扎克伯格复盘 AI战略，爆火的Muse一夜登顶北美榜首，Llama4的失败逼我把千人团队改成FDE敏捷小组科研|优普丰FDE帮助企业AI落地

写在前面

这两天我自己上手试了 Muse，第一感受是”丝滑”——它不是聊天机器人，是真的在后台替你跑事的智能体。这让我把 Meta Connect 大会后的那期播客完整听完了，越听越觉得：扎克伯格这一年的反思，比任何一个产品功能都更值得讲给产品人和团队负责人听。

信息密度很高，我挑了三个对我冲击最大的判断讲给你。

一、个人 AI 的壁垒不是”聪明”，是”分寸感”

扎克伯格在播客里举了一个我听完愣住的例子：

你让 Muse 帮你订餐厅。Muse 知道你食物过敏，也知道你怀孕了。它能找到一家合适的餐厅，但不能把这些私人信息透露给餐厅。

他管这种能力叫 discretion，中文我翻译成”分寸感”。

绝大多数 AI 公司在做的事情，本质上是在把模型变得更聪明——跑分更高、推理更长、知识更广。但在个人智能体这个赛道，聪明只是入场券。真正的壁垒，是这种社交常识：哪些信息可以透露、哪些必须保密、什么操作必须停下来请示用户。

而且这种东西——

扎克伯格原话：”不是在外面套一层 prompt 能解决的，得从模型训练阶段就训练进去。”

我听完这段的直觉是：未来 12 个月，做个人 AI 的公司会出现明显的两极分化。一极是只调 prompt 的”套壳派”，另一极是从训练阶段就在做分寸感的”原生派”。分水岭会非常清晰。

Meta 押注的是后者。他们的底气是全栈整合——模型训练和产品开发是一起做的，不是从别人那里买模型再套壳子。Muse 的”心跳机制”（智能体定期醒来检查用户目标）、记忆系统、实时动画头像、语音模式，这些都需要模型层和产品层同时做对。单做模型或单做应用的公司，很难同时把这几件事做对。

💡 给你的一句话：如果你在做 AI 产品，先想清楚一件事——你的护城河在”通用智能”那一层，还是在”用户场景里的分寸感”那一层。前者你打不过巨头，后者还有窗口。

二、千人团队拆成小组科研：组织设计比模型架构更难

这一段是整个播客里让我最震撼的。

Llama 4 发布后表现不及预期，扎克伯格做了一个反直觉的决定：把上千人的 AI 团队打散，重组成若干个小型科研单元。

一年后的成果是 Muse 上线两周下载量破 250 万，以及 MSL（Meta Superintelligence Labs）现在能在 6 个月内推出前沿模型——之前这个周期是 18 个月。

为什么拆？

扎克伯格没有回避这个问题。他的判断是：大团队适合做”渐进式优化”，很难产出真正的突破。小组科研的好处是，每个小团队有明确的科研目标，能像创业公司一样快速迭代。

我听到这里突然有点感慨——做了这么多年敏捷教练，见过太多类似的剧本。一个团队做到一定规模之后，创新能力反而开始下降。不是人不努力，是组织结构把人锁死了。

大公司里常见的反模式：

• 跨部门协作靠 PPT 同步，一份方案走 5 个审批节点
• KPI 拆到个人，工程师开始为指标写代码而不是为产品
• 研究员被塞进产品节奏里，半年不发论文就被约谈

Llama 4 这一跤把 Meta 摔清醒了。扎克伯格的回应不是”招更多人”也不是”买更多卡”，而是承认一件事：科研的节奏和工程的节奏，是两套节拍。一套组织结构跑不出两套节拍。

💡 给你的一句话：如果你正在带 30 人以上的技术团队，先别急着定 OKR，先问自己一个问题——你的组织是在为”今天的需求”运转，还是在为”下一年的产品”运转？这两个问题的答案往往不一致，也往往要求不同的结构。

三、扎克伯格仍然相信”暴力计算”能到达 AGI

关于 AGI 怎么到达，扎克伯格给出了一个相当大胆的假设：

规模化算力本身就能到达 AGI，不一定需要根本性的架构突破。

Meta 正在建设吉瓦级（gigawatt）的数据中心集群来验证这个判断。

但他自己也承认了一个让人冷静的事实——人脑只需要 10 瓦就能运转，现有 AI 系统的效率大约差了 100 万倍。

所以他的判断是”最理想的情况是两者兼得”：既押注算力规模化，也保留架构创新的可能性。

这个观点在当下的 AGI 圈其实是少数派。奥特曼同时押注 Scaling Law 和各种新架构；LeCun 坚信必须搞出新的世界模型架构；扎克伯格则相对纯粹——先用算力堆，不行再说。

听到这里我反而更尊重他了。市场情绪最容易让人摇摆，今天追 MoE，明天追世界模型，后天追 Agent。扎克伯格在 2026 年这个节点仍然敢把宝压在”算力规模”上，是有定力的表现。

💡 给你的一句话：这件事对普通产品人也是启示——在大模型公司，算力已经和人才并列成为核心资产。能拿到多少卡，决定了能跑多少实验。能跑多少实验，决定了能不能在下一个范式到来前站好位置。

写在最后

把这一年的 Meta 复盘听下来，我自己最想记下来的三句话是：

• 个人 AI 的壁垒不在聪明，在分寸感——必须从训练阶段就写进模型。
• Llama 4 逼扎克伯格拆掉千人团队，才换来 Muse——组织设计比模型架构更难。
• AGI 路径上，他仍然押注暴力计算——吉瓦级数据中心就是他的赌注。

这三个判断，本质上都是”反共识但反得有道理”的判断。Muse 上线两周的数据，至少证明了一件事：当主流打法撞墙的时候，敢于做出非主流决定的人，才有可能拿到下一张船票。

💬 聊聊你

今天留一个开放问题给你：

如果你是 Meta 的 AI 负责人，Llama 4 表现不及预期之后，你会选择”加人加卡继续卷”，还是”拆团重组换打法”？

哪种选择你更愿意下注？为什么？

评论区等你。

作者：申导Jacky，优普丰AI敏捷创新培训咨询机构合伙人

AI人工智能，SI超级智能，智能体场景搭建，FDE前端部署工程师，企业AI落地陪跑，驾驭工程（Harness Engineering）先行者

优普丰FDE AI赋能企业AI智能体skill/AI转型落地

一个在AI时代重新定义”工程师”角色的实践者和敏捷教练。

曾经每天写代码12小时,现在每天写规格2小时,效率提升50倍。