Muse 的七个月：Meta 如何让用户逐步信任 AI 智能体

原始资料：David Senra 对话 Alexandr Wang，谈 Muse 的诞生。节目资料页。

嘉宾：Meta 首席 AI 官、Scale AI 联合创始人 Alexandr Wang。主持人：David Senra。视频发布于 2026-10-11，时长 01:12:17。

本文依据全片英文自动字幕整理，并核对 Meta 与 Scale 的公开资料。内部评估、用户规模与个人经历保留发言者归属；产品愿景与编辑判断另行说明。

Muse 的早期原型，团队大约用了 1 到 2 周就做出来了。把它变成能交到普通用户手里的产品，又经历了约 7 个月的打磨。

Alexandr Wang 在访谈里反复谈到这段时间。原型偶尔能完成让人兴奋的任务，但也经常出错、卡住。团队面对的问题很具体：一次漂亮的演示之后，用户能不能放心把下一件事交给它？

Meta 在 2026-09-08 正式发布 Muse。Wang 对这段开发过程的回顾，串起了个人智能体产品的几件要紧事：模型该训练什么，信任如何积累，产品由谁做取舍，以及研究团队怎样保持探索能力。

这场访谈最有用的线索，是把用户的信任拆回一次次具体的任务。

Meta 为什么把个人智能体放在中心

按 Wang 的回忆，2026 年 2 月，他和 Nat Friedman 已经花了大量时间使用 OpenClaw。它让他们看到，AI 可以把个人背景、信息与行动连接起来，持续帮一个人处理生活里的事情。

他们很快写下内部备忘录，并把早期原型展示给董事会。Mark Zuckerberg 也在亲自尝试，包括让智能体观看自己的综合格斗训练视频、提供改进建议。这些都是 Wang 讲述的早期使用经历。

当时，Wang 感受到的行业压力主要来自编程智能体。他认为 Claude 的进展很快，其他团队很容易跟着把资源集中到同一条赛道。Meta 对个人智能体的投入，则建立在另一组已有条件上。

Instagram、WhatsApp 和 Facebook 连接着人的兴趣、朋友与家庭。Wang 在访谈中提到，这些应用每天触达约三十五亿人。他希望 AI 帮人处理必须完成的杂事，把时间留给真正想做的事。

这里的规模指 Meta 旗下应用，不能当成 Muse 的用户数。个人 AI 也是战略重心的选择，不能解读为 Meta 停止做编程模型。其 Muse Spark 1.3 官方说明同时介绍了智能体与编程能力。

从他的解释看，产品方向来自公司已经理解的人与场景。模型能力的发展，随后要服务于这些场景里的具体需求。原视频：个人 AI 的战略选择。

把可靠性拆成 100 多项行为

开发过程中，团队列出了一张很长的表格：理想的个人智能体需要具备哪些行为和能力？

Wang 一度脱口说到上千项，随即修正为 100 多项。每一项都要建立评估，再通过训练和版本迭代逐步改进。产品路线与模型训练因此紧密连在一起。原视频：行为清单与评估。

他谈到的要求，可以归纳成几个层面：任务能否稳定完成，过程中能否清楚沟通，以及遇到需要人判断的事情时，能否及时回来寻求指导。这是对访谈的归纳，完整内部清单并未公开。

团队为每一行设定了阻止发布的门槛，以及表现良好的标准。Wang 举例说，如果 80 行变绿、20 行仍然是红色，就还不够。这里描述的是清单中的项目数量，不能换算成产品有多高的任务成功率。

据他介绍，第一次全部达标的模型检查点，是经过专门训练的 Muse Spark 1.3 版本。与此同时，团队持续让新用户从下载安装到实际使用走完整流程，并比较不同模型版本的体验。

上线判断同时依赖可检查的行为和真实使用感受。 访谈没有披露完整测试集、各项阈值或长期成功率，但说明了一种做法：先把失败拆细，才知道模型下一轮究竟该改什么。原视频：发布门槛。

信任来自下一件事也能办成

Wang 描述，喜欢 Muse 的用户往往走过相似的过程：先交给它一件小事，发现完成了，再交一件稍大的事。任务不断扩大，前提是前面的经历没有让人失望。

这样的信任很脆弱。用户委托得越多，一次错误需要自己收拾的后果也可能越大。本文从这段访谈得到的判断是，智能体需要在能力、沟通与求助之间保持一致，才能让委托继续发生。原视频：逐步建立信任。

Senra 讲了一个朋友的故事：对方把证件落在私人飞机上，要求 Muse 安排取回并送到办公室。据他转述，智能体协调了快递以及后续交接，朋友把对话截图发给了他。

这个故事让任务价值变得直观，但它仍是主持人转述的个案。访谈没有展示完整操作记录，也不能据此认定所有用户都能稳定完成同类任务。原视频：取回证件的案例。

Meta 的公开产品说明还强调，用户可以决定服务的接入权限，发送邮件或购买等敏感行动需要确认。这是厂商描述的产品机制，不能代替独立的安全验证。逐步信任也应当保留可控制的授权边界。

不到 200 人，保住一致的产品判断

Wang 说，Muse 在这段开发期内，模型与产品工作加在一起，参与者总共不到 200 人。

他强调的是团队的专注程度。一个被高层寄予厚望的项目，很容易吸引大量部门参与，每个团队都希望把自己的目标、功能和界面放进去。最后，用户面对的体验就会变得零碎。

Muse 希望保留清楚的产品判断：它到底帮助谁，如何与人互动，哪些东西应该出现，哪些东西暂时不要加入。Wang 把很大一部分功劳归给 Nat Friedman，认为他的品味与取舍贯穿了产品。

