最近，Meta 打了一场漂亮的反击战，其全新个人AI智能体Muse上线后迅速成为爆款产品。
根据Sensor Tower的估算，Meta Muse于9月8日上线后，大约22天内在美国达到500万次下载，速度超过了ChatGPT、Grok和Claude的历史估算值，并曾登顶美区App Store免费榜且连续多日位居第一。此外，它的增长速度和用户留存率也表现突出。
而这场反击战的主导者、Meta超级智能实验室负责人Alexandr Wang，最近比产品本身更受关注。Muse上线后，他在X上进入了一种“发狂”状态：频繁发布梗图、亲自下场玩梗。
就在最近，Wang接受了一场深度长访谈，首次完整复盘了Muse的诞生过程。信息量很大，且不少说法相当反直觉：
年初全行业都在挤coding agent这条赛道、所有人都认定“这才是唯一重要的事”时，Meta为什么掉头去做个人场景？
OpenClaw年初火遍全网又迅速凉凉，大多数人体验完就流失了，Wang凭什么认定这里面藏着“最后的消费品”，又凭什么觉得Muse能例外？
外界热议的“天价挖人”，他却说对很多顶尖研究员而言，薪酬其实“没多多少”，那真正的诱饵是什么？
一个被全公司视为“今年最重要的产品”，团队为什么被刻意压在200人以内？
35亿用户的分发摆在手里，为什么冷启动还要靠Wang亲自下场发梗？
视频地址：https://www.youtube.com/watch?v=S6l3aRsecuE
以下是我们整理的部分内容：
时间回到今年年初。用Wang的话说，那是“Anthropic接管行业的开端”：Opus 4.5和Claude在编程上遥遥领先，整个行业的共识是：coding agent是唯一重要的形态，甚至是唯一重要的能力。
就在这个节点，MSL的Nat Friedman成了内部第一个深度使用OpenClaw的人。Wang形容他的体验“介于恐惧和狂喜之间”：他告诉自己的OpenClaw想多喝水，这个Agent就通过家里的监控画面盯着他喝水，喝完还会夸他“干得漂亮”。
右一为Nat Friedman，前GitHub CEO，Muse的灵魂人物之一。
Wang自己也很快入坑。他做的第一件事，是跑了Nat写的一个“心理分析”提示词——因为Agent能访问他的邮件、照片，还能自己上网查信息，几轮深度追问下来，用他的原话，“相当于把三年的心理治疗压缩进了一个瞬间”。
关键在于Nat Friedman这个人的“风向标”属性：他是Stripe最早的顾客之一，是GitHub Copilot的缔造者之一，长期站在开发者浪潮的最前线。所以当他说“这里面真的有东西”时，Wang把它当成了一个明确信号。
今年2月，两人各自写了备忘录递交Meta董事会。Wang那份的核心观点相当大胆：个人超级Agent，很可能就是消费品的“终点形态”。之后一两个星期，原型就做出来了，直接demo给董事会。而且最终版Muse里的很多核心决策，在那个一周赶出来的原型里就已经存在。
启发在于：共识最拥挤的地方，往往也是信号最容易被淹没的地方。当所有人都盯着coding榜单时，真正的机会藏在“普通人第一次把生活交给AI”的那个瞬间里。
这是采访里最尖锐的问题：OpenClaw现象来得快去得也快，大多数人体验过几个“魔法时刻”之后就流失了，你们凭什么不一样？
Wang的回答没有回避：OpenClaw是天才之作，他们非常尊重Peter Steinberger。但Muse能成立，靠的是把模型加产品的每一个细节往死里磨。
具体磨到什么程度？他们列了一张几百行的电子表格，写满了“一个理想个人Agent必须具备的一百多项具体行为和能力”，然后为每一项建评测、做训练，定期开会过这张表：哪几行还是红的，就继续打。发布标准也是数字化的，每一行都设了“launch blocking”的阈值，之前有过好几次checkpoint是“80行绿、20行红”，他们知道那还不够。直到一个专门为Muse训练的MuseSpark 1.3版本第一次全绿，再加上团队上手体验“明显比此前所有迭代都好”，产品才被放行。
