WEBVTT

00:00:00.166 --> 00:00:02.533
Meta开源Muse glimmer30B

00:00:02.700 --> 00:00:04.366
最值得看的不是参数

00:00:04.366 --> 00:00:05.533
也不是跑分

00:00:05.600 --> 00:00:07.366
而是它把大模型竞争

00:00:07.366 --> 00:00:09.166
从云端大厂的机房

00:00:09.200 --> 00:00:11.200
重新推回普通人的电脑

00:00:11.300 --> 00:00:12.866
一个30B级别

00:00:12.866 --> 00:00:13.900
开放权重

00:00:13.933 --> 00:00:15.966
面向本地agent的模型

00:00:16.133 --> 00:00:17.733
放在今天这个节点

00:00:17.766 --> 00:00:18.900
意思很明确

00:00:19.266 --> 00:00:21.700
AI不能只是一张云服务账单

00:00:21.733 --> 00:00:24.900
也不能永远被少数公司关在黑盒里

00:00:25.000 --> 00:00:28.066
这件事要放在Meta的整体叙事里看

00:00:28.500 --> 00:00:30.800
扎克伯格最近把话说得很直

00:00:31.366 --> 00:00:32.533
人工智能的主要

00:00:32.533 --> 00:00:34.533
目的应该是发明创造

00:00:34.733 --> 00:00:36.766
不应该只是自动化替代

00:00:37.100 --> 00:00:39.366
超级智能如果真的会到来

00:00:39.500 --> 00:00:42.666
那它不应该只掌握在几家公司手里

00:00:42.933 --> 00:00:45.366
而应该尽量广泛的分发给

00:00:45.366 --> 00:00:48.066
普通人开发者和小团队

00:00:48.700 --> 00:00:50.566
Muse Glimmer就是这个叙事

00:00:50.566 --> 00:00:52.600
落到产品上的一颗棋子

00:00:52.800 --> 00:00:55.100
Muse Glimmer 30B的重点不是

00:00:55.100 --> 00:00:57.266
挑战闭源模型的全部能力

00:00:57.366 --> 00:01:00.566
而是给本地AI留出一条现实路线

00:01:00.700 --> 00:01:02.300
现在很多模型动不动

00:01:02.300 --> 00:01:04.500
就是几千亿上万亿参数

00:01:04.666 --> 00:01:05.866
听起来很震撼

00:01:05.900 --> 00:01:08.000
但普通用户根本跑不起来

00:01:08.333 --> 00:01:10.000
他们需要昂贵GPU

00:01:10.200 --> 00:01:11.600
需要云端推理

00:01:11.666 --> 00:01:13.600
需要订阅和调用额度

00:01:13.900 --> 00:01:15.966
Meta选择30B这个体量

00:01:15.966 --> 00:01:17.066
就是在说

00:01:17.200 --> 00:01:20.133
模型不一定越大越接近未来

00:01:20.200 --> 00:01:22.933
能部署能修改能嵌进

00:01:22.933 --> 00:01:25.700
工作流才更接近真实使用

00:01:25.933 --> 00:01:28.400
这和LLAMA时代的路线一脉相承

00:01:29.100 --> 00:01:31.466
Meta一直在开放模型上押注

00:01:31.666 --> 00:01:33.533
只是中间经历过摇摆

00:01:33.766 --> 00:01:38.200
当Openai Anthropic Google把高端模型

00:01:38.200 --> 00:01:40.500
能力不断往闭源体系里收

00:01:41.000 --> 00:01:44.533
Meta反而重新把开放权重当成差异化

00:01:44.600 --> 00:01:46.933
它没必要在每一项榜单上赢

00:01:47.166 --> 00:01:49.100
它要赢的是开发者心智

00:01:49.600 --> 00:01:51.566
谁能让更多人拿去改

00:01:51.666 --> 00:01:53.733
拿去跑拿去做产品

00:01:53.966 --> 00:01:56.966
谁就能在AI底层生态里留下位置

00:01:57.266 --> 00:02:00.766
musglm还带有execute torch和PTE

00:02:00.766 --> 00:02:02.400
这样的边缘部署意味

00:02:02.566 --> 00:02:04.066
这个细节很重要

00:02:04.566 --> 00:02:06.966
它不是只给服务器看的模型卡

00:02:07.133 --> 00:02:09.600
而是在暗示手机笔记本

00:02:09.600 --> 00:02:12.200
边缘设备本地工作站都

00:02:12.200 --> 00:02:14.700
可能成为AI agent的运行环境

00:02:14.800 --> 00:02:15.866
未来AI agent

00:02:15.866 --> 00:02:17.933
不一定每一步都要回云端

00:02:18.266 --> 00:02:20.166
