Meta Muse走红背后：200人直接汇报、反官僚的AI组织设计

过去一年里，Meta 在 AI 领域经历了一次比较戏剧性的反转。

2025 年 4 月，被寄予厚望的 Llama 4 发布后，表现没有达到内部预期。在 OpenAI、Google 和 Anthropic 的竞争越来越激烈的情况下，Meta 的 前沿模型 研发也受到了质疑。扎克伯格后来决定重组 AI 研发体系，花重金招揽人才，并邀请 Scale AI 的 29 岁联合创始人 Alexandr Wang 出任首席 AI 官，主导 Meta Superintelligence Labs（MSL，超级智能实验室）。

经过一年多的组织重建，Meta 开始拿出新的成果。今年 4 月，MSL 推出首个新模型 Muse Spark；9 月 8 日，Meta 正式发布个人 AI Agent 产品 Muse，随后登上美国 App Store 免费应用榜首。据《华尔街日报》10 月报道，Muse 下载量已经接近 900 万次。虽然用户留存、隐私安全和商业化仍有挑战，但这款产品的走红，让外界开始重新评估 Meta 在 AI 竞争中的位置。

紧接着 10 月 12 日，Meta 又发布 Muse Wonder 和 Muse Wonder Full 两款新模型，宣称它们在法律、金融、代码开发以及复杂 Agent 任务上达到前沿水平。

扎克伯格认为，Meta 已经重新进入前沿 AI 模型竞争。新模型发布后，Meta 股价当天上涨约 3%，资本市场对 AI 投入也给出了积极反应。

从 Llama 4 受挫，到 Muse 快速获得关注，再到 Muse Wonder 系列模型发布，Meta 似乎正在迎来一次 AI 业务的阶段性反转。不过，比产品更值得关注的，是这次反转背后的组织变化。

10 月 11 日，Meta 首席 AI 官 Alexandr Wang 接受知名播客主持人 David Senra 专访，详细介绍了 MSL 的组织设计、人才管理和 Muse 研发过程。10 月 17 日前后，《金融时报》也发布了 Wang 的人物报道，重新审视这位年轻管理者在 Meta AI 战略调整中的作用。

访谈中，主持人问 Wang 目前有多少人直接向他汇报，他回答：

Yeah, I think more than 200.

超过 200 人。

更令人意外的是，这种超宽管理幅度是团队有意设计的。Wang 希望建立一个高度扁平化、人才密度极高、尽量减少官僚层级的研究组织。记得黄仁勋谈到过自己的下属是 30-50 人，当时已经觉得是极致扁平了，没想到这位年轻人又立了新的“标杆”。

那么问题来了：没有那么多中层管理者，新团队如何分工、决策和协同？这次访谈提供了一些观察窗口。

一、从 AI 研发受挫到 Muse 走红，Meta 为什么重建组织？

这次调整始于一次非常明确的技术挫折。

Wang 在访谈中回忆，Llama 4 表现不及预期后，扎克伯格主动联系他，想听听他对 Meta AI 研发体系的看法。最初只是寻求建议，后来双方逐渐讨论到重新建设 AI 实验室，以及 Wang 是否愿意亲自参与。

2025 年 6 月，Meta 宣布向 Scale AI 投资约 143 亿美元，获得约 49% 的股权，同时引入 Wang 担任首席 AI 官。这个选择当时并不被所有人看好。Wang 虽然 19 岁就创办 Scale AI，并把它做成 AI 数据基础设施领域的重要公司，但并没有亲自带团队训练 前沿大模型 的经历。《金融时报》的人物报道也提到了外界对他技术背景的质疑。

不过，扎克伯格给他的不只是一个高级管理职位，还有重新组织团队、招聘人才和确定研发方向的空间。

Wang 提到，吸引他加入 Meta 的一个重要原因，是有机会从头建立一个新 AI 研究实验室。他们希望打造一支规模精简、技术导向、人才密度极高的团队，并将 Personal Superintelligence（个人超级智能）确立为核心方向。Meta 的资源优势也很明显：除了充足的算力和基础设施，还拥有 Facebook、Instagram、WhatsApp 等庞大的用户入口。这也影响了实验室的研发选择。