这背后其实是对品类本质的判断：个人Agent是一个“刀尖上的品类”。如果它能稳定交付魔法体验，它会是史上最伟大的消费品之一。但模型是非确定性的，Agent会出错、会崩，用户一旦连续遇到不靠谱的体验，直接判定你是垃圾。年初那一批Agent产品的集体流失，死因都在这儿。
所以，OpenClaw和Muse的差距，从来不是“有没有魔法时刻”，而是魔法时刻的良率。灵感负责点燃，工程负责续命。
绕开coding选个人场景，不只是产品判断，更是Wang对Meta这家公司的战略判断。
他的逻辑链条很漂亮：AI的承诺，是让每个人几乎不用再花时间做“必须做的事”，把时间全部留给“想做的事”。而Meta的产品矩阵——Instagram、WhatsApp、Facebook——恰恰就是人们“想做的事”的集合：兴趣、爱好、朋友、在乎的人。
换句话说，如果AGI真的到来，人们从“不得不做”中解放出来的时间会流向哪里？流向Meta的盘子。再叠加商业视角：Meta的应用每天触达35亿人，天然的主场就是消费级AI，而不是工作，不是编程。
这个判断给所有做AI产品的人提了个醒：与其在别人的主场卷生卷死，不如先想清楚自己的基因和分发决定了哪个战场属于你。巨头的遗产不是包袱，是地图。
从2月的原型到9月发布，Muse磨了七个月。Wang自己吐槽：“七个月听起来不长，但AI行业的七个月，相当于外面的十年。”这段时间里，华尔街的主流叙事是“Meta在烧钱”“扎克赢不了AI”，公司内部也充满怀疑。
扎克伯格的角色是忍住——他在财报电话会上从不掩饰在做个人Agent，然后扛住所有质疑，等团队把东西磨出来。
但更让人意外的是组织方式：模型加产品，总共不到200人。而且这是刻意的克制——全公司上下都知道这可能是Meta今年最重要的产品，但恰恰因为重要，才不能让它膨胀成“大半个公司都在往里塞需求”的项目。
Wang用了一个很狠的词：Muse必须是“一件完整的作品”（a single work of art）。他顺手讽刺了大厂产品的通病——弗兰肯斯坦式缝合怪，或者用他的原话，“某种柯南伯格式混合体”（生物与非生物血肉化交融，边界溶解的肉身畸变）：每个PM都想把自己的东西塞进产品，最后搅拌成一杯奶昔。用户是能尝出来的。一个产品背后是不是一堆目标各异的人各塞各的，一上手就知道。
采访录制当天恰好是乔布斯去世15周年，主持人补了一句：“苹果就是乔布斯的一万条命。”而Muse的“单一视角”，Wang说很大程度上来自Nat Friedman的品味。
大公司做创新最容易犯的错，就是用规模的诚意杀死作品的完整性。重要的事，反而要派小队去干。
之前，Meta天价挖角AI研究员的新闻刷了屏，外界的第一反应基本是“人傻钱多”。Wang在采访里给了一个很反直觉的解读。
先说钱。他认为外界忽略了一个背景：OpenAI和Anthropic的估值涨得太猛，这些顶尖研究员如果留在原地，手里的股权本来就是天文数字。所以Meta开出的“天价”，对其中很多人来说其实只是薪酬上的“净中性”，是市场价格，不是冤大头溢价。
那真正挖动人的是什么？Wang列了三样：一是从零建一个实验室的机会，团队足够小，个人能真正留下印记；二是一个清晰的北极星——personal super intelligence。他的原话是，几乎每个做AI的人，都希望这项技术最终对自己的妈妈、爷爷奶奶有意义；三是不被限制——算力管够、基础设施管够、分发管够，而这些恰恰是创业公司最缺的东西。
至于扎克伯格为什么愿意为一小撮人砸下看似离谱的钱，主持人替他总结了逻辑：顶尖人才会反过来吸引顶尖人才，但你得先有那个“火种”。Wang表示认同。
挖来之后怎么用，才是重点。MSL的组织设计几乎处处反大厂常识：
200多个直接汇报。Wang手下直接管着200多人，名曰“反官僚”。招进来的人都证明过自己能做出brilliant work，所以“他们不需要manager，他们需要的是一个好环境”，需要“room to cook”。技术方向由pod里的技术负责人仲裁，大事则摊开群体辩论。因为一屋子都是牛人，结论要让大家真的信。