他可以在本地看文件读

00:02:20.166 --> 00:02:23.066
图片调工具处理私人数据

00:02:23.100 --> 00:02:24.366
再把真正复杂的

00:02:24.366 --> 00:02:26.166
任务交给云端大模型

00:02:26.300 --> 00:02:29.900
这种路线最大的价值是隐私和成本

00:02:30.366 --> 00:02:33.700
用户把本地文件工作资料聊天

00:02:33.700 --> 00:02:36.666
记录图片和代码交给云端模型

00:02:36.933 --> 00:02:38.500
永远会有心理门槛

00:02:38.900 --> 00:02:39.966
企业企业更敏感

00:02:40.066 --> 00:02:42.333
尤其涉及客户数据合同

00:02:42.500 --> 00:02:44.333
研发资料和内部流程

00:02:44.466 --> 00:02:46.466
一个能在本地跑的模型

00:02:46.600 --> 00:02:48.333
就算能力不是最强

00:02:48.500 --> 00:02:49.900
也会因为数据不出

00:02:49.900 --> 00:02:51.466
设备而变得有价值

00:02:51.666 --> 00:02:53.133
很多真实场景不需要

00:02:53.133 --> 00:02:54.766
世界最聪明的模型

00:02:55.300 --> 00:02:57.000
只需要一个足够聪明

00:02:57.066 --> 00:02:59.766
足够便宜足够可控的助手

00:02:59.866 --> 00:03:01.500
这也是开源模型真正

00:03:01.500 --> 00:03:03.166
打闭源模型的地方

00:03:03.733 --> 00:03:06.533
闭源模型擅长提供最强通用能力

00:03:06.766 --> 00:03:09.700
开源模型擅长被改造成具体工具

00:03:09.766 --> 00:03:11.366
小团队可以微调它

00:03:11.800 --> 00:03:13.800
企业可以把它部署到内网

00:03:13.966 --> 00:03:15.200
开发者可以把它接

00:03:15.200 --> 00:03:16.900
进自己的agent框架

00:03:17.466 --> 00:03:20.000
硬件厂商可以把它塞进边缘设备

00:03:20.200 --> 00:03:21.966
闭源模型卖的是能力

00:03:21.966 --> 00:03:24.066
开放模型卖的是可塑性

00:03:24.266 --> 00:03:25.933
两者不是同一场比赛

00:03:26.100 --> 00:03:28.300
Meta这次还把数据中心社区

00:03:28.300 --> 00:03:30.266
基金放在同一个叙事里

00:03:30.300 --> 00:03:32.466
说明它知道AI扩张正在

00:03:32.466 --> 00:03:34.066
遇到新的政治成本

00:03:34.700 --> 00:03:36.900
数据中心需要电力土地

00:03:36.900 --> 00:03:39.466
水输电设施和社区许可

00:03:39.533 --> 00:03:41.566
过去科技公司建机房

00:03:41.566 --> 00:03:43.166
地方政府往往欢迎

00:03:43.166 --> 00:03:45.100
因为它带来投资和税收

00:03:45.200 --> 00:03:46.600
现在情况变了

00:03:46.666 --> 00:03:48.733
居民开始担心电费上涨

00:03:49.166 --> 00:03:51.500
环境压力和基础设施被占用

00:03:51.600 --> 00:03:53.933
AI越庞大越不可能只用

00:03:53.933 --> 00:03:55.700
技术语言解释自己

00:03:55.933 --> 00:03:58.533
10亿美元社区基金表面上是补偿

00:03:58.866 --> 00:04:01.366
背后是AI基建时代的通行费

00:04:02.066 --> 00:04:03.733
Meta想告诉当地居民

00:04:04.000 --> 00:04:06.500
数据中心不是只把电和水抽走

00:04:06.500 --> 00:04:09.533
也会把钱岗位和公共服务带回来

00:04:09.900 --> 00:04:13.200
警察消防员社区成员被点名

00:04:13.266 --> 00:04:15.466
是一种很现实的政治沟通

00:04:15.600 --> 00:04:17.333
AI公司已经发现

00:04:17.466 --> 00:04:19.933
光说技术改变世界没用了

00:04:20.200 --> 00:04:22.800
真正被影响的人要看到具体回报

00:04:23.066 --> 00:04:26.466
Musglimmer和社区基金看似是两件事

00:04:26.466 --> 00:04:28.166
其实对应同一个问题

00:04:28.466 --> 00:04:30.733
AI权力会不会过度集中

00:04:31.200 --> 00:04:32.766
模型集中在云端

00:04:32.933 --> 00:04:34.966
算力集中在数据中心

00:04:35.066 --> 00:04:37.133
收益集中在少数公司

00:04:37.400 --> 00:04:40.100
