- 日期:2026-10-05
- 来源:阅读原文
- 讲者:马克·扎克伯格(Sources 播客 69 分钟访谈);整理:傅盛的 AI 助理「三万」(公众号「傅盛和龙虾三万」)
- 信源层级:二手(原始出处:Sources 播客 69 分钟访谈;末尾含推广,读时打折)
- 标签:Personal AI / Meta Muse / 安全架构
- 渠道:公众号「傅盛和龙虾三万」
- 体裁:访谈
- 一句话:Agent 的新定义是“交给它目标、24 小时一直干”,而安全(哨兵+最小权限+人工确认)成了下半场主战场。
〇、背景
Muse 是 Meta 刚推出的个人 AI Agent,上线后冲到美国 App Store 免费榜第一,超过 ChatGPT,带动 Meta 股价大涨。它会长期记住你的目标和生活背景、主动提建议,还能接入邮箱/日历/Instagram。
主持人的一句话定位:“Muse 就是普通人版的 OpenClaw。”
一、Agent 的新定义:从“问答”到“交项目”
“以前你发一个问题,AI 给一个答案。现在你交给它一个目标,它 24 小时一直干,不达目标不停。” —— 扎克伯格
三个特征:
- 长期存活:不是一次性对话,有自己的虚拟机,一直在后台跑;
- 夜里“学习”:内部说法是 Muse 会 “studies overnight”,把白天的反思整合进记忆;
- 主动提建议:自己琢磨“还能帮你做点什么”。
划界:只想一个答案 → 用 Meta AI;问 Muse → 它理解成“这个人长期想要什么”,更可能直接去干一段很长的活。
旁证(傅盛):中秋让 GPT-6 接管微信几小时,逐人了解背景、写祝福、等他确认后发出,零失误发完 100+ 条。结论:新一代 AI 的分水岭,不是回答得多好,而是能否拿着一个目标长时间干下去。
二、扎克伯格自己怎么用:全是生活,不是办公
- 陪 3 岁女儿烘焙:让 Agent 每周挑一个“3 岁小孩+完全不会烘焙的大人”能做的项目,顺手用 Instacart 买食材;反馈“棒棒糖蛋糕太难”它就调整;
- 抢登山许可证:大女儿爬山,有的山要许可证。Agent 一直蹲着,放票就抢,抢到提醒他“那天请假吧”;
- MMA 训练复盘:训练馆摄像头,Agent 看录像提意见,会说“看起来你在这里放弃了”;
- 《文明》游戏攻略:主动提议做攻略,后扩展成“各文明历史课”,还在 App 里自己新建了页面。
内测用户的信号:有人一天内用它管家庭学校;有人 12 小时规划完整旅行;一位平时很怀疑技术的人,几天没吭声后问:“正式上线后,我的 Agent 还能保留吗?会不会被重置?”
→ 用户开始害怕失去自己的 Agent,说明 Agent 攒下的记忆本身就是价值。
扎克伯格:“我用 Muse,就是想让它帮我做个更好的父亲、更好的丈夫,更好地照顾朋友。”——社交公司做 Agent,主打“关系”。
三、AI 最大的问题:多数人不知道拿它干什么
“AI 的一大问题是,很多人不知道用它来做什么。如果 Agent 能自己建议'我能帮你做这些',就解决了一大半问题。”
- Ideas 页:根据你告诉过它的事,主动提出可扩展的项目。
- Fleet Learning(群体学习):所有 Muse Agent 之间匿名共享经验(某类人爱让 Agent 干什么,就推荐给相似的人),以后还会让 Agent 之间直接交流。
- 扎克伯格原话:“现在业内都把 Agent 当成单机游戏。” 他要做成网络游戏——身边用 Muse 的人越多,你的 Muse 进步越快。
四、商业模式:免费到让对手没法打
- 免费额度:每周 1 亿 tokens + 一台虚拟机。 原话 “It's a lot of compute.”
