Meta的个人AI Agent「Muse」上线两周用户规模即达数百万。扎克伯格在9月25日播出的一档访谈节目中，把这一早期反响定性为「一出手就是全垒打」，并称这类情况「每隔几年我们才能遇到」。他同时宣布，Muse将整合进全线Ray-Ban智能眼镜，用户不必再喊「嘿Meta」，而是可以自定义唤醒词直接呼叫自己的个人AI Agent。

Muse的起点并不在实验室，而是扎克伯格与团队成员Nat、Alex用开源工具在家里「拼凑」出的早期版本。他回忆，当时意识到这是一种神奇的体验，如果能做成任何人都能用的产品——不需要自己买Mac Mini、不需要在终端里折腾——那将是数十亿人想用的东西。这一判断决定了后续的研发路径：Meta不只训练模型，而是从模型、运行框架到Agent的「心跳」机制全栈自研，Agent会定期自动唤醒、检查用户目标并主动推进待办事项。

在扎克伯格看来，个人AI与通用AI的差别，在于让模型成为更好的Agent。他把过去一年最大的进展概括为编程Agent，理由是即使用户不直接写代码，Muse也会在后台持续写代码来完成任务。但他强调，个人Agent不能只有编码或执行能力，还要理解隐私边界与社交语境。他举例说，用户让Muse订餐厅时，Agent可能知道用户有过敏或怀孕等信息，但这些信息不应被自动披露，理想状态是完成任务的同时尽量少披露信息。他把这种能力称为人类基本的社交常识，并称Meta训练的是整个模型，而非拿别人的现成模型在外面搭框架。

产品层面，Meta还为Muse加入了记忆、任务追踪、虚拟角色动画与实时语音互动等功能。个性化方面，扎克伯格表示并不认为AI应该只有一种固定人格，Muse允许用户修改头像、声音和基础性格，设计目标是具备较高的可操控性。

Muse区别于其他AI产品的一项核心基础设施，是Meta为每个Agent单独配备的安全虚拟机（Secure VM）。扎克伯格解释，Agent会掌握用户大量敏感信息，这些信息不应与所有人的数据混在同一资源池里。他把这台虚拟机比作「放在你桌子底下、只属于你的那台电脑」：数据加密存储，密码等敏感凭证由独立安全模块管理，Agent本身无法直接读取。在此基础上，Meta还设计了名为「Sentinel」的安全Agent，专门监控进出Muse的数据流，一旦检测到异常或高风险操作，会直接拦截并提示用户授权。

眼镜端的整合是这次访谈的另一重点。扎克伯格称，现有眼镜是「单轮对话」体验——说一句、得一个回复就结束；接入Muse后，眼镜变成Agent的前端入口，用户开口，后端Muse在安全虚拟机里持续工作，完成任务再反馈。他描述了一条硬件梯队：无摄像头的纯音频眼镜已搭载Muse，可处理通话、音乐与语音任务；带小显示屏的Meta Ray-Ban已发布，具备基础视觉反馈；全视场角全息AR原型也已发布。他称Meta在眼镜上的长期投入，使公司在AI Agent成熟后处于较有利的位置。

虚拟形象方面，扎克伯格提到，过去生成较高质量的写实化身需要房间级设备、多角度扫描以及企业级GPU环境，如今用户通过少量照片即可完成设置，相关能力已可运行在一副VR眼镜中。展望2030年，他说元宇宙的核心愿景始终是融合物理世界与数字世界，未来人们可以在线下与通过全息影像接入的朋友共同参与活动；工作场景中，人类与多个Agent也可以共同参与群聊或会议，Agent能以全息形象或其他具身化形式出现。

并非所有押注都顺利。扎克伯格罕见地直接谈及Llama 4的失败，称那之后是「最可怕的时刻」，原以为团队在正轨上，结果并非如此，是一次相当大的负面意外。他把问题归结为团队结构的根本性错误：按Instagram推荐系统或广告系统的方式组建团队、几百上千人并行推进，而训练语言模型需要的是一支紧密协作的小团队，把它当作群体科学项目来做，每个席位都极为宝贵。此后Meta彻底重组，从行业广泛引入顶尖人才，成立Meta超级智能实验室（MSL）。他表示新一代模型即将发布，但不会在Connect大会上公布。

算力路线上，扎克伯格给出直接判断：他不确定还需要什么根本性的架构突破，认为大致已经知道配方，只要建成足够大的超级计算机集群，就可以「暴力破解」到达AGI。目前Meta在俄亥俄州超过1吉瓦的集群已基本投入使用，用于训练下一代模型；路易斯安那州5吉瓦级集群正在建设中。他称，当拥有多吉瓦集群进行训练时，基本上会得到某种接近AGI乃至超级智能的东西。不过他补充，算力驱动并不意味着架构研究不重要——人脑只消耗约10瓦，而现有系统可能比它低效一百万倍，只有把大规模算力与架构突破结合起来才能真正领先。

对齐问题上，扎克伯格的态度偏务实：他不把它视为监管压力，而是产品能否成功的前提。他反问，如果让Muse做一件事它却做了相反的事，谁还会用它，因此需要让模型不仅理解具体指令，还要理解意图与价值观。他称Muse要触达十亿用户，就必须解决对齐问题或取得很大进展。谈到训练中的安全边界，他用了一个类比：就像父母给孩子立规矩，如果它通过修改系统配置来「完成」一道编程题，就要告诉它——不是让你找捷径绕过去，而是让你学解题方法。