成本却扩散给社区和消费者

00:04:40.166 --> 00:04:41.800
这套结构如果不调整

00:04:41.800 --> 00:04:43.200
反弹会越来越大

00:04:43.366 --> 00:04:47.066
Meta现在讲开放讲本地讲回馈社区

00:04:47.100 --> 00:04:48.666
就是在给自己的AI

00:04:48.666 --> 00:04:50.533
扩张换一种合法性

00:04:50.766 --> 00:04:53.400
这不代表Meta突然变成公益组织

00:04:53.600 --> 00:04:55.500
开源也不是纯粹善意

00:04:55.866 --> 00:04:57.966
Meta的商业逻辑很清楚

00:04:58.366 --> 00:05:00.300
它没有像Openai那样把

00:05:00.300 --> 00:05:02.500
订阅模型做成第一入口

00:05:02.700 --> 00:05:05.366
也没有Google那样的搜索默认位置

00:05:05.766 --> 00:05:07.533
它最擅长的是平台

00:05:07.566 --> 00:05:10.133
分发广告和开发者网络

00:05:10.300 --> 00:05:11.900
开放模型能削弱

00:05:11.900 --> 00:05:13.800
闭源模型的收费能力

00:05:13.966 --> 00:05:16.100
降低竞争对手的护城河

00:05:16.400 --> 00:05:18.300
同时让更多应用围绕

00:05:18.300 --> 00:05:20.166
Meta的模型生态生长

00:05:20.466 --> 00:05:22.566
如果一个开放模型足够好

00:05:22.566 --> 00:05:24.700
大量开发者就会围绕它做

00:05:24.700 --> 00:05:27.600
工具插件微调和部署方案

00:05:27.700 --> 00:05:30.466
哪怕Meta不直接收每一次调用费

00:05:30.500 --> 00:05:33.666
它也能影响标准框架和生态方向

00:05:33.900 --> 00:05:36.700
安卓当年不是靠系统授权费赚钱

00:05:37.066 --> 00:05:39.700
而是靠开放系统占住移动入口

00:05:39.966 --> 00:05:42.733
LLAMA和Muse glimmer也有类似逻辑

00:05:42.933 --> 00:05:45.666
用开放打破别人的封闭利润池

00:05:45.800 --> 00:05:48.300
再在更大的生态里寻找收益

00:05:48.600 --> 00:05:52.566
Muse glimmer的30B体量还有一个现实意义

00:05:52.766 --> 00:05:55.066
它让AI从演示回到产品

00:05:55.333 --> 00:05:58.300
很多AI发布会喜欢展示极限能力

00:05:58.400 --> 00:06:01.200
仿佛模型能解决所有复杂问题

00:06:01.400 --> 00:06:02.900
但真正落地时

00:06:02.900 --> 00:06:05.266
企业关心的是成本延迟

00:06:05.533 --> 00:06:08.566
部署安全稳定可维护

00:06:08.666 --> 00:06:10.100
一个30B模型

00:06:10.100 --> 00:06:12.066
如果能在普通设备或

00:06:12.066 --> 00:06:14.533
消费级GPU上完成稳定任务

00:06:14.866 --> 00:06:17.700
它的商业价值可能比一个只能在

00:06:17.700 --> 00:06:20.866
云端高价运行的巨型模型更直接

00:06:20.933 --> 00:06:22.466
尤其是agent场景

00:06:22.666 --> 00:06:24.266
agent不是一次聊天

00:06:24.266 --> 00:06:25.766
而是一连串动作

00:06:26.000 --> 00:06:28.066
理解目标拆任务

00:06:28.366 --> 00:06:30.200
读文件调用工具

00:06:30.333 --> 00:06:31.366
检查结果

00:06:31.400 --> 00:06:32.700
失败后重试

00:06:32.800 --> 00:06:35.500
这里面很多步骤并不需要最强模型

00:06:35.600 --> 00:06:38.666
文件分类表格检查界面操作

00:06:38.700 --> 00:06:42.366
图片理解简单代码修改本地搜索

00:06:42.533 --> 00:06:44.500
都可以由较小模型承担

00:06:44.600 --> 00:06:46.800
把这些步骤放到本地执行

00:06:47.366 --> 00:06:49.400
云端只处理最难的推理

00:06:49.700 --> 00:06:51.900
整个系统成本会明显下降

00:06:51.933 --> 00:06:53.366
这也解释了为什么

00:06:53.366 --> 00:06:55.966
本地模型会越来越重要

00:06:55.966 --> 00:06:57.700
AI的下一阶段不是谁

00:06:57.700 --> 00:06:59.133
能回答得更漂亮

00:06:59.666 --> 00:07:02.600
而是谁能更便宜的完成更多动作

