AI大戰變天：扎克伯格突然回頭，Meta重新押注開放AI

出品 | 網易智能

作者 | 小小

編輯 | 王鳳枝

Meta又回來了。

去年，扎克伯格曾讓Meta告別堅持多年的Llama開放路線，轉向打造更封閉、更商業化的旗艦模型；但不到一年后，Meta突然重新打開大門。

美國當地時間8月10日，Meta一天之內連續釋放三個信號：發布面向本地智能體的新模型Muse Glimmer，宣布開放Muse Spark相關模型權重，扎克伯格隨后發表6500字長文，為開放AI路線辯護。

這意味著，Meta正在重新押注一條曾經被自己暫時放棄的道路：開放權重（open-weight）AI。

過去幾年，AI行業圍繞模型開放方式形成了明顯分歧。一些企業傾向于通過封閉模式控制模型訪問范圍，以降低安全和商業風險；另一部分企業則認為，開放模型能吸引更多開發者參與，加快技術落地。

過去，Meta曾憑借Llama系列推動開放生態；如今，它希望通過開放模型和開發者社區重新尋找競爭位置。

Muse Glimmer展示了Meta對本地智能體的探索，Muse Spark權重開放計劃和扎克伯格的長文，則釋放出Meta重新強化開放AI路線的信號。

01 30B模型跑在電腦上，Meta押注"本地智能體"

Muse Glimmer是Meta此次公布的新模型。

根據官方資料，該模型擁有300億參數，主要面向智能體任務設計。與傳統聊天模型不同，智能體需要完成更加復雜的連續操作，不只是回答用戶提出的問題，還需要理解目標、制定計劃，并調用不同工具完成任務。

Meta表示，Muse Glimmer針對智能體能力進行了訓練，能夠處理任務規劃、工具調用、結果檢查以及錯誤恢復等環節。

Muse Glimmer支持文本和圖像輸入，擁有128K上下文窗口，并支持多語言任務處理。

在Meta展示的案例中，模型能夠通過工具調用發現網絡上Assistant設備，查詢設備接口，并根據需求自主生成HTML、CSS和JavaScript代碼，隨后部署本地服務器進行驗證。

這一過程體現了AI智能體與傳統聊天模型之間的區別：模型需要理解任務目標，并在多個步驟之間保持連貫執行。

除了智能體能力，Muse Glimmer另一個重點是本地運行。過去幾年，先進AI模型的發展高度依賴云端計算，用戶使用AI服務時，大量計算任務需要交由遠程服務器完成。本地AI的方向，則希望讓模型直接運行在個人設備上，減少對云端的依賴，讓涉及個人文件、設備操作和隱私信息的任務更多在本地完成。

但對于大型模型而言，本地運行一直受到硬件限制。

Meta在博文中透露，Muse Glimmer完整精度運行需要超過55GB內存。為了降低設備要求，Meta推出量化版本，將模型壓縮到20GB以內，使其能夠適配24GB和32GB級別設備。這意味著部分高性能顯卡以及高內存版本Mac設備，可以運行這一模型。

Meta公布的測試數據顯示，在RTX 5090設備上，通過DFlash推測解碼技術，Muse Glimmer平均生成速度從每秒74.9個token提升至233.4個token。在Apple M5 Max設備上，模型生成速度則從每秒26.6個token提升至50.2個token。

需要注意的是，這些數據來自Meta自身測試，并非獨立機構評估。

除了Meta公布的數據，Artificial Analysis以及開發者社區的實際體驗，也成為觀察Muse Glimmer能力的重要參考。

根據Artificial Analysis Intelligence Index測評，Muse Glimmer獲得35分。作為一款30B級別本地部署模型，這一成績在同規模開放模型中具備競爭力，但距離當前最強閉源模型仍存在差距。

從整體競爭格局來看，Muse Glimmer仍然面臨來自其他先進模型的競爭。模型性能、運行效率、生態支持以及開發者使用體驗，都會影響其后續影響力。

開發者反饋顯示，本地智能體正在從"概念驗證"走向更接近實際應用的階段。

開發者 @Francesco表示，這是第一次讓他感覺到離線計算機操作真正接近現實。在測試過程中，Muse Glimmer 30B通過Cua Driver操作macOS上的Notes和Reminders，并嘗試完成連續任務。

