当地时间8月10日，Meta首席执行官马克·扎克伯格在美国发表一篇约6500字的人工智能战略文章，系统阐述公司对下一阶段AI发展的判断，并将“个人超级智能”明确放在Meta未来人工智能路线的核心位置。与当前科技行业主要围绕更大模型、更强推理能力、企业自动化和人工通用智能展开的竞争不同，扎克伯格把重点转向普通用户，希望未来每个人都拥有能够长期理解本人目标、习惯和需求的AI代理，并让这些系统参与工作、学习、健康、财务、家庭管理和创造活动。Meta同日推出新的开放权重模型Muse Glimmer，并宣布将进一步开放Muse Spark 1.2的部分模型能力，使这项长期愿景开始与具体产品、开发工具和部署方式结合起来。对Meta而言，这不仅是一次模型更新，也代表公司试图重新定义自己在全球AI竞争中的位置：不是单纯追求参数规模和排行榜领先，而是争夺未来个人计算入口。

按照扎克伯格公布的设想，人工智能未来最重要的价值并不只是替代人完成现有工作，而是扩大个人能够完成事情的范围。一个普通创业者可以借助多个AI代理完成市场研究、编程、客户支持、财务分析和产品设计，过去需要十几人甚至几十人团队承担的工作，未来可能由少量员工配合人工智能完成；学生可以获得长期陪伴式辅导，系统根据学习进度调整教学方式；科研人员可以利用AI分析实验结果、筛选药物候选物和提出新的研究方向；普通家庭也可以让个人代理帮助安排日程、整理资料、管理消费和处理大量重复性事务。扎克伯格特别强调“发明”而不仅是“自动化”，因为如果AI只是帮助企业削减成本，它带来的主要结果可能是提高效率和减少部分岗位，而如果AI能够降低创业、科研、设计和软件开发门槛，则可能产生新的企业、新的职业和新的经济活动。

这一战略也意味着Meta希望把AI从目前以问答为主的聊天工具，进一步推进为长期运行的个人计算环境。今天的大多数生成式AI仍然需要用户主动打开应用、提出问题，然后根据一次对话获得答案；真正的个人代理则必须理解长期上下文，能够调用软件和外部工具，在获得授权后读取日程、文件、任务列表以及其他个人信息，并跨越多个步骤完成复杂工作。8月10日推出的Muse Glimmer正是这一方向的一部分。该模型拥有约300亿参数，重点针对本地代理任务进行优化，可以执行工具调用、代码处理、多步骤推理以及图像与文字信息分析，并在部分任务失败后自行调整处理方式。经过压缩后，该模型可以在部分高性能个人电脑上运行，Meta同时采用较为宽松的许可方式开放模型权重，为开发者自行部署和修改留下空间。

让AI更多在本地设备运行，还涉及个人数据控制问题。一个真正有用的长期AI助手必须了解用户，但它越了解用户，就越可能接触敏感信息。未来如果个人代理参与健康管理、财务规划、私人通信、家庭事务甚至职业决策，它掌握的数据可能远远超过今天任何单一社交应用。传统云端AI需要把大量信息发送到远程服务器处理，而本地运行可以减少部分敏感数据离开个人设备的必要性。扎克伯格同时提出，未来个人代理应当提供更严格的私人模式，使服务提供商无法随意查看或者向第三方提供其中的信息。对于Meta而言，这一点尤其关键，因为公司过去的核心商业模式长期建立在广告和用户数据基础之上，而个人超级智能只有在用户愿意长期授权更深层数据的前提下才能发挥最大作用。未来真正影响产品接受程度的，不只是模型能否回答复杂问题，而是用户能否清楚决定哪些信息可以被读取、保存和调用，以及更换平台后能否继续控制自己的数据。

Meta同时重新强化开放权重路线，希望通过这一方式与以封闭模型和云端服务为主的竞争对手形成差异。扎克伯格提出，如果最先进的人工智能长期集中在少数企业、政府或大型机构手中，那么拥有先进模型的一方可能获得远高于普通个人和中小企业的知识、计算和生产能力，因此更强的AI应尽可能广泛地分配。Muse Glimmer已经开放权重，Meta还计划推出Muse Spark 1.2的开放版本，后者主要面向编程、复杂调试、代码库理解和长周期任务执行。开放权重可以让大学、研究机构、创业公司和独立开发者在自己的设备和服务器上部署模型，不必完全依赖某一家公司的API，也能够针对特定行业进行调整，这有助于扩大应用层竞争并降低部分开发成本。

但开放权重并不会自动让整个AI产业变得分散。训练最高水平的模型仍然需要大量高端芯片、电力、数据中心、人才和资本，真正有能力长期承担这些投入的企业仍然只是少数。开发者可以下载模型，并不意味着能够以相同成本训练下一代模型；普通企业也可能拥有自己的AI应用，却仍然需要依赖大型公司的算力、芯片供应和基础模型。因此，未来人工智能市场是否能够保持充分竞争，不只取决于模型文件是否开放，还取决于计算资源价格、硬件兼容性、数据是否能够迁移、不同模型之间是否可以自由替换，以及小型开发者能否真正建立独立于大型平台的产品。Meta希望通过开放模式扩大自己的技术影响力，而开放技术本身能否形成一个由多家公司和开发者共同参与的生态，将比“是否允许下载权重”更加重要。

