在看主持人的觀點時，宜把這些關係納入考量。

依 Meta 官方研究部落格，Muse Wonder 系列包含 Muse Wonder 與 Muse Wonder Full 兩款模型，主打個人與專業 AI 代理人任務，在 Meta 位於俄亥俄州、吉瓦級的 Prometheus 資料中心訓練。Muse Wonder 已透過 Meta Model API 與 Muse Code 提供，Wonder Full 則限 Muse Code 訂閱用戶使用，之後也會先以付費方案導入 Muse App。以下凡是數字與說法，皆為受訪者在節目中的陳述。

Muse 的熱門用法：從找茶葉到 MMA 教練

訪談一開場，兩人分享自己最愛的 Muse 用法。Wang 說他的 Muse 每週都會替他從台灣、日本等地越來越冷門的小茶園找茶、下單。祖克柏則把攝影機裝在自家健身房，讓 Muse 在 MMA 對練的回合間，用一分鐘的休息時間給他回饋，例如重心太偏後腳、某個位置沒有拿到下勾手。

祖克柏說這其實是很難的問題：Muse 必須自己寫出一整套影片與影像處理流程，還要在 60 秒內給出建議；他甚至會催它「再快一點、優化你自己」。他由此推論，未來每個人都會寫大量程式，只是自己不知道在寫程式。他也透露，這個用法從最早的原型就存在，後來成了團隊內部的評測項目之一。

另一個例子是他和三歲女兒的週末烘焙：父女倆整週和 Muse 討論想做什麼，Muse 會在週六前透過 Instacart 把食材送到；他說自己以前一年只用一兩次 Instacart，現在每週都用。他因此提出一個有趣的經濟問題：這個 Instacart 帳號到底是給他的，還是給 Muse 的？ 如果代理人也成為「消費者」，整個商業的可觸及市場可能會擴大。

小評： 這些故事有行銷成分，但點出 AI 代理人與聊天機器人的根本差異：前者會「動手做事」。對電商與外送平台來說，代理人帶來的不只是轉換率提升，還可能是全新的需求來源。

「模型就是產品」：多模態、記憶與「不囉唆」

祖克柏說，Meta 內部的口號是「模型就是產品」。產品端最複雜的工程在於隱私與安全，例如替每個代理人配置專屬虛擬機器；但能力與個性，主要是訓練進模型裡的。Wang 補充，AI 原生產品的關鍵設計決策，最後都落在訓練方法、資料與評測上。

兩人也強調 Meta 早早押注多模態。Wang 說，今年初業界共識是「只有程式最重要」，但多數人是用看、聽、拍影片的方式體驗世界，個人代理人一定要擅長多模態。祖克柏則提到眼鏡：未來的眼鏡可能根本沒有 App Store，而是由多模態模型即時生成你需要的畫面。

至於 Muse 為什麼沒有「模型選擇器」，Wang 直言很多 AI 產品是由高度技術背景的人設計，模型命名混亂到「版本號會倒退」，一般人根本不知道該選哪個；Muse 的原則就是保持簡單。

小評： 「沒有模型選擇器」看似小事，卻是消費級 AI 能否普及的關鍵。Meta 的強項本來就在大眾消費產品，這也是它和偏重開發者與企業的 AI 公司最大的差異。

Muse Wonder 有什麼不同？

Wang 說 Muse Wonder 是「新一級」的前沿模型，重點能力包括：

• 主動記憶（Active Memory）： 在數天、數週甚至數月間記住使用者提過的事，並用在後續任務上。他說這是 Meta 相對其他實驗室「不成比例地重押」的方向，而且記憶管理是模型本身的能力，不只是外掛系統。
• 主動專注（Active Focus）： 在長時間、複雜且模糊的任務中堅持到底，遇到阻礙時自行找出合乎使用者意圖的替代方案。
• 領域專業： 他說 Muse Wonder 在多項金融、法律評測達到業界頂尖，目標是讓個人代理人像是「站在你這邊的專家團隊」。
• 程式能力： 他說在多項程式基準測試上達到頂尖水準，但也坦言用來寫程式的人只會是少數。

在商業安排上，祖克柏說 Muse 會持續以 Muse Spark 提供大量免費額度，但較大、服務成本較高的 Wonder 將先以付費訂閱提供；他希望不久後能把 Wonder 等級的能力壓縮進 Spark 規格，服務數億人。

兩人也談到「刷榜」問題。Wang 說外部基準測試很快就飽和，而且往往是某位博士生做出來的，若只追外部分數，等於把產品思考外包給那位博士生。Meta 越來越依賴內部評測，並提出一個衡量「大模型手感」的指標：比較模型在訓練分布內與分布外任務的表現差距，他說 Wonder 系列在這方面比 Spark 系列大幅進步。