@Francesco認為，雖然目前消費級硬件運行速度仍然有限，但這種讓模型啟動任務后持續執行、直到完成目標的方式，已經展現出本地智能體未來的發展方向。

不過，他也指出，目前最大的限制來自上下文能力。當工具模式、截圖以及系統狀態信息不斷加入后，本地模型會快速消耗上下文空間。

在發布Muse Glimmer之后，Meta還宣布未來將開放Muse Spark相關模型權重。

開放權重意味著開發者能夠獲得模型參數，并根據自身需求運行、調整和部署模型。與只能通過API調用相比，開放權重給予企業和開發者更多自主空間：他們可以根據具體應用場景進行優化，也可以將模型部署在自己的系統環境中。

對于Meta而言，這也是重新加強開發者生態的重要一步。此前，Meta曾通過Llama系列推動開放AI發展，吸引大量研究人員和企業圍繞模型進行開發。隨著AI競爭加劇，行業逐漸形成不同商業模式：一些公司通過封閉模型和API服務建立商業壁壘，而Meta希望繼續利用開放生態擴大影響力。

02 6500字長文背后，扎克伯格提出"個人超級智能"方向

在Muse Glimmer公布之后，扎克伯格發表的6500字長文成為外界關注的焦點。這篇文章并沒有只討論某一款模型，而是進一步解釋了Meta對未來AI發展的判斷。

扎克伯格提出，未來人工智能的重要方向，是讓超級智能能力更加普及，而不是集中在少數企業和機構手中。

他將這一方向描述為"個人超級智能"。

在他的設想中，未來每個人都會擁有一個高度個性化的AI助手。這個助手能夠理解用戶長期目標、興趣和需求，并參與到工作、學習、創造以及日常事務中。與目前主要依靠用戶主動發出指令的AI工具不同，扎克伯格希望未來的個人AI能夠更加主動，成為用戶能力的一部分。

他認為，AI的發展不應該只是讓少數大型組織獲得更強大的工具，而應該讓普通用戶也能利用這些技術提升創造力和生產效率。這也是Meta堅持開放路線的重要原因之一。

扎克伯格的觀點，再次將AI行業長期存在的路線之爭推到臺前。支持更嚴格控制的一方認為，先進模型能力不斷提升后，開放權重一旦發布便難以撤回。如果模型被用于網絡攻擊、生物風險等高危場景，開發者和監管機構很難重新建立控制。因此，他們認為前沿模型應該在更嚴格的安全評估和訪問管理下推進。另一種觀點則認為，開放模型能夠促進創新，讓更多開發者、研究人員和企業參與其中。

Meta顯然更傾向后者。

扎克伯格在文章中表示，如果超級智能能力長期集中在少數機構手中，可能會限制更多人的參與機會。他認為，技術發展的價值在于讓更多人能夠使用，而不是進一步擴大少數組織和個人之間的能力差距。

在文章中，扎克伯格還談到了訓練數據使用以及模型蒸餾問題。模型蒸餾是指利用已有模型產生的信息，幫助訓練新的模型。

近年來，這一技術方式引發爭議。一些觀點認為，利用其他模型生成的信息進行訓練，可能涉及知識產權和競爭問題。但扎克伯格認為，AI研究需要允許開發者從公開可觀察的信息中學習。他擔心，如果美國企業受到過多限制，可能影響其在全球人工智能競爭中的長期優勢。

他提出，美國如果希望開放模型長期保持領先，需要減少訓練數據使用和模型開發過程中額外增加的限制。

03開放路線獲得支持，但Meta仍需證明長期價值

從Muse Glimmer，到未來開放Muse Spark權重，再到扎克伯格發表長文，Meta正在重新強化自己的開放AI路線。

這一方向也得到了一些行業人士認可。值得注意的是，支持者多數長期站在開放生態一邊，或本身處于開放AI產業鏈中。

Box首席執行官阿倫·萊維（Aaron Levie）認為，Meta開放Muse Spark相關權重具有重要意義。

他解釋稱，開放權重模型能夠降低企業使用AI的成本，讓企業根據自身需求運行模型，并針對具體場景進行優化，同時也讓更多用戶能夠接觸開放權重模型。

被稱為"AI布道者"的吳恩達（Andrew Ng）也支持Meta推動開放權重AI的發展，并對扎克伯格和Meta團隊表示認可。

前Meta首席AI科學家、圖靈獎得主楊立昆（Yann LeCun）同樣支持這一方向。他回應扎克伯格文章時表示，雖然自己近年來主要研究世界模型，并沒有從事大型語言模型研究，但一直認為大型語言模型具有重要價值。

