Meta AI 負責人 Alexandr Wang 揭露 Muse 誕生內幕
Meta 於今年 9 月推出個人 AI Agent「Muse」，讓人工智慧不再只是回答問題的聊天機器人，而是能夠實際操作應用程式、安排生活行程，甚至代替使用者處理日常瑣事的數位助理。這款產品迅速登上美國 App Store 排行榜，也成為 Meta 超級智慧實驗室（Meta Superintelligence Labs，MSL）成立後的重要成果。
近日，Meta 首席 AI 長 Alexandr Wang 接受《Founders》主持人 David Senra 專訪，首度深入談論 Muse 從概念、原型到正式推出的七個月研發過程，以及自己為何選擇離開創辦九年的 Scale AI，加入一度被外界認為在 AI 競賽中落後的 Meta。
訪談中，Wang 揭露多項細節：Meta 董事 Nat Friedman 曾讓 OpenClaw 監看自己有沒有喝水，Wang 自己則讓 Agent 分析電子郵件與照片，經歷一場宛如三年心理諮商濃縮而成的深度自我分析。這些體驗促使團隊相信，個人 AI Agent 可能成為未來最重要的消費產品，甚至是某種意義上的「終極消費產品」。
廣告 - 內文未完請往下捲動
Meta 的 AI 轉折點：Nat Friedman 與 OpenClaw 的瘋狂實驗
Wang 回憶，Meta Superintelligence Labs 在 2025 年成立時，就已經確立「個人超級智慧」（Personal Superintelligence）的長期願景。這項理念來自 Mark Zuckerberg 當年發表的公開備忘錄，核心問題是如何讓強大的 AI 真正改善一般人的生活，而不只是提高工作效率。
不過，真正讓團隊看見個人 Agent 潛力的轉折點，發生在 2026 年初。當時 Anthropic 的 Claude Opus 4.5 已讓程式開發 Agent 展現強大能力，而 OpenClaw 也開始引發科技圈關注。Nat Friedman 是 MSL 最早嘗試 OpenClaw 的成員之一，其使用體驗讓 Wang 印象深刻。
Friedman 曾要求自己的 OpenClaw 協助養成多喝水的習慣。Agent 隨後取得監視器影像，確認他有沒有真的喝水，甚至在完成目標後給予稱讚。
Wang 形容，Friedman 對 OpenClaw 的體驗介於狂喜與恐懼之間。隨著他開始完全信任這個系統，才發現個人 Agent 可以介入生活的範圍，遠比一般聊天機器人廣泛。
Friedman 隨後也推薦 Wang 使用一套深度心理分析提示詞，讓 OpenClaw 連續進行多輪心理探索。Wang 表示，當時 Agent 可以存取他的電子郵件、照片及其他個人資訊，並將不同資料來源整合起來，提出一連串深入的心理問題。他形容，這段經驗彷彿把三年的心理諮商濃縮成一次互動，過程既強烈又令人感到脆弱。
這些實驗讓兩人逐漸形成共同判斷：當 AI 不再只是處理單次提問，而是能長時間理解使用者、掌握個人情境並採取行動時，一種全新的消費產品型態就可能出現。
到了 2026 年 2 月，Wang 與 Friedman 分別撰寫內部備忘錄，並提交 Meta 董事會。
其中，Wang 提出個人超級 Agent 可能是「終極消費產品」的觀點；Friedman 則撰寫名為《The Claw’s the Law》與《Trust Is a Must》的備忘錄，強調個人 Agent 的價值與使用者信任密不可分。
兩週完成原型、七個月才推出：Meta 為何不急著推出？
確認方向後，Meta 團隊只花約一至兩週，就完成 Muse 的第一個原型，並向董事會展示。Wang 表示，早期原型已經具備部分最終產品的核心元素，包括如今成為 Muse 代表性形象的 Jolly 角色，以及初步的互動設計。Zuckerberg 本人也深度參與測試，曾利用 Agent 協助處理家庭事務，甚至讓系統觀看自己進行綜合格鬥（MMA）訓練的影片，分析動作並提供改善建議。
不過，早期原型雖然偶爾能完成令人驚豔的任務，絕大多數時間卻仍然不夠穩定。這也是團隊認為 OpenClaw 早期熱潮未能持續的重要原因。Wang 強調，他非常尊敬 OpenClaw 創辦人 Peter Steinberger，認為其技術願景具有突破性。但對 Meta 而言，打造讓數十億一般消費者都能安心使用的 Agent，與提供開發者一個能夠自行調整的開源工具，是完全不同的挑戰。
Muse 的研發因此進入長達七個月的打磨階段。團隊建立一份列出超過 100 項具體能力與行為要求的試算表，逐一確認模型是否具備執行任務、理解使用者意圖、適時詢問確認，以及穩定完成操作等能力。每項能力都有對應的評估方法與發布門檻。如果模型在其中 80 項表現良好，但另外 20 項仍未達標，團隊就不會讓產品上市。