小評： 依外媒報導，Muse Wonder 並未開放下載權重，這和 Meta 過去 Llama 開放權重的路線明顯不同，代表 Meta 的 AI 策略已從「開源生態」轉向「自有產品與 API 營收」。模型實力最終仍要看第三方實測與市場採用。

前沿模型怎麼煉成：小團隊、大算力、長週期

談到如何訓練前沿模型，祖克柏回憶，他第一次聯繫 Wang 後兩天，Wang 就寄來一份長長的建議，第一條就是：不需要很多人，人才密度才是關鍵。Wang 說研究團隊不到 200 人，祖克柏補充核心研究人員約一百人，其餘多為基礎設施人員。他們不把算力平均分給多個互相競爭的專案，而是集中投資在關鍵人才身上，讓每位研究員都有大量算力。

兩人也解釋了訓練流程：預訓練階段要盡量灌入大量、多元、多模態的資料，想讓模型擅長的領域，最好從預訓練就開始接觸；後訓練則包含監督式微調與強化學習。Wang 說，強化學習的資料反而常常「少即是多」，而且必須小心設計訓練環境，避免模型在壓力下學會不安全或不對齊的行為。祖克柏則強調，Meta 對「對齊」的理解是：忠實執行使用者的指令與價值，除非是災難性的請求，否則不該對使用者說教。

他們也透露內部代號：Muse Spark 系列叫「酪梨」，Muse Wonder 叫「西瓜」，還開玩笑說水果已經用完了，唯一更大的是榴槤。

小評： 「小團隊、大算力」是近年頂尖 AI 實驗室的共同趨勢，也是 Meta 願意以高薪挖角的原因。對投資人來說，這意味著 AI 的主要成本不在人力，而在算力與資料中心。

一千億美元的豪賭：先下注，再看牌

這集最值得投資人細聽的，是 Meta 如何面對巨額資本支出的不確定性。祖克柏說，去年底他們還沒看到模型成果，就得決定開出「大概一千億或兩千億美元」的支票。Wang 回憶，公司高層在夏威夷開會時，財務長 Susan Li 多次私下提醒他：如果模型不成功，財務上會非常非常糟。

在成本上，祖克柏給了一個粗略數字：營運一座吉瓦級叢集一年約需 150 億美元，若算前期資本支出則約 500 到 600 億美元；把研究、訓練與服務加總，訓練一個前沿模型要花上數百億美元。他也提到 Meta 正在擴建的算力：俄亥俄州的 Prometheus 叢集規模超過 1 吉瓦，路易斯安那州的 Hyperion 叢集將擴展到 5 吉瓦，而這些計畫早在 2023 到 2024 年的 Llama 時期就開始規劃。

那為什麼敢賭？祖克柏的說法是，這其實沒有外界想的那麼危險：第一，若 AI 整體成功，很多人都願意出更高價格租用這些算力，要虧錢除非「整個 AI 失敗」；第二，即使如此，Meta 的核心業務也能善用這些算力。他也提到，自建資料中心的折舊期長，即使 GPU 折舊完畢仍會繼續使用，而在算力短缺下，連 H100 的價值都比去年更高。

小評： 這段把 AI 資本支出的邏輯講得很清楚：Meta 等於用廣告本業的現金流替 AI 背書，並把算力視為「有退路的資產」。但這也代表 AI 投資的回報高度仰賴算力需求持續旺盛，一旦供需反轉，折舊與閒置的壓力就會浮現。

怎麼賺回來？訂閱、交易抽成、企業 API

被問到如何支撐這些投資，祖克柏說 Muse 會盡量免費，以追求規模與網路效應，但營收來源包括：

• 訂閱： 想用 Muse Wonder 處理困難任務，就要付費。
• 代理人商務： 他認為 Muse 能幫人省錢、賺錢，長期可從中抽取小比例分潤，並把 Muse 打造成小企業的「創業工具箱」。
• API 與企業平台： Meta 正在建立企業部門，把通用模型賣給企業。
• 加速本業： 用模型讓規模達數千億美元的核心廣告業務成長再快幾個百分點，本身就能支撐大量投資。

他也總結 Meta 的老劇本：先做出好產品、把用戶規模做到十億級，再擴大營收。

代理人商務與「阻擋代理人」的商家

Collison 問到，若有商家不想讓 AI 代理人進入自家網站怎麼辦？祖克柏說 Muse 被訓練成很會操作瀏覽器，讓商家不必做任何整合就能被代理人使用；對願意合作的夥伴，則提供直接的 API 串接。他說主動來電要求深度整合的商家遠多於試圖封鎖的，並預期未來每家企業都會有自己的代理人，就像今天每家企業都有網站與社群帳號。Wang 則認為，代理人商務的比重會像電商之於實體零售一樣逐步擴大。

祖克柏還提到一段往事：他在 2023 年與 Stripe 執行長 Patrick Collison 吃飯時，就提醒對方要準備「代理人購物」的時代；John Collison 則說，Stripe 的代理人商務數據直到今年 9 月才開始急速成長。

