Meta的個人AI Agent「Muse」上線兩週使用者規模即達數百萬。扎克伯格在9月25日播出的一檔訪談節目中，把這一早期反響定性為「一齣手就是全壘打」，並稱這類情況「每隔幾年我們才能遇到」。他同時宣佈，Muse將整合進全線Ray-Ban智慧眼鏡，使用者不必再喊「嘿Meta」，而是可以自定義喚醒詞直接呼叫自己的個人AI Agent。

Muse的起點並不在實驗室，而是扎克伯格與團隊成員Nat、Alex用開源工具在家裡「拼湊」出的早期版本。他回憶，當時意識到這是一種神奇的體驗，如果能做成任何人都能用的產品——不需要自己買Mac Mini、不需要在終端裡折騰——那將是數十億人想用的東西。這一判斷決定了後續的研發路徑：Meta不只訓練模型，而是從模型、執行框架到Agent的「心跳」機制全棧自研，Agent會定期自動喚醒、檢查使用者目標並主動推進待辦事項。

在扎克伯格看來，個人AI與通用AI的差別，在於讓模型成為更好的Agent。他把過去一年最大的進展概括為程式設計Agent，理由是即使使用者不直接寫程式碼，Muse也會在後台持續寫程式碼來完成任務。但他強調，個人Agent不能只有編碼或執行能力，還要理解隱私邊界與社交語境。他舉例說，使用者讓Muse訂餐廳時，Agent可能知道使用者有過敏或懷孕等資訊，但這些資訊不應被自動披露，理想狀態是完成任務的同時儘量少披露資訊。他把這種能力稱為人類基本的社交常識，並稱Meta訓練的是整個模型，而非拿別人的現成模型在外面搭框架。

產品層面，Meta還為Muse加入了記憶、任務追蹤、虛擬角色動畫與即時語音互動等功能。個性化方面，扎克伯格表示並不認為AI應該只有一種固定人格，Muse允許使用者修改頭像、聲音和基礎性格，設計目標是具備較高的可操控性。

Muse區別於其他AI產品的一項核心基礎設施，是Meta為每個Agent單獨配備的安全虛擬機器（Secure VM）。扎克伯格解釋，Agent會掌握使用者大量敏感資訊，這些資訊不應與所有人的資料混在同一資源池裡。他把這台虛擬機器比作「放在你桌子底下、只屬於你的那台電腦」：資料加密儲存，密碼等敏感憑證由獨立安全模組管理，Agent本身無法直接讀取。在此基礎上，Meta還設計了名為「Sentinel」的安全Agent，專門監控進出Muse的資料流，一旦檢測到異常或高風險操作，會直接攔截並提示使用者授權。

眼鏡端的整合是這次訪談的另一重點。扎克伯格稱，現有眼鏡是「單輪對話」體驗——說一句、得一個回覆就結束；接入Muse後，眼鏡變成Agent的前端入口，使用者開口，後端Muse在安全虛擬機器裡持續工作，完成任務再反饋。他描述了一條硬體梯隊：無攝像頭的純音訊眼鏡已搭載Muse，可處理通話、音樂與語音任務；帶小顯示屏的Meta Ray-Ban已釋出，具備基礎視覺反饋；全視場角全息AR原型也已釋出。他稱Meta在眼鏡上的長期投入，使公司在AI Agent成熟後處於較有利的位置。

虛擬形象方面，扎克伯格提到，過去生成較高質量的寫實化身需要房間級裝置、多角度掃描以及企業級GPU環境，如今使用者通過少量照片即可完成設定，相關能力已可執行在一副VR眼鏡中。展望2030年，他說元宇宙的核心願景始終是融合物理世界與數字世界，未來人們可以線上下與通過全息影像接入的朋友共同參與活動；工作場景中，人類與多個Agent也可以共同參與群聊或會議，Agent能以全息形象或其他具身化形式出現。

並非所有押注都順利。扎克伯格罕見地直接談及Llama 4的失敗，稱那之後是「最可怕的時刻」，原以為團隊在正軌上，結果並非如此，是一次相當大的負面意外。他把問題歸結為團隊結構的根本性錯誤：按Instagram推薦系統或廣告系統的方式組建團隊、幾百上千人並行推進，而訓練語言模型需要的是一支緊密協作的小團隊，把它當作群體科學專案來做，每個席位都極為寶貴。此後Meta徹底重組，從行業廣泛引入頂尖人才，成立Meta超級智慧實驗室（MSL）。他表示新一代模型即將釋出，但不會在Connect大會上公佈。

算力路線上，扎克伯格給出直接判斷：他不確定還需要什麼根本性的架構突破，認為大致已經知道配方，只要建成足夠大的超級計算機叢集，就可以「暴力破解」到達AGI。目前Meta在俄亥俄州超過1吉瓦的叢集已基本投入使用，用於訓練下一代模型；路易斯安那州5吉瓦級叢集正在建設中。他稱，當擁有多吉瓦叢集進行訓練時，基本上會得到某種接近AGI乃至超級智慧的東西。不過他補充，算力驅動並不意味著架構研究不重要——人腦只消耗約10瓦，而現有系統可能比它低效一百萬倍，只有把大規模算力與架構突破結合起來才能真正領先。

對齊問題上，扎克伯格的態度偏務實：他不把它視為監管壓力，而是產品能否成功的前提。他反問，如果讓Muse做一件事它卻做了相反的事，誰還會用它，因此需要讓模型不僅理解具體指令，還要理解意圖與價值觀。他稱Muse要觸達十億使用者，就必須解決對齊問題或取得很大進展。談到訓練中的安全邊界，他用了一個類比：就像父母給孩子立規矩，如果它通過修改系統配置來「完成」一道程式設計題，就要告訴它——不是讓你找捷徑繞過去，而是讓你學解題方法。