直到經過特殊訓練的 Muse Spark 1.3 通過所有關鍵評估項目，團隊才認為產品具備正式推出的條件。Wang 透露，整個 Muse 專案包含模型訓練與產品開發，總人數不到 200 人。對 Meta 這樣的大型科技公司來說，這是一支相對精簡的團隊。他認為，產品不能成為不同產品經理各自堅持功能、最後拼湊而成的大雜燴，而必須保有一致且清晰的產品願景。
他特別指出，Muse 最終呈現的產品體驗，很大程度上反映了 Nat Friedman 的審美與判斷。
不與 Anthropic 搶 Coding Agent：Meta 押注數十億人的個人生活
Muse 的產品方向，實際上也反映 Meta 與 OpenAI、Anthropic 不同的競爭策略。Wang 回憶，2026 年初 Anthropic 在程式開發模型領域建立明顯優勢，Claude Opus 系列與 Coding Agent 的快速進展，讓業界普遍認為程式開發是 AI 最重要、甚至可能是唯一值得全力競爭的應用場景。
他承認，當時 Anthropic 的領先讓包括 Meta 在內的競爭對手感受到很大壓力。不過，Meta 最終沒有選擇將全部資源投入 Coding Agent，而是將主要產品方向轉向個人 Agent。
Wang 解釋，這與 Meta 的核心業務密切相關。他認為，人類的生活可以分成兩類事情：一類是不得不做的工作，另一類是真正想做的事情。AGI 的承諾，是讓 AI 承擔越來越多不得不做的任務，釋放人類的時間與精力，投入自己真正感興趣的活動。
而 Instagram、Facebook 與 WhatsApp 等 Meta 產品，恰好都圍繞人際關係、個人興趣與生活體驗。Meta 擁有每天約 35 億人使用的應用程式生態系，這讓 Wang 認為，公司在個人 AI 領域具備其他 AI 實驗室難以複製的分發能力。
他認為，Meta 真正有機會建立優勢的市場，不是企業工作流程，也不是程式開發，而是消費者的個人生活。因此，Muse 的設計目標從一開始就不是成為功能更多的聊天機器人，而是讓使用者能夠把生活中的實際任務交給 AI。
根據 Meta 官方介紹，Muse 能在專屬的 Muse Secure VM 虛擬機器中操作瀏覽器、使用應用程式及處理任務，例如寄送電子郵件、安排旅行、填寫表單，甚至協助使用者規劃較長期的個人目標。
從不信任到完全交付任務：Muse 如何培養用戶使用習慣？
Wang 認為，Agent 產品與傳統 App 最大的不同，是使用者需要逐漸建立對系統的信任。第一次使用 Muse 時，多數人通常只會交付一項很小的任務。當 Agent 成功完成後，使用者可能會嘗試稍微複雜的事情。如果第二次、第三次也成功，就會逐步將更重要的任務交給系統。Wang 將這種互動形容為一場持續進行的「信任測試」（Trust Fall）。
他認為，Muse 真正的留存機制並不是讓使用者每天打開 App 聊天，而是讓使用者持續發現：原來生活中還有這麼多事情可以不必親自處理。
主持人 David Senra 也分享朋友使用 Muse 的案例。這位朋友將身分證件遺留在私人飛機上，於是要求 Muse 自行確認物品位置、安排快遞取件，並把證件送到自己的辦公室。
使用者的核心要求，是希望自己完全不必參與中間的協調過程。Muse 最終據稱完成了跨越多個環節的取件與配送安排。對 Wang 而言，這正是個人 Agent 與聊天機器人的根本差異：使用者不再需要詢問該如何完成某件事，而是可以直接將完成任務的責任交給系統。
不過，這類高度自主的操作也伴隨隱私與信任問題。今年 9 月，路透社曾報導 Meta 在測試 Muse 電話代辦功能時，使用真人承包商協助完成部分通話工作，引發內部對資訊揭露與隱私保護的疑慮。Meta 隨後暫停相關測試功能。
Alexandr Wang 狂發迷因：想讓 Meta 重新變酷
除了產品研發，Wang 也談到 Muse 推出後自己在 X 平台上截然不同的行銷風格。過去幾週，他頻繁發布各式迷因（Meme），甚至包括帶有成人幽默與荒謬元素的貼文，與一般科技公司高階主管相對保守的社群形象形成鮮明對比。Wang 坦言，這背後有一個明確的目標：讓 Meta 重新變得有趣、有文化影響力。
他認為，當前 AI 市場每天都有大量新模型、新產品與新功能發布，即使 Meta 擁有龐大的既有用戶，也不代表新產品能夠自然成為社群討論的焦點。
因此，他開始大量轉發 Muse 使用者的真實案例，展示 Agent 如何完成不同任務。隨後，他發現 Muse 的吉祥物 Jolly 非常適合被改造成各式迷因，不只能迅速吸引注意力，也能讓使用者在看到截圖時立即聯想到產品。
