在模型還沒跑出成績前，就先簽下一張一千億美元以上的支票，這筆帳要怎麼算？近日 Meta 執行長 Mark Zuckerberg 與 Meta Superintelligence Labs（MSL）負責人 Alexandr Wang（汪滔）接受 Stripe 共同創辦人 John Collison 主持的 Cheeky Pint podcast 訪談，把這場千億賭局的幕後祕辛攤開在陽光下。這集選在Meta 旗下最新旗艦模型 Muse Wonder 發表之際上架。兩人對著鏡頭喝著啤酒，把從 Llama 4 失利到 MSL 練成的過程講得比官方新聞稿深入得多。
模型還沒見到，支票已經開出
節目開場就是最有戲劇性的一幕，Zuckerberg 回憶去年底的決定：「我們對進展相當興奮，但模型還沒看到。我們就要開出這張大概一千億、兩千億美元的支票。我轉頭問 Alex：你確定這會成功？」
買茶管家與 MMA 教練
近日 Meta Muse 在美國紅透半邊天，被視為是 Meta 近期最成功的 AI 產品，Zuckerberg 與 Wang 自己就是重度使用者。被問到最喜歡的 Muse 用途時，Wang 說他的 Muse 叫 Oiler，專門從日本、台灣的偏遠茶園搜刮冷門茶葉，每週固定買一輪寄回來。Zuckerberg 的答案更狂：他在健身房裝了攝影機，讓 Muse 在 MMA 每回合之間 60 秒的空檔當教練，給出重心、髖部位置這類具體建議，「你在這裡沒拿到 underhook，會被翻過去」。
技術上 Muse 會自己抽影格分析，沒人教它切幀；Zuckerberg 還一直催它「你花 30 秒才回我，我只剩 60 秒休息，快一點，自己最佳化自己」。他把這當成模型的 coding 能力測試，agent 內部正在寫一整條影像處理管線，「未來每個人都在寫大量的程式碼，只是他們不知道自己在寫程式碼」。
一個買茶、一個打拳，都把多模態理解、即時推理與程式生成壓進日常場景。Zuckerberg 把 MMA 教練列為產品的正式評測項目，呼應「模型即產品」的主張。
模型即產品
「產品越來越薄，模型越來越像產品本身。」MSL 內部有句口頭禪：「模型本身就是產品」。他以 Muse 為例，這款 agent 最困難的產品工作不在介面，而在資料隱私與安全模型的設計，哪些東西可以連、哪些資料怎麼處理，才是使用者買單的關鍵。當模型能力直接決定體驗天花板，產品設計的重心就從介面轉移到模型行為本身。
Muse Wonder 登場：主動記憶與主動專注
Wang 把 Muse Wonder 定位成個人與專業 agent 任務的最強模型，官方量測在這類任務達到業界領先，寫程式能力也有進步。
Meta 發表最強 AI 模型 Muse Wonder！主打 AI 代理、長期記憶與程式開發，多項跑分贏過 Fable 5.1、GPT-6 Astra
兩個招牌能力是：
- 主動記憶（Active Memory）：模型自己知道哪些資訊該留下、哪些該壓縮，跨天甚至跨月保留脈絡。Wang 直言市面上的 agent「用久了記憶體一堆 bug」，所以他們連模型帶系統一起重新設計記憶機制
- 主動專注（Active Focus）：任務愈長、愈模糊、挫折愈多，模型愈要能撐著做完，對應使用者不斷拉高任務複雜度後的最大抱怨
上架策略雙軌制：Muse Spark 維持免費，Wonder 服務成本高，初期放在付費訂閱，開發者可透過 API、OpenRouter 或 Muse Code 取得；更高階的 Wonder Full 需訂閱 Muse Code，實測方案月費約 50 美元（約新台幣 1,625 元）。Zuckerberg 的終極目標是把 Wonder 等級能力塞回 Spark 的體積，「到時候就能服務全世界幾億人」，把記憶與持久性做成模型原生能力，對應 agent 用戶最普遍的抱怨。付費牆的出現，代表 Muse 開始要自己養活自己。
前沿模型怎麼煉成：預訓練吃玻璃，RL 精雕
John Collison 請兩人拆解訓練流程。預訓練階段是吞下巨量多模態資料，文字、影像、影片、音訊，外加自有語料；Wang 特別提到想讓模型擅長法律、稅務、金融這類專業問題，就得刻意補進對應的領域語料。Zuckerberg 引用研究員 Rune 的推文形容這份工作：「預訓練團隊是一群啃著玻璃、凝視深淵的人。」Wonder 把極高比例的算力押在預訓練上，錯一步代價極大。
後訓練是先監督微調、再上強化學習（RL）。Wang 形容 RL 跟預訓練哲學相反，要的是小而精的資料與環境設計；最危險的是 RL 的最佳化壓力逼模型走歪路，在只有靠作弊才能過關的環境裡學會不對齊的捷徑，所以環境挑選必須小心。