小評： 代理人商務若普及，最受衝擊的是依賴「使用者停留時間」或資訊不對稱賺錢的商業模式。反過來說，支付、物流與能被代理人順利串接的電商平台，可能會是受益者。

AI 不會贏者全拿

為什麼過去預言「某一家實驗室會遙遙領先」沒有成真？Wang 的看法有三點：各實驗室的執行力有起有落；「蒸餾」技術讓小模型與開源模型能快速追上；以及業界許多人並不希望看到單一公司獨占，人才與資金的流向也會反映這種偏好。祖克柏則說，他認為由少數公司壟斷最強模型的世界反而更危險，多元與制衡才是更安全的未來；他也對 Nvidia 近期支持開源生態的動作表示肯定。

祖克柏預期，未來能打造前沿超級智慧的公司只會有少數幾家，並由它們主導最有趣的產品；而 Meta 若想持續創新，就必須能端到端打造自己的超級智慧。他也認為多數對手過度專注於「自動化知識工作」，但超級智慧的最高用途其實是發明與創造。

MSL 的重新開機：祖克柏的四個「不尋常」決定

訪談後半段回顧了 MSL 的成立。祖克柏說，2025 年 4 月 Llama 4 推出後不久，他開始四處徵詢意見，並在和 Wang 的第一通電話約 44 分鐘後，收到前面提到的那份建議。他說他和各大實驗室的研究負責人都談過，結論是「Wang 就是那個人」。

Collison 歸納了祖克柏的四個不尋常之處：公開承認先前的 AI 路線不夠好、願意為人才付出極高代價、押注一位從沒訓練過前沿模型的人，以及清空行程整整一兩個月專心招募。Wang 則補充，祖克柏一旦得出結論，就會讓所有行動與新信念保持一致，而且當時團隊在招募過程中才逐漸確定要「完全重新開機」，因為從零開始的感覺最吸引頂尖人才。

Wang 也分享一段讓他「心一沉」的往事：他剛到 Meta 時說第一要務是做出好的推理模型，結果舊團隊的一位主要負責人回應「我們的用戶需要推理模型嗎？」他說這讓他意識到，公司領導層需要更快擁抱 AI；而後來 Meta 許多資深主管轉變得非常快。他也說，MSL 成立時祖克柏明確告訴大家「沒有截止期限」，但這群「不安全感很重的高成就者」反而動力十足，每次預測三個月後的進度都過度悲觀。

至於 Wang 在 X 上大量發迷因，祖克柏的評語是：溝通最重要的是真誠，偶爾出錯也比照本宣科好；他也說每次打開 X，總能看到好幾則 Wang 的貼文讓他笑出來。

小評： 從 Llama 4 的挫折到 Muse Wonder 發表，大約一年半。這段故事說明，大公司要在新技術浪潮中翻身，創辦人的決斷力與資源調度能力往往比既有組織更重要。但「完全重開機」的代價也很高，Meta 能這樣做，靠的是本業提供的龐大現金流。

這對投資人代表什麼？

• Meta 的 AI 從開源轉向自有產品。 Muse Wonder 不開放權重，改以訂閱、API 與企業平台變現，商業模式更接近其他閉源實驗室。
• 資本支出仍會維持高檔。 祖克柏估計一座吉瓦級叢集的資本支出約 500 到 600 億美元，Hyperion 將擴展到 5 吉瓦，GPU、伺服器、電力與資料中心相關供應鏈仍有長期需求。
• 代理人商務是新戰場。 交易抽成、訂閱與小企業工具若能成形，Meta 將多出廣告以外的營收來源；支付與電商平台也可能重新洗牌。
• 風險在算力需求與回報速度。 祖克柏認為算力是「有退路的資產」，但投資回報仍取決於 AI 需求能否持續成長，以及 Muse 能否從數百萬用戶擴展到數十億。

結語

這集訪談最有意思的地方，在於兩人都很坦白地承認：在模型還沒煉成之前，他們其實也不確定會不會成功。祖克柏用「冪次法則」看待風險，Wang 則把它形容成「困難模式的創業」。Muse 與 Muse Wonder 是 Meta 這場豪賭的第一批成果，接下來能否轉化成可持續的營收，才是市場真正要檢驗的地方。

---

來源

• 節目原始影片：Muse Wonder: Zuckerberg and Wang's $100B AI（YouTube／Cheeky Pint，2026 年 10 月 13 日）
• 節目逐字稿頁面：Cheeky Pint Substack
• 背景資料：Muse Wonder 官方研究部落格（Meta）
• 本文為收看節目後的聽後整理，文中數字、預測與說法皆為受訪者或主持人於節目中的陳述。

非逐字翻譯、觀點整理，不構成投資建議。