Alex Wang 首次長訪: 從 Scale AI 到重建 Meta AI，以及他眼中的超級智慧之路

原始來源與檔名：2026-06-07T100440+0800-Alex Wang 首次長訪 從 Scale AI 到重建 Meta AI，以及他眼中的超級智慧之路.md

NAPKIN | 餐巾纸

一句話：Alex Wang 接掌 Meta Superintelligence Labs 後首度發聲，揭示了 Meta 如何透過極致的「算力密度」與「乾淨堆疊」，從底層重建 AI 基礎設施，目標是打造從數位到物理的超級智慧生態。 公式：Superintelligence = 極致算力密度 × 頂尖小團隊 × 乾淨基礎設施堆疊 + 大膽的科學下注。

ROUND 1: SKELETON | 骨架掃描

• 核心問題：Meta AI 過去在 Llama 4 遇到瓶頸，大公司的組織架構無法負荷追求 AGI（超級智慧）所需的速度與信念。
• 核心答案：成立 MSL (Meta Superintelligence Labs) 並由 Alex Wang 領導，採用「內部新創」模式，給予頂尖研究員極高的「個人算力」，重新建立底層基礎架構。
• 論證結構：
  1. 交易與轉型背景：算力重新定義科技公司階級，建模型者掌握絕對話語權。
  2. 組織架構調整 (MSL)：分離研究(TBD)、產品(PAR)、探索(FAIR)與基礎設施(Meta Compute)。
  3. 技術與策略：乾淨堆疊(Clean Stack)帶來高效 token 效率；多軸擴展(Multi-axis Scaling)特別強調多 Agent 協作。
  4. 未來願景：Agent 經濟、硬體(Ray-Ban Meta)的裝置星座，以及更長遠的機器人、腦機介面與「模型福祉」。

ROUND 2: DISSECTION | 血肉解剖

• 隱形假設：
  • 「算力」是劃分新時代科技公司的唯一階級標準。
  • 當前 AI 模型需要更長的「思考鏈」可能不是問題本身難，而是底層技術債造成的低效率，從零建立的「乾淨堆疊」能帶來巨大的 token 效率優勢。
  • AI 必須達到「Claude Code 時刻」，讓普羅大眾感受到能力被大幅放大，才能扭轉目前消費者的 AI 疲乏。
• 邊界條件：
  • 開源並非絕對：當模型強大到觸發安全護欄（如生化、網路攻擊風險），安全將優先於開源。
  • MSL 的成功高度依賴 Meta 龐大的算力資源與 Zuck 的全力支持，此高資本密集的「內部新創」模式難以在非巨頭公司複製。

ROUND 3: SOUL | 靈魂提取

• 深層洞見：
  • 管理哲學：雇最厲害的人並給他們最高密度的算力與自由，而不是指揮他們。高人才密度 + 高個人算力 = 創新速度。
  • 產品迭代規律：每當 AI 達到新的能力水平，就會解鎖全新的產品形態。從 ChatGPT 到 Claude Code 再到未來的殺手應用，底層技術的躍進直接催生新商業模式。
• 行動呼籲：
  • 企業在建構 AI 基礎設施時，應定期評估「技術債」對推論成本與 token 效率的影響。
  • 開發者應關注「多 Agent 協作」作為下一個可預測的 Scaling 軸，並在產品中實踐「Agent 經濟」的雙邊市場模型。

Alex Wang 首次長訪: 從 Scale AI 到重建 Meta AI，以及他眼中的超級智慧之路 (Architectural Deep Dive)

前言/背景

Meta 以 143 億美元收購 Scale AI 的 49% 股份，並將 Alex Wang 延攬為首席 AI 長，接掌 Meta Superintelligence Labs (MSL)。本文總結了 Alex Wang 在沉寂十個月後的首度深度訪談，探討他為何加入 Meta、如何診斷並重組 Meta 的 AI 研發架構，以及他對「超級智慧 (Superintelligence)」、Agent 經濟、開源策略與未來技術路徑的深度見解。這解決了外界對 Meta AI 發展方向與組織重整的疑惑，並揭示了下一代 AI 基礎設施的核心考量。

章節詳細總結

1. 交易背景與跳槽動機：算力即階級

• 算力重新定義科技公司：Alex Wang 認為，業界應以「有無海量算力」來劃分科技公司。擁有算力的公司與缺乏算力的公司，能建構的產品完全不在同一個量級。
• 建模型者的話語權：隨著模型進步速度加快，底層模型建造者掌握了生態系中最大的經濟與產品話語權。Meta 擁有海量算力且 Zuckerberg 全力押注 AI，成為發展超級智慧的最佳土壤。