00:07:02.800 --> 00:07:05.366
一个公司每天调用百万次模型

00:07:05.600 --> 00:07:08.300
如果每一步都走最贵的闭源API

00:07:08.466 --> 00:07:09.933
成本会很快失控

00:07:09.966 --> 00:07:11.600
本地模型可以承担大量

00:07:11.600 --> 00:07:14.466
低风险重复性隐私敏感任务

00:07:14.533 --> 00:07:16.300
它不必取代旗舰模型

00:07:16.666 --> 00:07:18.166
只要把旗舰模型从低

00:07:18.166 --> 00:07:19.933
价值任务里解放出来

00:07:19.933 --> 00:07:21.266
就已经很有意义

00:07:21.366 --> 00:07:24.300
对普通创作者和小公司来说

00:07:24.333 --> 00:07:26.300
这条路线尤其关键

00:07:26.333 --> 00:07:28.000
大公司可以买算力

00:07:28.133 --> 00:07:29.200
签云合同

00:07:29.200 --> 00:07:30.366
雇安全团队

00:07:30.466 --> 00:07:32.133
小团队没有这个条件

00:07:32.733 --> 00:07:34.533
如果未来所有AI能力都

00:07:34.533 --> 00:07:36.900
绑定高价订阅和云端调用

00:07:36.933 --> 00:07:39.066
小团队会永远站在门外

00:07:39.100 --> 00:07:40.400
开放权重模型

00:07:40.400 --> 00:07:42.000
让他们至少有机会在

00:07:42.000 --> 00:07:43.866
本地搭一个能跑的系统

00:07:44.166 --> 00:07:45.133
哪怕不完美

00:07:45.133 --> 00:07:47.266
也能开始改造自己的工作流

00:07:47.400 --> 00:07:49.800
当然开源模型也有风险

00:07:49.900 --> 00:07:52.100
开放权重意味着能力会扩散

00:07:52.366 --> 00:07:53.800
好的用途会扩散

00:07:53.966 --> 00:07:55.533
坏的用途也会扩散

00:07:55.733 --> 00:07:58.266
安全过滤滥用检测

00:07:58.533 --> 00:08:00.300
责任归属都会变复杂

00:08:00.466 --> 00:08:03.066
闭源公司常用安全作为封闭理由

00:08:03.066 --> 00:08:04.700
不能说完全没有道理

00:08:04.900 --> 00:08:07.966
但如果只因为风险就把能力锁死

00:08:08.400 --> 00:08:11.066
最后得到的是少数公司

00:08:11.066 --> 00:08:12.800
控制所有AI基础设施

00:08:13.066 --> 00:08:15.166
Meta现在押的是另一种答案

00:08:15.800 --> 00:08:17.133
风险需要治理

00:08:17.200 --> 00:08:20.266
但不能用风险作为永久垄断的理由

00:08:20.500 --> 00:08:22.566
Muse Glimmer真正要证明的

00:08:22.566 --> 00:08:25.566
不是30B能不能击败所有大模型

00:08:25.733 --> 00:08:28.666
而是开放路线能不能在AI

00:08:28.666 --> 00:08:31.000
商业化最激烈的时候继续存在

00:08:31.166 --> 00:08:32.533
闭源路线说

00:08:32.800 --> 00:08:34.600
最强能力必须集中

00:08:34.900 --> 00:08:37.966
才能安全可靠可收费

00:08:38.000 --> 00:08:40.600
开放路线说能力必须分发

00:08:40.766 --> 00:08:43.333
社会才不会被少数入口控制

00:08:43.500 --> 00:08:45.133
两条路线都会存在

00:08:45.200 --> 00:08:47.400
但它们代表完全不同的未来

00:08:47.733 --> 00:08:50.333
接下来要看的不是一两次榜单成绩

00:08:50.400 --> 00:08:52.800
而是开发者是否真的使用它

00:08:52.900 --> 00:08:55.100
有没有人把它部署到本地agent

00:08:55.466 --> 00:08:58.100
有没有企业拿它做内部流程

00:08:58.266 --> 00:09:01.266
有没有硬件厂商把它放进设备

00:09:01.666 --> 00:09:03.200
有没有开源社区围绕

00:09:03.200 --> 00:09:04.900
它做微调和工具链

00:09:05.166 --> 00:09:06.733
如果这些事情发生

00:09:06.900 --> 00:09:08.466
muscoglamer的意义就不

00:09:08.466 --> 00:09:10.100
只是一个模型发布

00:09:10.166 --> 00:09:12.566
而是Meta在重新争夺AI

00:09:12.566 --> 00:09:14.266
基础设施的话语权

00:09:14.266 --> 00:09:16.533
这场竞争还有一个更大的背景

00:09:17.200 --> 00:09:19.333