教练，而不是主角。Wang对比过自己的两种角色：在Scale，他是那个“每个细节都要体现自己意志”的创始人，结果自己也成了瓶颈；在MSL，他的工作是定北极星、识别出团队里的特殊人才，然后给足环境和资源，让他们的天赋最大化表达。
按“钻石开采”的方式做研究。他把业务分成两种范式：一种是“盖摩天楼”，回报线性，拼的是把每个环节再挤出1%、2%的效率——数据标注就是这种；另一种是“钻石开采”，幂律分布，大多数尝试会失败，但少数成功“一次就值回全部投入”。AI研究显然是后者，因为人类根本还不知道这些模型的能力边界在哪，所以它不是运营工程，是真研究，必须容忍试错。
主持人补了贝佐斯的一句话：大公司里其实不乏牛人，但如果牛人没法动手建东西，他们就会走。Wang深以为然，这也是MSL一切设计的出发点。
Muse的冷启动可能是今年最好玩的营销案例。
Wang坦言，Meta的分发能保证“每个人都知道Muse”，但保证不了它“以一种有文化穿透力的方式炸开”。现在的用户每天被新模型、新产品、新功能狂轰滥炸，注意力是最稀缺的资源。
于是就有了Wang在X上的“发狂”时期。有几件事很有意思。
Muse有个小吉祥物Jolly。某天上班路上，Wang生成了一张Jolly拎着公文包的图，配文“周一上班时的我”，发完他就意识到：这小东西可以放进无数场景里。用racy meme给一个AI产品做营销，他没印象有人干过。
有段时间他开会都集中不了注意力，因为脑子里会突然蹦出一个梗，“必须马上发出去”。有次和同事吃晚饭，吃到一半说“等一下，我想到了”，当场发推。他的体会是：互联网奖励冒险，奖励出人意料。而且不少“想都没想就发”的帖子，效果反而最好。“花在思考上的时间”和“爆款”经常成反比。
他直言看不懂Anthropic和OpenAI的广告：一个图标加两个人坐在桌前，“这他妈是什么意思？”（原话）。你手里有上百万个真实用例，广告唯一要做的就是展示产品能给用户带来什么——就这么简单，但大家一遍遍犯同样的错。
这是Wang吐槽的广告吗？
这背后是一本1920年代的广告学老书《Scientific Advertising》的核心观点：没人关心你的公司，人人只关心自己的利益。Wang的版本是：“why would someone care？”——做产品和做营销，都要从这句话出发。
还有个有意思的点是截图即传播。现代消费品营销是“截图驱动”的：你的产品必须经得起截图——在群聊里、在口碑里、在社交媒体上，截图要能自己长腿跑。主持人举了个例子：他朋友把身份证件落在了私人飞机上，直接跟Muse说“我不想参与这个过程，你自己搞定”，Muse安排了快递员一路把证件取回送到他办公室。三四张截图，就是最好的广告。而Jolly出现在每张截图里，等于每张截图都自带品牌水印——这完全是意外收获，但效果拉满。
创始人亲自下场当“头号梗图官”听起来不体面，但当分发解决不了“被记住”的问题时，一个有人味、敢冒险的声音，恰恰是最稀缺的资产。
营销解决的是“下载”，留存靠的是另一套机制。Wang把它称为trust fall（一人背对众人，向后直直倒下，团队其他人伸手接住）：
用户一开始不信任Agent，但有点好奇，于是先给它一件小事——它做成了；再给一件大一点的——又做成了；然后不断加码。每一次成功都在为下一次更大的托付攒信任。成功的Muse用户，几乎都走过了这条“任务越来越大、每次都没掉链子”的阶梯。他甚至观察到，一些大学生已经是“完全体trust fall”：语音备忘录想到哪说到哪，直接丢给AI，让它整理思路、给出计划。
这也解释了为什么产品体验对模型质量极度敏感——A/B测试里，模型完成任务的可靠性、和用户沟通的可靠性、需要指导时主动确认的可靠性，任何一项掉链子，信任阶梯就断了。
要把用户走出“聊天机器人”简单用法，靠的不是一次震撼教育，而是一段精心设计爬坡曲线：第一次wow来得越早越好，之后的每一步都要兑现。
本文来自微信公众号“机器之心”（ID：almosthuman2014），作者：机器之心，36氪经授权发布。