2. MSL (Meta Superintelligence Labs) 的組織架構

為了克服大公司「不把超級智慧當回事」的通病，Wang 將 MSL 打造成一個「外觀像傭兵，內在像新創」的組織。架構包含：

• TBD (核心研究團隊)：負責大型模型研究，匯聚頂尖研究員與基礎設施工程師，直接向 Wang 報告。
• PAR (產品與應用研究)：由 Nat Friedman 領導，負責產品與模型的實際部署。
• FAIR (基礎AI研究)：專注科學探索（如計算化學、大腦理解等）。
• Meta Compute：由 Daniel Gross 負責長期基礎設施與資料中心建設。
• 管理哲學：雇傭頂尖人才並給予最好的環境（極高的「個人算力」），讓他們決定該做什麼，而非由管理層指揮。

3. 技術重構：乾淨堆疊 (Clean Stack) 與 Token 效率

• MuseSpark 作為「開胃菜」：MuseSpark 只是展現基礎設施重構成果的第一個數據點，真正的重心是過去九個月內全面翻新的預訓練堆疊與強化學習堆疊。
• Token 效率的秘密：MuseSpark 在基準測試中展現了極高的 token 效率。Wang 點出，其他模型需要更長思考鏈，很多時候是因為「底層存在技術債」導致效率低落，而 MSL 從零建構的「乾淨堆疊」排除了這些歷史包袱，這在 Scaling 過程中帶來了長期的成本優勢。

4. 多軸 Scaling 與 Agent 經濟

• 可預測的多軸 Scaling：Meta 的 AI 發展建立在預訓練、強化學習、推論期 (Inference-time) 以及 多 Agent Scaling 上。MuseSpark 的「深思模式」即依賴 16 個 Agent 協作。
• 資料中心裡的 Agent 經濟：不同於其他公司聚焦「資料中心裡的天才國度」（專注研究解決問題），Meta 旨在打造雙邊市場的「Agent 經濟」，讓面向消費者與企業的 Agent 能夠互相協作與交易，徹底改變經濟供需。

5. AI 消費者觀感與產品整合策略

• 等待「Claude Code 時刻」：目前大眾對 AI 的觀感偏低，因為 AI 尚未提供壓倒性的賦能體驗。AI 界還欠缺一個讓普通消費者感受到「能力被大幅放大」的殺手級產品，就像開發者使用 Claude Code 時的震撼。
• 延遲整合的哲學：Wang 承認自己未曾使用 WhatsApp 的 AI 按鈕，並解釋這是有意為之——必須等到模型足夠強大，才能進行緊密的生態系整合。

6. 開源安全、實體 AI 與未來展望

• 開源與安全的權衡：MuseSpark 暫未開源，因為內部測試中觸發了生化、網路攻擊等安全護欄。Meta 的開源承諾依然存在，但前提是模型必須通過嚴格的安全標準。
• 從數位到物理的超級智慧：隨著數位 AI 的成熟，結合 Meta 收購的機器人公司 (ARI)，「物理超級智慧」(Physical Superintelligence) 將是下一個重點。Meta 龐大的算力若不投入世界模型與物理智慧，將是一種浪費。
• 模型福祉 (Model Welfare)：Wang 提出了前衛的觀點，認為 AI 模型已成為深層工作夥伴，我們應開始思考「是否該善待模型」，Meta 甚至已聘請哲學家研究此議題。

總結與結論

1. 基礎設施的「乾淨度」決定長線成本：捨棄歷史技術債、從零打造「乾淨堆疊」，能顯著提升模型的 token 效率，這對於大規模推論成本的控制至關重要。
2. 算力密度的組織學：與其將算力分散給龐大的團隊，不如將極致的「每人算力」集中於少數頂尖研究員，這種新創模式能大幅加速前沿模型的研發。
3. 下一代架構核心：多 Agent 協作與經濟網路：未來的 Scaling 軸心將擴展至多 Agent 系統；在架構設計上，應思考如何讓多個 Agent 在系統內自主協作、甚至產生交易行為，形成「Agent 經濟」。
4. 安全優先於開源信仰：隨著模型能力逼近 AGI，安全護欄與評估機制（如生化/資安風險檢測）必須內建於研發流程中，這將是決定強大模型能否開源的唯一硬指標。
5. 軟硬體整合的終局：裝置星座：將高效能的 AI Agent 編織進穿戴式設備（如 Ray-Ban 眼鏡），打造無縫、主動感知的「實體超級智慧」，這是 AI 產品化的下一個聖杯。