AI正在从模型能力竞争

00:09:19.400 --> 00:09:21.266
转向分发方式竞争

00:09:21.500 --> 00:09:24.166
Openai想把模型做成超级应用

00:09:24.366 --> 00:09:26.766
Google想把AI塞回搜索和安卓

00:09:27.066 --> 00:09:29.533
苹果想把AI放进硬件和系统

00:09:29.766 --> 00:09:31.600
Meta则想让开放模型

00:09:31.600 --> 00:09:33.400
成为开发者默认底座

00:09:33.766 --> 00:09:36.100
Musglimer只是其中一块拼图

00:09:36.133 --> 00:09:38.066
但它指向的方向很清楚

00:09:38.200 --> 00:09:40.866
让AI不止存在于云端

00:09:41.066 --> 00:09:43.300
也存在于每台电脑每个

00:09:43.300 --> 00:09:45.500
应用每个本地工作流里

00:09:45.500 --> 00:09:47.100
所以这次发布不能只

00:09:47.100 --> 00:09:49.933
看成Meta又开源了一个模型

00:09:50.300 --> 00:09:52.000
它更像一次路线宣言

00:09:52.266 --> 00:09:54.866
AI如果只能在数据中心运行

00:09:55.133 --> 00:09:57.000
用户就永远是租客

00:09:57.166 --> 00:09:59.400
AI如果可以在本地运行

00:09:59.733 --> 00:10:01.800
用户才有机会成为主人

00:10:01.966 --> 00:10:04.100
musglimmer的价值就在这里

00:10:04.266 --> 00:10:06.066
它可能不是最强的模型

00:10:06.366 --> 00:10:08.166
但他在提醒整个行业

00:10:08.366 --> 00:10:11.166
未来的AI不应该只属于机房

00:10:11.166 --> 00:10:12.766
也应该属于桌面

00:10:12.800 --> 00:10:16.266
这里还要看Costla对AI投资的判断

00:10:16.466 --> 00:10:18.466
他认为Openai和Anthropic

00:10:18.466 --> 00:10:20.000
不是AI故事的终点

00:10:20.000 --> 00:10:21.166
而只是开头

00:10:21.300 --> 00:10:22.600
未来会出现更多

00:10:22.600 --> 00:10:25.266
千亿美元万亿美元级公司

00:10:25.500 --> 00:10:27.800
影响科学医疗能源

00:10:27.866 --> 00:10:30.166
教育制造这些基础领域

00:10:30.200 --> 00:10:32.533
这个判断放到museglimpse上

00:10:32.566 --> 00:10:34.400
就能看见Meta的算盘

00:10:34.500 --> 00:10:37.566
如果未来有大量垂直AI公司出现

00:10:37.733 --> 00:10:40.666
他们不一定都愿意从闭源API开始

00:10:40.933 --> 00:10:43.100
科学研究就是一个典型场景

00:10:43.266 --> 00:10:45.666
实验室需要处理论文图像

00:10:45.700 --> 00:10:48.366
代码仪器数据和内部记录

00:10:48.500 --> 00:10:50.000
很多资料不能随便

00:10:50.000 --> 00:10:51.600
上传到外部云服务

00:10:51.666 --> 00:10:53.800
一个本地多模态模型

00:10:53.866 --> 00:10:55.166
就算不是最强

00:10:55.200 --> 00:10:57.166
也可以承担文献整理

00:10:57.566 --> 00:11:00.100
实验记录搜索图表理解

00:11:00.133 --> 00:11:02.733
工具调用和初步假设生成

00:11:02.933 --> 00:11:04.466
它不会替代科学家

00:11:04.566 --> 00:11:06.800
但会把很多低价值搜索

00:11:06.800 --> 00:11:08.900
和整理动作压低成本

00:11:09.133 --> 00:11:10.133
Meta很清楚

00:11:10.500 --> 00:11:12.000
闭源模型越强

00:11:12.166 --> 00:11:15.266
外界对模型集中化的担心就越重

00:11:15.300 --> 00:11:17.366
一个公司如果控制模型

00:11:17.800 --> 00:11:18.966
控制分发

00:11:19.500 --> 00:11:20.533
控制价格

00:11:20.733 --> 00:11:22.133
控制安全规则

00:11:22.466 --> 00:11:24.466
开发者就会变成依附者

00:11:24.800 --> 00:11:26.666
今天接口价格可以接受

00:11:26.733 --> 00:11:28.266
明天规则可能变

00:11:28.266 --> 00:11:29.933
今天调用额度够用

00:11:29.933 --> 00:11:32.666
明天业务增长后成本可能翻倍