不過，開放路線最終能否成功，仍然需要市場檢驗。

賓夕法尼亞大學沃頓商學院教授、生成式AI實驗室聯合主任伊桑·莫利克（Ethan Mollick）認為，Muse Spark是一次重要發布，也是今年較好的非中國開源權重模型之一。但他同時指出，該模型距離中國領先開源模型仍存在差距，也落后于部分封閉式前沿模型。

04全球開源模型競爭加速，Meta重新尋找生態位置

Meta重新強調開放路線，也發生在全球AI競爭格局快速變化的背景下。

過去幾年，AI競爭主要集中在模型能力、算力規模以及商業化速度。但隨著越來越多企業推出自己的模型，開發者生態的重要性逐漸提升。

公開資料顯示，包括DeepSeek、阿里巴巴的Qwen團隊、月之暗面的Kimi等中國AI企業，都推出了開放權重模型。這些模型讓開發者能夠直接獲取權重、按自身需求部署，正在改變全球開發者的選擇范圍。

Counterpoint Research聯合創始人尼爾·沙阿（Neil Shah）認為，如果西方科技公司全部選擇封閉體系，開發者和企業可能會轉向中國開放權重模型。他認為，Meta重新推動開放路線，可以滿足市場對非中國開源模型的需求。

對于Meta來說，開放不僅是技術選擇，也關系到開發者生態競爭。如果更多企業圍繞某一模型進行開發，就可能形成更大的應用網絡，進一步增強模型影響力。

不過，重新強調開放路線，并不意味著Meta面臨的挑戰減少。AI發展背后，需要大量基礎設施投入。

統計顯示，包括Meta、亞馬遜、谷歌母公司Alphabet和微軟在內的美國科技巨頭，已經承諾投入超過2萬億美元用于AI相關基礎設施擴張，其中數據中心建設成為主要投入方向。Meta今年資本支出計劃最高達到1450億美元。

隨著投入規模不斷增加，投資者也開始關注這些投入能否轉化為實際收益。AI模型研發、數據中心建設以及計算資源擴張，都需要較長時間才能形成商業回報。Meta此前已經開始探索AI相關商業模式，希望圍繞模型、計算資源和基礎設施建立新的收入來源。

但如何證明這些巨額投入能夠帶來持續增長，仍然是市場關注的問題。

05 AI競爭不只在模型，也在基礎設施

AI競爭的下一階段，并不只發生在模型和開發者生態層面。隨著數據中心成為AI時代的新基礎設施，土地、電力和社區關系也正在成為科技公司的新考驗。

Meta此次宣布成立10億美元"未來屬于每個人基金"（Future Is For Everyone Fund），正是為了回應數據中心擴張帶來的社區壓力。

扎克伯格表示，AI基礎設施發展應該讓當地居民獲得實際收益。他提到路易斯安那州里奇蘭教區的案例：當地教師曾獲得由Meta Hyperion數據中心相關經濟活動帶來的5萬美元獎金。此舉是為了回應數據中心建設帶來的社區壓力，讓當地居民能夠分享AI基礎設施擴張帶來的經濟收益。

結語：開放只是Meta的新起點

Muse Glimmer的推出，以及Muse Spark權重開放計劃，顯示出Meta正在重新調整AI戰略。扎克伯格希望通過開放路線擴大AI技術的使用范圍，讓更多開發者和個人參與到人工智能發展中。

但對于Meta而言，真正的挑戰并不只是推出模型或開放權重。如何吸引開發者持續使用、如何形成穩定生態、如何將AI投入轉化為商業價值，才是決定這條路線能否成功的關鍵。

Muse Spark的權重什么時候放、放多少，Meta到現在沒有明確時間表。開放這條路要真走通，光靠一篇長文和一個30B模型不夠。