Meta發布Muse Spark，互聯網大廠轉向閉源AI的必然

Meta終于重回牌桌，發布了多模態推理模型Muse Spark。這距離上一代旗艦開源模型Llama 4翻車，已經過去整整一年。不同的是，另起爐灶的Muse Spark，是一款閉源大模型。

目前，Muse Spark率先上線于Meta AI，并逐步擴展至旗下即時通訊與社交平臺，以及AI眼鏡；API則暫時僅向部分合作伙伴開放。

在超過140多億美元挖人，成立超級智能實驗室（MSL），明確“個人超級智能”戰略后，市場早已默認，向封閉生態收斂，已是扎克伯格的必然選擇。

這并非孤例。幾乎所有的互聯網大廠，都是閉源的，或者都在走向閉源。谷歌最新開源的Gemma 4，是Gemini 3能力的外溢；阿里巴巴在一切向token看齊后，不僅沒有開源Max款，最近連Plus款也不再開源。

開源不僅是一種技術路徑選擇，更是一種價值分配的方式。在激烈的市場競爭下，商業變現壓力迅速上升。在這樣的背景中，開源更像是一套著眼長遠的生態布局，而非一門可以迅速兌現的生意。更何況，某種意義上，開源也意味著培養潛在競爭對手。

開源是否成立，取決于是否連接到可變現的基礎設施。谷歌與阿里巴巴都是云巨頭，開源模型及其衍生模型所帶來的推理需求，至少還能轉化為云端算力消耗，從而進入營收體系。但對Meta來說，其算力主要服務于自身應用生態，缺乏對外輸出的變現通道，這使得Llama系列的成功，始終與財報隔著一段不小的距離。

另一類路徑，則來自直接出售基礎設施的硬件廠商。英偉達的Nemotron系列，正在補位美國的開源生態。但黃仁勛的意圖，在于推動整個AI生態圍繞自己的GPU計算體系構筑。營銷經過軟硬件協同演進的整個技術棧，正是英偉達開源的變現之道。推動硬件與軟件的協同進化，進而走向算力自由，這也是中國開源模型陣營繁榮的內在邏輯之一。

2026/03/12 完整閱讀 >

但Meta并不具備這樣的商業結構，無法將開源模型所創造的價值，轉化為基礎設施層的收入或杠桿。其AI能力正日益與MTIA等自研芯片體系深度綁定，開源既難以形成商業閉環，也難以放大外部生態。在這種情況下，開源的戰略價值迅速收縮，轉向閉源也幾乎成為必然。

而且，對于Meta而言，從開源轉向閉源，本質上也是一種技術棧的協同。當算力芯片、模型與應用平臺均內化于同一體系之中，再去兼顧更廣泛開源社區的多元需求，反而意味著額外的摩擦成本；閉源則可以在訓練、推理與產品迭代之間形成更緊密的耦合。于是，將模型、產品與用戶反饋整合為一體，構建數據飛輪與商業閉環，反而更符合Meta的路徑。

在當下，AI應用的免費用戶如何貨幣化，仍然是一個難題。廣告與電商，是互聯網最好的商業模式，OpenAI一度想回歸，在此之上疊加AI賦能，但要想將AI建立在互聯網之上，仍然需要通往規模用戶的入口。它們把持在谷歌、Meta、字節跳動與騰訊等等互聯網巨頭手里。這也解釋了Muse Spark發布后，優先嵌入自有產品體系的選擇。

2026/03/22 完整閱讀 >

市場仍在爭論Muse Spark的性能。ARC Prize聯合創始人Fran?ois Chollet認為，它針對公開基準過度優化，犧牲了真正的泛化能力；這套評測體系，本就旨在衡量通用人工智能（AGI）的進展。而ValsAI創始人Rayan Krishnan則針鋒相對，認為它在真實世界的金融工作流中，表現相當不錯；該公司專注于評估模型在金融、法律與編碼等垂直場景中的實際表現，獲得了彭博旗下風投基金的投資。

但這種爭論，或許本身就偏離了問題。Muse Spark并不以AGI意義上的泛化為目標。在扎克伯格看來，超級智能讓個人成為超級個體，而AGI則與之相對，自身凌駕于社會之上。隨著AI將人們從傳統生產力工具中解放出來，時間將更多流向創造與連接。Meta的社交平臺上，有30億用戶。

2025/07/31 完整閱讀 >

對于Muse Spark的能力，這次Meta介紹得相對克制。官方博客稱其在多模態感知、推理、健康和智能體任務中，具備了一定的競爭力，而在長程智能體系統以及編碼工作流等領域存在績效差距。

多模態感知，以及視覺思維鏈，正好服務于Facebook、Instagram與Threads，以及AI眼鏡等產品形態。MSL負責人汪韜（Alexandr Wang）說的更加直白，它是“為每天使用我們應用的30億用戶量身打造的”。

MSL的核心貢獻者們，苦熬了9個月，正踴躍在X上分享。從中，市場已經隱約能找尋到，它與Meta旗下基礎設施與產品形態深度協同的跡象。

汪韜就提到，在MSL成立的9個月時間里，團隊從零重建了AI技術棧，包括新的基礎設施，新的架構，新的數據管道。MSL研究員畢樹超（Shuchao Bi）則以“端到端”教育類比，實際上對應的是從預訓練、強化學習，到真實任務反饋驅動優化的一整套模型訓練閉環。

在Muse模型家族里，Spark并非最大的那款。隨著路徑驗證，模型會繼續向更大參數擴展。汪韜亦承諾未來仍將推出開源版本。但顯然，同樣的邏輯，既然Spark選擇閉源，更大規模的Muse模型大概率也不會開放。

更可能被開源的，是參數規模更小、面向端側部署的模型。這是消費AI的另一個主戰場。近期谷歌開源Gemma 4，其中E2B和E4B兩款，就是直接面向端側與邊緣側的；蘋果正在基于Gemini蒸餾端側模型；而在扎克伯格的設想里，Meta的AI眼鏡或者頭顯，甚至將像手機一樣，成為個人計算主平臺。

在這里，生態擴張的邏輯仍然成立。開源得以再次連接到可變現的“端側基礎設施”。小參數模型，能夠通過降低部署門檻，加速應用適配與開發者進入，從而反向放大設備與生態的價值。

開源并未消失，它只是從云端退場，轉向設備端。而真正決定模型開源與否的，相比技術或情懷本身，更在于它所嵌入的商業結構。