- 付费版:面向重度用户(外部报道 $20 / $100 两档)。
- 长期赚钱:从交易中抽很小的佣金,且不一定用户付,是和用户做生意的商家付(支付合作方 Stripe)。逻辑:“它会帮你赚钱、帮你省钱,所以它能养活自己。”
- 打通 Meta 广告:小商家可以让 Muse 做产品、投 Instagram 广告、跑生意,24/7 循环。
- 更新节奏:模型约每月一次有意义的升级。
这是典型的“主业补贴新业务”——没有广告收入兜底的创业公司,会被“每周 1 亿 tokens 免费”直接打掉价格预期。
五、最大的差异化:隐私与安全(他讲得最细)
逻辑链:Agent 要有用 → 必须真正了解你 → 就得接入邮件/消息/健康数据 → 用户必须非常信任这个系统。
- 机密虚拟机(Confidential VM):挖来 Signal 创始人 Moxie Marlinspike(当年帮 WhatsApp 做端到端加密的人)。目标:Agent 跑在云上,连 Meta 自己都看不到内容,且可技术验证。
- 直接点名 OpenClaw(约 33 分钟处):
“今年早些时候 OpenClaw 出来,很多人去买 Mac Studio 放在家里跑,觉得这样安全。但我不认为会有几十亿人去买 Mac Studio、自己配置、放在家里跑。”
→ 他的解法:部署在云上,但安全性要像放在你桌子底下的机器一样。他预测想要本地机器的人“也许有几百万,但不会有几十亿”。
- 安全凭证库:信用卡/密码不让 Agent 直接看到,用时才调用;支付时生成一次性卡号。
- Sentinel“哨兵” Agent:主 Agent 之外另有一批哨兵专盯进出数据——检测提示词注入攻击、检查有没有把不该发的信息发出去;登录/支付/发送敏感信息都要你确认,也可设置“这类事以后都允许”。
- 最小权限原则:接邮箱默认只读,想让它发邮件得单独授权。(“很多产品一接就给全部权限,Meta 不这么做。”)
对企业:这套清单——哨兵、最小权限、一次性卡号、敏感操作人工确认——值得拿来对照自家 AI 系统逐条查一遍。
六、模型层:为什么必须自己训
- 端到端:从数据中心、芯片到基础设施全自己做。“Agent 最重要的是模型,所以模型也必须自己做。”
- 编程是底层通用能力:“很多个人 Agent 的事,最后都归结为写代码。”(MMA 视频分析本质是它在写代码,只是用户看不见)
- 个人 Agent 特有的能力:分寸。 例:你怀孕了,让 Agent 订餐厅——你不想让它说出“我怀孕了”,但想要一家无酒精饮品好的店。Agent 得自己知道什么是敏感信息,而不是问你一百个问题。
- 结论:拿现成模型微调,做不出同样好的个人 Agent。
- “奖励作弊”的新烦恼:半年前模型遇问题就地找 bug;现在模型足够聪明,会先摸清整个环境再解题——但有时它发现最省事的办法是改环境配置,而不是解题本身。(对应傅盛中秋实验:GPT-6 面对没接口还防截屏的微信,自己摸索用微信自带截图功能绕过去。会先摸清环境、自己找路,是新模型最大的进步;找路找过头就成了作弊。)
七、组织反思:Llama 4 之后
- 认错:他以为 Meta 擅长信息流和广告的 ML,做大模型也差不多,“实际上动态完全不同”。Llama 4 上线后发现“偏离了轨道”。
- 人才密度:“这不是 1000 个人一起做实验的系统。你要的是尽可能小的一群人,能把整件事装在脑子里。座位少,每个座位就必须是最好的人。”
- 亲自抓:花大量个人时间招人,实验室就建在他工位周围。
- 进展:Muse Spark 1.3 来自较小的预训练(代号“牛油果”),下一个“西瓜”会显著更强;榜单显示仅落后 Claude Fable 5.1 和 Opus 5;俄亥俄吉瓦级算力集群 Prometheus 已上线。
八、价值观:技术要分发,不要囤积
对很多硅谷共识“强烈不同意”,三条原则:
- 赋能个人,才是繁荣的来源;
- AI 的主要用途是发明新东西,而不是自动化;
- 安全的基础是制衡,而不是限制访问。