Wang 表示，自己並沒有使用大量 Muse Agent 自動產出迷因，許多貼文其實都是在開會、吃飯時突然想到，再親自發布。他也發現，有些沒有經過太多思考、隨手發布的內容，反而比精心策劃的宣傳效果更好。
Wang 因此重新體會到，網路文化往往獎勵出乎意料、具有風險與驚喜的內容。他認為，AI 公司經常犯的一個行銷錯誤，是不斷宣傳自己的品牌、模型名稱與研究成果，卻沒有清楚呈現產品究竟能替使用者完成什麼。
相比之下，一張 Muse 成功幫助使用者處理複雜事情的對話截圖，可能比精美的品牌廣告更有說服力。不過，Wang 也坦承，很難精確衡量個人的社群貼文究竟帶來多少實際成長。他指出，Meta 已公開表示 Muse 擁有數百萬用戶，但在訪談中沒有提供更精確的數字，也沒有直接確認主持人對其成長速度的推測。
從 Scale AI 到 Meta：祖克柏曾親自詢問如何拯救 Llama訪談後半段，Wang 也回顧了自己與 Zuckerberg 合作的起點。兩人早在 2021 年或 2022 年左右便透過 Meta 高階主管 Alex Schultz 認識。當時 Scale AI 已經是 Meta 的重要供應商，Wang 偶爾也會向 Zuckerberg 請教創業與公司管理方面的問題。
真正的轉折發生在 Llama 4 發布後。Wang 表示，Llama 4 的發展並未達到 Meta 內部期待，對公司而言是一次令人失望的成果。
而 AI 對 Meta 未來業務的重要性又持續提高，Zuckerberg 因此開始主動尋求外部建議。Wang 回憶，Zuckerberg 最初只是打電話詢問自己對 Meta AI 戰略的看法，以及公司接下來應該專注什麼。
他當時提出的核心觀點，就是 Meta 應該善用既有的消費者生態系，將 AI 發展方向放在個人生活，而非單純追逐企業與程式開發市場。此後，雙方逐漸討論合作可能性。
Wang 表示，自己起初難以想像 Meta 與 Scale AI 的合作會如何成立，因為 Scale AI 的業務以企業、政府與資料服務為主，與 Meta 過去收購 Instagram、WhatsApp 等消費產品的邏輯不同。但隨著討論深入，他逐漸意識到 Zuckerberg 真正重視的，可能不是收購 Scale AI 的商業業務，而是藉由引進人才重建 Meta 的 AI 研發團隊。
最終雙方達成交易，Meta 取得 Scale AI 約 49% 股權，Wang 與部分團隊成員加入 Meta，而 Scale AI 則繼續獨立營運。Wang 表示，從 Zuckerberg 最初聯絡他到交易宣布，整個過程大約只有五到六週。對當時已投入九年創辦 Scale AI 的他而言，這並不是輕鬆的決定。
不過，他認為 Meta 當時的處境，反而創造了一次難得的機會：重新建立 AI 研究實驗室，從人才、組織文化到技術路線重新設計。
超過 200 名研究員直接向 Wang 報告：MSL 的反官僚實驗
Wang 也談到自己在 Scale AI 與 Meta 截然不同的管理方式。他表示，在 Scale AI 時期，自己相信創辦人應該有能力理解並參與公司的每一項工作，因此對產品、營運與公司細節都有強烈的個人判斷。這樣的管理方式讓 Scale AI 深受創辦人個人風格影響，但也讓 Wang 自己成為公司成長過程中的瓶頸。
加入 Meta 後，他發現無法用相同方法管理前沿 AI 研究。他並非所有技術領域的專家，也不可能親自決定每個研究方向。因此，他把工作重點轉向招募頂尖人才、設定共同願景，以及建立能讓研究人員充分發揮能力的環境。
Wang 透露，MSL 內部一個名為 TBD 的研究組織，超過 200 名研究人員直接向他報告。這種極度扁平的架構並不代表完全沒有技術管理。團隊仍設有不同研究小組（Pods），各組由技術負責人決定具體研究方向，但在人員管理層面，盡可能降低傳統公司層級與官僚程序。Wang 將這種方式稱為反官僚組織設計。
他承認，自己不可能成為 200 多名員工各自最好的主管，但這些研究人員本身就已經具備獨立完成高難度工作的能力，因此管理者更重要的責任，是提供資源與環境，而不是鉅細靡遺地監督。
他也提出「挖鑽石」與「蓋摩天大樓」的比喻。Scale AI 過去經營的資料標註業務，更像建造摩天大樓，需要不斷優化流程、提升效率，透過規模化營運創造價值。
但前沿 AI 研究更像挖鑽石，多數實驗可能沒有成果，少數突破卻可能創造遠高於投入成本的價值。因此，他認為 AI 研究組織不能完全依照傳統營運效率指標管理，而必須讓頂尖研究人員保有足夠空間，嘗試高風險但具有突破潛力的構想。
風險提示
加密貨幣投資具有高度風險，其價格可能波動劇烈，您可能損失全部本金。請謹慎評估風險。