00:11:32.766 --> 00:11:35.566
开放模型给开发者留了一条退路

00:11:36.133 --> 00:11:38.600
这条退路本身就是谈判筹码

00:11:38.800 --> 00:11:40.166
这也是为什么开放

00:11:40.166 --> 00:11:42.366
权重会压低行业利润率

00:11:42.466 --> 00:11:44.700
只要有足够好的开源替代品

00:11:45.300 --> 00:11:46.933
闭源公司就很难对中

00:11:46.933 --> 00:11:48.766
低端任务收太高价格

00:11:48.966 --> 00:11:51.133
旗舰模型仍然可以卖高价

00:11:51.266 --> 00:11:53.066
但大量日常任务会被

00:11:53.066 --> 00:11:55.366
本地模型和开放模型吃掉

00:11:55.533 --> 00:11:57.666
Meta不靠模型订阅赚钱

00:11:58.066 --> 00:12:00.466
反而适合推动这种价格下行

00:12:00.566 --> 00:12:02.333
他要让AI变成空气

00:12:02.500 --> 00:12:04.366
然后在空气里做平台

00:12:04.400 --> 00:12:07.366
有人会问30B模型真的够吗

00:12:07.466 --> 00:12:08.933
这个问题要看任务

00:12:09.200 --> 00:12:10.900
写一段复杂法律意见

00:12:10.900 --> 00:12:11.800
可能不够

00:12:11.933 --> 00:12:14.533
做一个本地客服分类器够

00:12:14.766 --> 00:12:17.933
通读一本手册并回答设备维修问题

00:12:18.066 --> 00:12:21.766
可能够整理图片和文字生成初稿

00:12:21.900 --> 00:12:25.066
可能够控制一组本地工具跑流程不

00:12:25.366 --> 00:12:26.466
可能也够

00:12:26.733 --> 00:12:28.300
AI产品不需要每次都

00:12:28.300 --> 00:12:29.966
派最强模型上场

00:12:30.166 --> 00:12:31.866
就像公司不会让总裁

00:12:31.866 --> 00:12:33.533
去处理每张报销单

00:12:33.800 --> 00:12:35.666
真正成熟的AI系统

00:12:35.800 --> 00:12:37.733
很可能是多模型协作

00:12:37.866 --> 00:12:39.366
小模型负责本地

00:12:39.400 --> 00:12:41.966
便宜低风险高频动作

00:12:42.000 --> 00:12:44.166
中型模型负责复杂判断

00:12:44.866 --> 00:12:47.266
旗舰模型负责少数关键推理

00:12:47.400 --> 00:12:49.266
Muse Glimmer的位置就在

00:12:49.266 --> 00:12:51.066
第一层和第二层之间

00:12:51.200 --> 00:12:52.566
它不抢所有舞台

00:12:52.800 --> 00:12:54.666
但可以进入很多工作流

00:12:54.700 --> 00:12:56.666
这个位置一旦铺开

00:12:56.800 --> 00:12:58.366
使用量会非常大

00:12:58.400 --> 00:13:01.666
所以Muse Glimmer看起来是技术事件

00:13:01.666 --> 00:13:03.566
背后其实是分发事件

00:13:03.766 --> 00:13:06.200
AI行业未来最大的战场

00:13:06.200 --> 00:13:08.466
不只是模型谁更聪明

00:13:08.533 --> 00:13:10.966
而是谁能接触更多开发者

00:13:11.300 --> 00:13:12.166
更多设备

00:13:12.400 --> 00:13:13.600
更多工作流

00:13:13.733 --> 00:13:15.133
更多真实业务

00:13:15.200 --> 00:13:17.800
开放权重提供了一种复制速度

00:13:17.933 --> 00:13:19.800
一个模型被下载后

00:13:19.800 --> 00:13:22.400
可以在无数环境里变成不同产品

00:13:22.533 --> 00:13:23.933
闭源模型再强

00:13:24.166 --> 00:13:26.300
也必须等用户来到它的入口

00:13:26.466 --> 00:13:29.000
当然开放模型要赢也不容易

00:13:29.200 --> 00:13:30.733
开发体验必须好

00:13:30.866 --> 00:13:32.133
文档必须清楚

00:13:32.300 --> 00:13:33.800
工具链必须稳定

00:13:33.966 --> 00:13:35.733
推理速度必须能接受

00:13:35.933 --> 00:13:37.866
硬件适配不能太痛苦

00:13:38.133 --> 00:13:39.800
如果一个模型开源了

00:13:39.800 --> 00:13:41.733
但部署起来像拆炸弹

00:13:41.900 --> 00:13:43.733
开发者很快就会放弃

00:13:43.966 --> 00:13:47.600
Meta这次把exec torch等部署线索放进来