当许多 AI 公司把资源集中在编程 Agent 时，Meta 决定优先押注面向普通消费者的个人 Agent。Wang 认为，Meta 拥有数十亿用户和长期积累的消费互联网经验，这才是它最有机会形成差异化优势的领域。这个方向选择最终落到了 Muse 产品上。

Muse 从早期原型到正式推出，用了约七个月，模型和产品研发人员合计不到 200 人。在 Meta 这样的公司里，这是一支相对精简的团队。为什么公司最重要的产品之一，反而要控制研发人数？

Wang 认为，大型组织开发产品时经常出现一个问题：参与的人越来越多，每个部门、每个产品经理都有自己的要求，最后产品变成不同观点的拼接。他在访谈中用了一个很形象的词：Frankenstein——也就是各类需求拼接起来的产品。

Muse 需要统一的产品方向，所以团队必须保持专注，让拥有明确产品判断力的人发挥作用。Wang 特别提到了 Nat Friedman 在 Muse 产品设计中的重要影响。Friedman 是 MSL 最早深度试用个人智能体 OpenClaw 的人之一，也促使 Wang 投入体验。今年 2 月，两人判断这个方向值得做成大众产品。Friedman 还写下涉及用户信任的备忘录，帮助明确产品构想；团队随后在一两周内做出原型。

此外，Meta 还为 Muse 建立了一份包含 100 多项具体行为要求的评估清单，只有相关测试达到发布标准，产品才正式推出。人员精简、产品决策集中与明确的质量标准，需要同时发挥作用。

二、200 多人直接汇报，Meta 究竟如何管理？

访谈最值得组织管理者关注的内容，出现在最后几分钟。

主持人问 Wang，为什么拥有如此多的直接汇报者。他解释，MSL 内部有一个名为 TBD 的研究团队（To Be Determined，意为待定实验室），是 Meta 超级智能实验室旗下负责前沿模型研发的核心团队。组织设计遵循一个非常明确的原则：

TBD is like literally anti-bureaucracy.

TBD 明确反对官僚主义。

按照 Wang 的介绍，该团队的研究人员原则上直接向他汇报。他们希望建立一个极其扁平化的组织，避免层层管理对研究人员造成不必要的限制。但如果把这件事理解成 200 多人都由 Wang 亲自分配任务、监督工作、进行技术决策，就完全误解了这套组织设计。

事实上，TBD 仍然保留了技术领导结构。团队内部设有多个 Pod，也就是围绕不同研究方向建立的小组，每个 Pod 都有技术负责人，承担明确技术方向、解决专业分歧以及作出技术判断的职责。AI Pod 也是 Meta 在 AI 变革早期就采取的组织结构形式，一直延续到现在，在某种程度上证明这种小组模式有较大的参考价值。

这里最有价值的尝试，是 Meta 把人员汇报关系与技术领导权分开了。在很多传统组织中，一个部门经理既负责员工管理，又负责专业判断，还要协调资源和审批工作。随着团队扩大，企业不断增加主管、经理、总监，把这些职责分配到不同层级。这套模式可以解决规模化管理问题，但在高度专业化的研究工作中，也会出现另一个问题：真正掌握专业知识的人未必拥有决策权，重要判断需要经过多级汇报，研究人员把大量时间花在解释、沟通和争取资源上。

Meta 正在尝试另一种安排：在行政汇报关系上尽量减少层级；在技术工作中保留专业负责人；在整体方向和人才资源方面，由 Wang 承担组织领导职责。这样既能让专业判断发生在距离问题更近的地方，也能减少部分层级协调活动。

不过，这种机制背后有一个重要前提：人才密度足够高。Wang 认为，这些研究人员已经通过过去的经历证明了自己的专业能力，不需要管理者持续进行微观监督。他在访谈中说：

I don't need to be micromanaging you.