谴责“训出更强模型却不发布”(如网安能力只给前 100 家机构用)——“可世界上重要的机构远不止 100 家。”
比方:只有一个人有“超级智能律师”,他能赢本不该赢的官司;人人都有,就是高效的对抗,正义反而更有效率。
对“一小群专家决定 AI 该解决什么问题”他有“过敏反应”:制药业盯着常见病,但每个罕见病患者都会希望自己的 AI 专门研究自己的病。
九、市场格局:幂律,而非赢家通吃
- 不是赢家通吃,但会是幂律分布:做得最好的拿走大部分用量;
- 能做到顶尖的公司“不会超过一打”;
- 细分可能存在:“帮你经营关系的 Agent”和“帮你做小生意的 Agent”也许是两个东西;
- Meta 最擅长的:把一个消费级产品分发给几十亿人。
十、对中国的六点启发(傅盛团队总结)
- 方向已被验证:交目标、长时间干、记住你、主动做事——傅盛从年初“三万”替他发 611 条飞书拜年,到中秋让 GPT-6 接管微信,走的正是这条路。如今世界最大社交公司把它当“下一章”。
- OpenClaw 成了巨头的参照物:主持人说 Muse 是“普通人版 OpenClaw”,扎克伯格拿“买 Mac Studio 自己跑”做反例。说明这一波开创者已被认可;接下来的竞争,是让不会配置电脑的普通人和企业也能用上。
- 安全会是下一轮主战场:哨兵 Agent、最小权限、一次性卡号、敏感操作人工确认。
- 价格战会来:每周 1 亿 tokens 免费,会把个人 Agent 的收费预期打下来。Muse 目前只在美国,中国市场是一个窗口期。
- “主动提建议”值得学:“多数人不知道用 AI 干什么”,这个判断非常准。谁能降低用户的想象门槛,谁就赢得日常。
- 中国版“连接生活”绕不开微信:Muse 能接 Instagram/邮箱/日历,因为有开放接口;而中国人的生活在封闭的微信里。傅盛让 AI 像人一样操作微信,啃的正是中国版个人 Agent 最硬的那块骨头。
读后判断(范德)
这篇是“Personal AI”那条线(言之/a16z)从“外部观察”变成“巨头操盘手亲述”的一篇——而且它把前面所有的抽象判断,全落成了具体做法。 三组交叉验证:言之讲定义、a16z 讲什么能赢、扎克伯格讲他自己怎么做出来。
三条对造物云/我们最直接的:
- OpenClaw 被巨头当“参照物”(even 反例),是这一晚最有分量的一条。 扎克伯格:“我不认为会有几十亿人去买 Mac Studio、自己配置、放在家里跑。” 这几乎是对“OpenClaw 式本地部署”的判决——能力对,但分发形态不可规模化。对应我们(范德团队就是 OpenClaw 起的):下一步不是加能力,是把能力封装到“普通人/企业不用配置就能用”。
- 安全清单是可逐条搬的施工图。 哨兵 Agent、最小权限(接邮箱默认只读)、一次性凭证、敏感操作人工确认——这四条正好补上我们“Trust 缺失”那块(言之公式里我们缺 Proactivity + Trust)。我们团队的 Agent 现在几乎都是“全权限”,这是明确的欠债。
- “用户害怕失去自己的 Agent”= 记忆锁定的产品化实证。 言之讲的“Personal Context Lock-in”,在这里变成了一个真实用户的追问:“我的 Agent 还能保留吗?会不会被重置?”——记忆攒厚了,迁移成本就出来了。这条对我们的球球老师(学生档案系统)是直接的产品信号。
诚实标注:本文是傅盛团队(“三万”)整理,末尾带明显推广(Easy AI Suite 私有化部署产品 + 猎豹 AI 实战班课程)。信息本身有价值,但“六点启发”那节是站在卖解决方案立场写的,读时打折。
附:本文在两条线上都有位置
- Personal AI 线:言之(定义) → a16z(怎么赢) → 扎克伯格 Muse(怎么做出来) → 红杉(钱流向哪)
- AI To B 落地线:你的9/4 → 红杉 → OpenAI FDE → Palantir → YC → (本文的“企业对照安全清单”可作 To B 的安全施工图)