安全问题则让开放路线变得更加复杂。随着前沿AI逐渐具备更强的自主执行能力，模型已经不再只是生成文字，而是开始调用软件、访问网络、运行代码和连续执行任务。能力越强，网络攻击、生物安全、模型越权以及错误执行所产生的后果也越大。部分AI安全研究机构主张，在人类尚未充分证明能够稳定控制更先进系统之前，应当降低最前沿模型的发展速度，并对具有高风险能力的模型实施更严格限制。扎克伯格采取的思路不同，他认为如果最强人工智能被长期集中在极少数政府或公司手中，同样会形成巨大的权力风险，因此更合理的方式是让个人、企业、政府和安全机构都拥有足够先进的人工智能，通过能力分布形成相互制衡。Meta提出在继续开放技术的同时加强模型发布审核，让独立董事会制定并批准安全标准，同时与政府分享前沿模型能力信息，使监管机构具备评估风险和保护关键基础设施的技术条件。

这种路线实际上把AI治理面临的两个目标摆在了一起：一方面需要降低强大模型被滥用或者出现失控行为的风险，另一方面又要避免最高等级的人工智能长期成为少数机构的专属资源。如果监管过于严格，可能使只有少数资本雄厚的大公司有能力满足合规成本，反而加剧产业集中；如果开放速度过快，则可能让高风险能力更容易扩散。Meta试图在两者之间建立一道技术和制度门槛，即在模型达到安全标准后尽可能开放，同时对可能产生重大风险的能力保持额外限制。这套机制能否真正发挥作用，最终取决于安全评估是否独立、风险标准是否透明，以及商业竞争压力出现时，公司是否仍然愿意延迟高风险模型的发布。

就业和财富分配是个人超级智能路线能否获得广泛支持的另一项现实条件。扎克伯格预计，AI会自动化大量现有工作，但如果个人借助人工智能创造新企业、新产品和新服务的速度足够快，总就业并不一定因此下降。他设想未来企业平均规模可能缩小，但企业数量增加，小型团队借助AI即可完成过去大型组织才能承担的业务，劳动者也可以利用个人AI学习新技能并更快适应职业变化。这种发展路径存在实现的可能，但生产率提高并不会自动转化为更加平均的收益。如果企业主要利用AI削减人员并提高剩余员工的工作要求，那么技术进步首先可能表现为岗位数量下降和劳动强度提高；如果AI真正降低创业、教育和专业服务成本，并创造大量新市场，新的就业机会才可能抵消自动化带来的影响。

Meta计划向数十亿用户提供免费的基础AI服务，同时让需要更多计算资源的个人和企业购买额外算力，这能够降低最基本的使用门槛，但并不会消除能力差异。未来一个普通用户可能拥有一个免费AI代理，而大型企业、专业机构和富裕用户能够同时运行数十甚至数百个高级代理，并购买更强模型、更大上下文和更丰富的数据资源。人工智能因此可能一方面扩大普通人的能力，另一方面又形成新的数字资源差距。真正决定AI是否实现广泛赋能的，不只是“人人都能使用”，而是免费和低成本用户能够获得什么程度的真实能力，以及重要的教育、医疗、法律和商业服务是否会因为算力等级不同而形成新的差异。

与此同时，AI竞争已经从软件行业扩展到美国现实世界的能源和基础设施。训练和运行大型模型需要持续增加的数据中心、电力、冷却系统和水资源，而Meta正在投入巨额资金建设相关设施。公司宣布设立规模10亿美元的“Future Is for Everyone Fund”，计划用于支持Meta数据中心所在的美国社区，包括教育、公共服务、职业培训以及能源和水务基础设施。公司还提出扩大电工、木工、建筑等技术岗位培训，以满足数据中心建设和维护需要。随着AI产业继续扩张，能够获得多少稳定电力、土地和计算资源，正逐渐成为与算法创新同样重要的竞争条件，这也意味着科技公司的AI投资将越来越直接影响地方电网、电价、就业和公共设施建设。

这一基础设施变化也与美国全球AI竞争直接相连。Meta目前仍面对OpenAI、Anthropic、Google以及中国人工智能企业的压力，公司近年持续增加资本投入、重组AI团队，并围绕超级智能研究吸收高级研究人员，希望缩小与行业领先模型之间的差距。在单纯比较最强模型能力的竞争中，Meta尚未形成全面领先，因此公司正在尝试利用自己已有的用户规模、社交和通信产品、开发生态以及未来的智能眼镜和终端设备形成另一种优势。如果个人AI最终从浏览器里的聊天窗口走向全天候使用的数字助手，那么模型进入用户生活的渠道可能和模型本身的能力同样重要，而Meta拥有的全球用户基础正是其区别于许多纯AI公司的核心资产。

这种优势同时也提高了Meta需要证明的标准。个人超级智能要真正进入普通人的日常生活，不能只依赖更高的模型测试成绩。个人代理必须能够在较长时间内稳定完成任务，而不是频繁出现错误；本地模型需要在普通设备上达到足够性能，而不是只能运行在价格昂贵的高端硬件上；隐私保护必须体现在实际技术架构和产品规则中，而不仅是原则性承诺；开放模型则需要真正形成能够独立于Meta商业产品发展的开发生态。随着模型能力不断提高，Meta能否同时解决数据控制、安全审核、算力成本和基础设施压力，将比单次模型发布更直接地决定“个人超级智能”能否从战略愿景变成大规模使用的现实产品。