他还承认，自己未必能够成为 200 多人最好的日常管理者。但这些研究人员需要的是良好的环境、资源和充分发挥能力的空间。减少管理层级并不代表减少所有管理工作——技术团队依然需要明确方向、解决资源冲突、进行人才评价，并对最终结果负责。Meta 正在探索的方向是：在成熟专家团队中，行政管理层级可以减少，专业领导与决策机制则需要更加明确。

三、从 Founder 到 Coach，管理者的角色也在发生变化

相比 200 多名直接汇报者，Wang 对自己管理方式的反思其实更值得研究。

在 Scale AI 担任创始人兼 CEO 的九年里，他曾经认为，一个好的创始人应该深入了解公司里的各种工作，并对产品、流程和组织运行保持较强的控制力。但随着公司发展，这种管理方式也带来了问题。Wang 在访谈中承认，自己逐渐成为公司的瓶颈：

Made me the bottleneck in very big ways.

当创始人希望参与所有重要决策时，组织的运行速度就会越来越依赖个人的判断和时间。来到 Meta 之后，他面对的是完全不同的团队：这里汇集了大量世界级 AI 研究人员，他们在专业领域的能力可能远超管理者本人。Wang 无法像过去一样参与每一项技术判断，也没有必要这样做。因此，他开始将自己的角色定位为 Coach，也就是教练。

在他看来，自己主要负责明确团队长期方向，发现特殊人才，并给予他们发挥能力所需要的环境和资源。很多大型公司内部其实拥有非常优秀的人才，但组织没有给予他们发挥能力的空间，这些人最终离开大公司，转向创业公司或自己创业。

Wang 还提出了两种不同的工作类型：Building Skyscrapers（建设摩天大楼）和 Diamond Mining（寻找钻石）。前者任务相对明确，管理者需要通过流程优化、质量控制和效率提升持续创造价值，Scale AI 的数据业务更接近这种类型；后者结果具有高度不确定性，大量探索可能没有结果，但少数重要突破能够产生巨大价值，前沿 AI 研究更接近这种类型。

在第一类工作中，标准化管理有很强的价值；在第二类工作中，人才的自主探索、专业判断和试错空间更加重要。这也解释了为什么 Wang 在 Meta 和 Scale AI 采取不同的管理方式。把这两类工作混为一谈，容易让组织走向两个极端：要么用过多的流程限制创新，要么在本来需要标准化的工作中盲目追求扁平化和自治。

四、Meta 的组织实验，对 AI 组织转型有什么启发？

Meta 的探索提供了一个值得参考的方向：根据工作的性质和人才成熟度重新配置权责，让专业人员拥有必要的决策空间，让管理者把更多精力投入方向、人才和组织环境建设。

当然，目前还不能把 Muse 的短期成功等同于这套组织设计获得了长期验证。产品能否持续留住用户、新模型的竞争力能否保持，以及超宽管理幅度是否带来人才发展和协调方面的新问题，都需要继续观察。

有意思的是，国内科技大厂也在发生一场值得关注的 AI 组织变革。腾讯同样将核心 AI 研发重任交给了一位 95 后年轻人姚顺雨。从整合基础模型研发团队，到打通 AI Infra、数据与评测体系，腾讯也在尝试重建自己的 AI 研发组织，并取得了一定成绩。

两位年轻人都获得了大厂高层的重要授权，但面对的组织基础、改革路径和现实挑战并不相同。Meta 已经拿出了 Muse，腾讯姚顺雨能否交出同样具有影响力的成果？后续我们会继续跟进腾讯的这场组织实验。

参考资料：

1. David Senra，Creating Muse: The Fastest-Growing AI Product Since ChatGPT | Alexandr Wang, Meta，2026 年 10 月 11 日。
2. Financial Times，Alexandr Wang, Meta's AI wunderkind，2026 年 10 月 17 日前后。
3. Meta Newsroom，Introducing Muse Wonder and Muse Wonder Full: Frontier Models for Agents，2026 年 10 月 12 日。
4. Meta Newsroom，Introducing Muse Spark，2026 年 4 月 8 日。
5. The Wall Street Journal，Meta Says New AI Model Is State-of-the-Art, Will Make Muse Agent Smarter，2026 年 10 月。

访谈链接： https://www.youtube.com/watch?v=S6l3aRsecuE&t=4170s