Zuckerberg 在其中扮演的角色，按 Wang 的描述，还包括给团队足够的时间，把细节不断修好。在竞争激烈的 AI 行业，愿意等待可靠性改善，本身就是一种资源分配。

统一的产品方向，需要有人持续做取舍。 团队人数只是组织条件，访谈没有证明同样的规模适合所有 AI 产品。原视频：团队规模与产品一致性。

下载之前，要先让人看懂它能做什么

有大规模分发渠道，仍然要回答一个问题：为什么有人愿意停下来，理解这个新产品？

Wang 提到，AI 产品、模型和功能更新太密集。仅仅告诉外界又发布了一个产品，很难获得持续关注。他开始大量转发真实用例，也亲自写与 Muse 吉祥物有关的梗图文案。

在他看来，能传播的截图有直接价值。朋友发来一段对话，展示一件麻烦事如何被处理，接收者马上就能理解用途。截图里的吉祥物又帮助人认出产品，实际结果与品牌记忆因此出现在同一个画面里。

这也解释了前面的证件故事为什么容易传播：读者不必先理解模型、工具或运行环境，就能看懂一件生活里的麻烦被处理了。

不过，Wang 明确说，他们没有足够的追踪数据来判断这些帖子具体带来了多少增长。他相信传播起了作用，主持人也分享了身边人的反馈；这些仍不足以建立因果关系。

用户规模也需要保留同样的分寸。访谈只确认了“数百万”这一宽泛表述。Wang 提到自己转发过第三方增长曲线，但没有给出精确活跃用户数、统计窗口或留存数据。视频标题里的增长排名，不能直接当成已经验证的行业结论。原视频：增长表述与传播尝试。

从 Scale 到 Meta，管理任务变了

访谈后半段，Senra 把话题转向 Wang 为什么离开 Scale。

据 Wang 回忆，Zuckerberg 在 Llama 4 未达到公司期待之后向他询问 AI 战略。最初像是创始人之间交换意见，后来逐渐发展成合作讨论。从最初接触到宣布交易，大约用了 5 到 6 周。原视频：与 Zuckerberg 的早期讨论。

Wang 在节目中把安排概括为：Meta 持有 Scale 的 49%，Scale 继续经营，他与少数同事加入 Meta。Scale 的官方公告确认了少数股权投资、Wang 加入 Meta，以及 Scale 保持独立；49% 这个具体数字来自访谈表述。

这次选择发生在他创办 Scale 约 9 年后。他曾把 Scale 当成毕生事业，离开日常经营需要很大的情绪调整。吸引他的另一面，是 Meta 的 AI 组织需要重建，他有机会重新设计团队与工作方式。原视频：交易与离开 Scale。

在 Scale，他努力理解并参与公司几乎每一种工作，让自己的判断贯穿各处。这种做法帮助公司形成鲜明风格，也让他成为许多事情必须经过的瓶颈。

到 Meta Superintelligence Labs，也就是 MSL，任务变了。研究、设计与产品都需要专业能力，他不可能亲自替代每个角色。他描述的新职责，是找来出色的人，明确方向，并提供让他们发挥的资源与环境。

研究需要探索，技术决策需要负责人

Wang 用两种工作来说明管理方式的差异：盖摩天楼，以及寻找钻石。

前者的回报比较连续。流程改进一点，成本、速度或质量就改善一点。他把数据标注业务以及大规模配送放在这一类，重点是持续优化已经知道如何完成的工作。

后者允许大量尝试没有结果，少数突破却可能带来很大的价值。他认为前沿 AI 研究更接近这种状态：需要给研究人员时间和资源，让值得探索的想法有机会被验证。原视频：两种回报结构。

这一点也体现在组织结构上。Wang 说，自己有超过 200 个直接汇报者，并解释 TBD 研究团队采用了很扁平的人员管理结构。

这个数字与前面的“不到 200 人”范围不同。前者说的是他在研究组织中的直接汇报关系，后者说的是 Muse 那段开发工作的模型与产品团队，不能合并成一张人数表。

扁平结构里，技术负责人仍然存在。团队分成多个小组，由技术带头人确定方向，并在需要时裁定技术选择。研究人员共同讨论，也有清楚的决策责任。

Wang 承认，自己很难成为这么多人的理想常规经理。他希望这些已经证明过能力的人得到空间与支持。这个模式依赖很高的人才密度，访谈并未提供可以照搬到所有团队的管理公式。原视频：直接汇报与技术小组。

从这两段讨论可以看出，产品的一致性与研究的自由度可以同时存在：产品需要清楚的取舍，研究需要容纳还不知道答案的探索。管理者要判断，眼前的工作究竟属于哪一种。

最终要增加的是人的行动能力

谈到长期愿景，Wang 希望个人 AI 能帮助人保留雄心。生活里的琐事、障碍与责任不断增加，很多想做的事逐渐被搁置。个人智能体如果能处理其中一部分，就可能让人继续把愿望变成行动。

这是他对未来的期待。访谈没有提供长期研究，证明 Muse 已经让用户拥有更多闲暇、实现更多目标，或持续提升了行动能力。原视频：个人智能体与人的愿望。

这场对话留给产品团队的启发却很具体：先列清楚用户委托一件事需要哪些能力，再观察任务失败在哪里；让产品有一致的判断，也让研究保留寻找新答案的空间。

个人智能体能否进入日常生活，要看它是否一次次完成被托付的事情，让人保有控制权，并愿意继续交给它下一项任务。