00:13:47.733 --> 00:13:50.366
说明它知道只开源权重还不够

00:13:50.400 --> 00:13:52.466
真正要争的是落地链路

00:13:52.666 --> 00:13:54.533
安全问题也不能回避

00:13:54.666 --> 00:13:56.200
一个能在本地运行

00:13:56.533 --> 00:13:57.700
能调用工具

00:13:58.066 --> 00:14:00.366
能处理多模态输入的模型

00:14:00.566 --> 00:14:02.066
如果被错误使用

00:14:02.100 --> 00:14:03.966
也会带来自动化滥用

00:14:04.066 --> 00:14:05.700
开放社区需要评估

00:14:05.900 --> 00:14:08.566
红队使用限制和透明报告

00:14:08.766 --> 00:14:10.733
Meta不能一边强调开放

00:14:11.100 --> 00:14:13.133
一边把风险全丢给社区

00:14:13.300 --> 00:14:14.933
开放路线要走得久

00:14:15.000 --> 00:14:16.866
必须同时建立开放治理

00:14:17.000 --> 00:14:19.100
但闭源也不是天然安全

00:14:19.333 --> 00:14:21.266
闭源模型的能力集中后

00:14:21.266 --> 00:14:23.700
外界更难知道它如何训练

00:14:23.700 --> 00:14:24.533
如何过滤

00:14:24.600 --> 00:14:25.533
如何拒绝

00:14:25.533 --> 00:14:27.200
如何偏向某些服务

00:14:27.366 --> 00:14:30.066
安全不是封闭和开放的简单选择

00:14:30.766 --> 00:14:32.466
而是透明度责任和

00:14:32.466 --> 00:14:34.266
可验证性之间的平衡

00:14:34.533 --> 00:14:37.100
Muse glimmer的价值之一就是让

00:14:37.100 --> 00:14:39.600
更多研究者能直接测试模型

00:14:40.266 --> 00:14:42.466
而不是只能相信厂商声明

00:14:42.700 --> 00:14:44.533
Meta设立社区基金

00:14:44.866 --> 00:14:46.166
某种意义上也是在

00:14:46.166 --> 00:14:48.500
承认AI基建的外部成本

00:14:48.666 --> 00:14:50.566
数据中心建在某个地方

00:14:50.700 --> 00:14:53.666
当地居民可能面对电价用水

00:14:53.666 --> 00:14:56.133
噪音土地和税收分配问题

00:14:56.400 --> 00:14:57.566
科技公司过去常把

00:14:57.566 --> 00:14:59.400
这些问题当成地方沟通

00:14:59.400 --> 00:15:01.466
现在必须当成核心战略

00:15:01.600 --> 00:15:03.200
因为没有社区许可

00:15:03.366 --> 00:15:05.933
再强的模型也需要机房供电

00:15:06.000 --> 00:15:07.700
把这两条线合起来

00:15:07.733 --> 00:15:09.900
Meta的新叙事就完整了

00:15:10.133 --> 00:15:13.333
一边用开放模型说AI能力要分散

00:15:13.566 --> 00:15:15.533
一边用社区基金说AI

00:15:15.533 --> 00:15:17.100
基建收益要回流

00:15:17.133 --> 00:15:18.933
这不一定全是理想主义

00:15:19.266 --> 00:15:21.966
但他比单纯喊超级智能更聪明

00:15:22.100 --> 00:15:24.166
他知道AI行业如果继续只

00:15:24.166 --> 00:15:26.533
展示估值参数和算力

00:15:26.600 --> 00:15:28.500
公众反弹会越来越强

00:15:28.666 --> 00:15:31.766
未来真正有杀伤力的缪斯Glimmer应用

00:15:32.266 --> 00:15:34.500
可能不会出现在发布新闻里

00:15:34.533 --> 00:15:37.266
而会出现在很小的工作场景里

00:15:37.266 --> 00:15:39.866
一个设计师用他本地整理素材

00:15:40.333 --> 00:15:43.166
一个律师事务所用它检索内部文件

00:15:43.300 --> 00:15:45.700
一个工厂用它读设备图片

00:15:45.900 --> 00:15:47.533
一个个人开发者用它

00:15:47.533 --> 00:15:48.933
搭自己的桌面agent

00:15:49.300 --> 00:15:50.700
每个场景都不震撼

00:15:50.700 --> 00:15:52.300
但加起来就是生态

00:15:52.366 --> 00:15:54.666
这也是开放模型最强的地方

00:15:55.100 --> 00:15:57.000
它的价值不是一次性释放

00:15:57.000 --> 00:15:59.266
而是被别人不断重新发明

00:15:59.466 --> 00:16:01.600
闭源模型像一座中央电站

