在现任 Meta 超级智能实验室负责人 Alexandr Wang 的领导下，Meta AI 的方向发生了变化。该团体结束了多年来围绕 Llama 的组织结构。通过 Muse Spark，Meta 开始直接面向使用的重新定位。
这一转变反映了更深刻的重组：人工智能不再被视为与 OpenAI 或 Anthropic 竞争的自主技术砖块，而是作为插入到集团产品中的功能层。如今，Meta 希望使用专有且封闭的人工智能来协调其生态系统。
Muse Spark 是“专门为 Meta 的产品设计的”，并且应该“为 Meta AI 提供更智能、更快的版本”。 Alexandr Wang 的目标是构建一种能够集成到现有用途的人工智能，一种位于内容、推荐和商业交汇处的社交原生人工智能。
专为封闭生态系统设计的人工智能
按照这种逻辑，Muse Spark 成为分布在集团平台上的功能层。 Meta 表示，该模型“为 Meta AI 提供了更智能、更快的版本”，并将逐步推广到 WhatsApp、Instagram、Facebook、Messenger 和智能眼镜。
Meta 在已经广泛使用的环境中稀释了人工智能，这种扩散应该会在其采用过程中产生更少的摩擦，因为它将不那么明显，但在滋养该群体的经济模式方面同样有效。
来自社会的回应
该模型的奇点在于其情境化的主要来源。 Meta 表示，Muse Spark 将启用引用用户在 Instagram、Facebook 和 Threads 上分享的推荐和内容。
为此，Meta 将依赖其用户在平台内生成的所有内容。 Muse Spark 可以在社交图谱之上重新编排内容。回应将由情境化的集会做出，并受到社会信号的滋养：出版物、互动、社区。
这种机制彻底重新定义了内容的流通，不再仅仅通过 feed 或内部搜索进行分发；它们成为生成响应时可激活的砖块。通过依赖这一基础设施，Meta 巩固了直接、实时访问原生内容及其使用动态的结构优势，这是一种很难在其生态系统之外复制的数据。
面向使用的代理架构
另一个同样务实的变化是：为了优化其响应，Meta AI 现在可以“并行启动多个子代理”，每个子代理负责一项特定任务。例如，作为夏季旅行的一部分，一位代理人编写行程，另一位代理人将巴黎与其他欧洲首都进行比较，第三位代理人建议适合儿童的活动。
这种架构使得无需切换到完全自治的系统就可以处理复杂的请求，而完全自治的系统仍然难以大规模稳定。这是一个务实的选择，旨在通过增加处理点来提高响应质量，而不会让用户面临潜在的技术复杂性。
看到世界而不是描述它
Muse Spark 的优势之一是它能够“看到并理解您所看到的内容，而不仅仅是阅读您键入的内容”。例如，拍摄机场小吃过道的照片将使 Meta AI 能够根据产品的蛋白质含量对产品进行识别和分类。
这种在上下文中解释图像的能力大大拓宽了人工智能的应用范围，并允许助手在真实情况下指导用户。通过联网眼镜，这种视角变得更加结构化，这种视觉感知是持续使用的一部分。
健康作为结构化用例
Meta 还打算在日常管理中发挥作用，特别是在健康问题上。该公司强调，“健康是人们转向人工智能的主要原因之一”，这一定位使得捕捉频繁互动并将其服务用于具有高感知价值的用途成为可能。
然而，这一雄心壮志遇到了信任问题。 Meta 在个人数据问题上的历史充满了争议和制裁，人们对该组织说服用户委托其提供更敏感信息的能力提出了质疑。
迈向“个人超级智能”
Meta 希望构建一个人工智能，它是“一个可以在任何地方帮助任何人处理对他们最重要的事情的助手”，“一个不仅能回答你的问题，还能真正理解你的世界，因为它是由它构建的。”
面对法学硕士的竞争，务实的重新定位，有利于更直接地融入用途。 Meta 并不寻求仅仅在模型性能上进行竞争，而是调动难以复制的资产：在其平台上大规模产生的社交互动。
信任，Meta 人工智能战略的盲点
有一点仍然隐晦：信任问题。 Meta 在个人数据管理方面的历史仍然充满争议。在这种背景下，人工智能扩展到健康或购买行为等敏感领域提出了一个核心问题：用户在多大程度上同意共享更精细的数据来提供这些新服务？
Meta 提到了其安全和保护系统的加强，但问题不仅仅是技术合规性。它影响控制的感知、数据使用的可读性以及团队确信这一新的人工智能层不会重现过去的模糊性的能力。