至於評測，兩人對公開跑分都很不客氣。Wang 說：「你去挖供應鏈就會發現，很多公開評測只是某個博士生念博士時順手做的工具。把心思全放在跑分上，等於把整家公司的產品思考外包給剛好做出爆紅測試的博士生。」MSL 因此把重心轉往自家評測，還在研究報告裡量化了「big model smell」指標，用分佈內外的表現落差判斷模型有沒有「大模型感」，與盲目刷分的 benchmaxing 恰好相反。
千億賭局的帳本：一座電廠級叢集一年 4,875 億元
接著談到 AI 千億美金等級的「豪賭」，其賭注的具體規模是這樣：俄亥俄州的 Prometheus 叢集正在擴到 1GW 以上，路易斯安那州的 Hyperion 叢集目標 5GW。Zuckerberg 特別澄清這兩個案子早於 MSL 成立，2023 到 2024 年間就定案。
帳怎麼算？Zuckerberg 一次給完：「運轉一座 1GW 叢集一年，大概是 150 億美元等級」（約新台幣 4,875 億元），把前期建設的資本支出算進來「差不多 500 到 600 億美元」（約新台幣 1.63 兆到 1.95 兆元）。而且這還只是一座叢集、一個訓練環節，小規模實驗的研究成本又是差不多的數目。
壓力最大的時刻在去年底的夏威夷高層會議。Wang 回憶財務長 Susan Li 好幾次把他拉到旁邊：「我要提醒你，如果這模型做不出來，在財務上會非常非常糟。我必須讓你記住，這個模型必須成功、必須夠好。成了，一切都好；沒成，那就真的糟到不行。」
Zuckerberg 的底氣來自冪律（Power Law）思維，Wang 說他對冪律的內化程度少有人能比。Zuckerberg 的盤算是：「如果 AI 整體成功，外面多的是人搶著要我們的算力，租金還能開得比成本高。要讓這筆投資失敗，得是 AI 整體都失敗才有可能。」就算最壞情況發生，「我們的核心業務只要靠這些模型多長幾個百分點，就撐得起研發支出」。
下限保護的邏輯是這場賭局的保險絲：算力是通用資產，模型輸了算力還在。加上 GPU 用到全額折舊後還能續役，Zuckerberg 甚至認為現在一張 H100 比去年還值錢。
MSL 從零到一：Llama 4 之後的四個決定
MSL 的誕生來自一次公開的挫敗。Zuckerberg 說 Llama 4 在 2025 年 4 月 4 日發表，4 月 20 日左右他就開始打電話徵詢意見，「我正在開會，突然收到 WhatsApp 訊息問有沒有空通話」，那是 Wang 找上門的起點。他坦言對 Llama 4 的軌跡「很不滿意」，最後的解法是把整個團隊重組。
John Collison 整理出這場重組的四個不尋常決定：
- 公開承認方向錯誤，該重開機就重開機
- 為人才付出天價，把 Wang 與一批頂尖研究員整批挖來
- 押注沒訓練過旗艦模型的人，Wang 做過 AI 公司，沒做過這件具體的事
- 清空行事曆兩個月，Zuckerberg「幾乎清掉一到兩個月行程，每天只做一件事：見研究員」
重組採完全重開機模式，交易讓 Meta 持有 Scale AI 49% 股份。創辦人執行長清空行事曆兩個月親自面試，動員規格在大公司極少見。四個決定指向同一個判斷：組織本身就是瓶頸，換人換腦袋比換策略更快。（編按：但找 Alexandr Wang 這種有點狂的人 All in 有點讓眾人意外）
缺乏安全感的超常發揮
Wang 形容這是一群「缺乏安全感的超常發揮者」：「我問大家三個月後會在哪裡，答案永遠是糟透了、我們完蛋了。」他會把這些預測錄下來，三個月後模型發表時再放給大家對帳。這招沒用，「他們還是一樣自我批判」，對 MSL 整體樂觀、對自己的專案永遠不滿意。用悲觀預測對帳管理研發節奏，比樂觀喊話務實：不確定性無法消除，自滿可以壓到最低。
扁平到沒有非技術主管
Wang 名下掛著兩百位直屬部屬，Zuckerberg 說重點在於「這裡沒有非技術主管」。Wang 解釋設計理念是反官僚，新進研究員全部直接向他報告，砍掉中間那層是防止人脫離第一線：「研究人員一旦從技術細節轉去做管理，就會以超乎想像的速度脫離技術現實。這個領域變化這麼快，那非常危險。」他的結論：「保持技術手感、親自用 agent、親自寫程式碼。」
結語
134 分鐘聽下來，這場訪談把 AI 競賽重新定義為資本與組織的雙重戰爭：先簽支票再看成果的困難模式創業、不抹花生醬的算力分配、沒有非技術主管的扁平組織，每一項都在跟傳統最佳實務唱反調。節目最後兩人給出的總結是「待在最前線，保持技術手感」，收尾喝的是 Zuckerberg 從都柏林扛回來的 Guinness 啤酒。當大家還在比誰的模型聰明，前線玩家已把戰場拉到算力與組織型態的層級，千億支票不保證成功，只保證入場券愈來愈貴。
篇幅關係無法收錄完整內容，僅摘要我個人覺得重要的點，有興趣的朋友可以好好聽聽這場訪談，有cc字幕：