00:16:01.766 --> 00:16:04.466
开放模型像一批可移动工具箱

00:16:04.733 --> 00:16:06.400
中央电站功率更大

00:16:06.400 --> 00:16:08.200
工具箱更容易进入角落

00:16:08.566 --> 00:16:10.400
AI要真正改变社会

00:16:10.500 --> 00:16:12.300
不能只靠中央电站

00:16:12.366 --> 00:16:13.700
也需要工具箱

00:16:13.866 --> 00:16:16.566
所以musglmmer不是Meta对闭源

00:16:16.566 --> 00:16:18.333
模型的一次正面冲锋

00:16:18.400 --> 00:16:20.066
而是一次侧翼包抄

00:16:20.366 --> 00:16:22.966
它不说自己在所有能力上第一

00:16:23.366 --> 00:16:25.133
他说自己更容易被拿走

00:16:25.200 --> 00:16:26.533
更容易本地跑

00:16:26.600 --> 00:16:28.333
更容易进入普通设备

00:16:28.400 --> 00:16:30.000
这个策略如果成功

00:16:30.600 --> 00:16:32.766
Meta会在AI入口战争里拿到

00:16:32.766 --> 00:16:34.566
一个很难被关闭的位置

00:16:34.766 --> 00:16:36.500
execute torch的存在

00:16:36.900 --> 00:16:40.066
说明Meta对端侧部署有长期准备

00:16:40.300 --> 00:16:45.133
端侧AI不是把云端模型硬塞进手机

00:16:45.333 --> 00:16:47.400
而是重新考虑模型大小

00:16:47.400 --> 00:16:51.900
延迟内存占用电池和隐私MUS glimmer

00:16:52.566 --> 00:16:55.300
如果能和端侧框架形成完整链路

00:16:55.366 --> 00:16:58.133
就会成为Meta连接硬件厂商的桥

00:16:58.333 --> 00:17:02.166
以后手机眼镜耳机笔记本桌面设备

00:17:02.200 --> 00:17:04.366
都可能需要一个能本地

00:17:04.366 --> 00:17:06.666
处理多模态任务的模型底座

00:17:06.766 --> 00:17:08.666
这对开发者很有吸引力

00:17:08.933 --> 00:17:11.900
闭源API最舒服的地方是省事

00:17:12.300 --> 00:17:14.166
最痛的地方是不可控

00:17:14.300 --> 00:17:17.533
接口变更价格变更限流地区

00:17:17.533 --> 00:17:20.500
限制内容政策都可能影响产品

00:17:20.733 --> 00:17:22.933
开放模型麻烦一点但可控

00:17:22.966 --> 00:17:25.133
对长期做产品的人来说

00:17:25.266 --> 00:17:28.066
可控往往比短期省事更重要

00:17:28.200 --> 00:17:30.400
musglimer如果性能足够稳定

00:17:30.500 --> 00:17:32.200
就会被放进很多不愿

00:17:32.200 --> 00:17:34.333
完全依赖云端的产品里

00:17:34.533 --> 00:17:35.966
企业采用AI时

00:17:36.133 --> 00:17:37.933
常常不是被能力卡住

00:17:38.000 --> 00:17:39.600
而是被审批卡住

00:17:39.766 --> 00:17:41.366
法务问数据去哪

00:17:41.500 --> 00:17:43.566
安全团队问权限怎么管

00:17:43.933 --> 00:17:45.866
财务问每月调用成本

00:17:46.066 --> 00:17:48.533
业务部门问延迟能不能接受

00:17:48.700 --> 00:17:50.000
开放本地模型可以

00:17:50.000 --> 00:17:51.533
同时回答几个问题

00:17:51.700 --> 00:17:53.300
数据可以留在内网

00:17:53.366 --> 00:17:54.600
成本可以固定

00:17:54.766 --> 00:17:56.066
延迟可以降低

00:17:56.133 --> 00:17:57.700
权限可以自己定义

00:17:57.900 --> 00:17:59.133
它不是完美答案

00:17:59.133 --> 00:18:00.733
但比纯云端更容易

00:18:00.733 --> 00:18:02.400
通过某些企业流程

00:18:02.800 --> 00:18:04.100
Meta还可以借开放

00:18:04.100 --> 00:18:06.066
路线给监管传递信号

00:18:06.300 --> 00:18:07.966
闭源超级模型越强

00:18:07.966 --> 00:18:10.966
监管越担心权力集中和黑箱决策

00:18:11.266 --> 00:18:13.366
开放模型让更多

00:18:13.366 --> 00:18:15.766
研究者能审计能力和风险

00:18:16.466 --> 00:18:17.933
至少表面上更符合

00:18:17.933 --> 00:18:19.700
广泛分发的公共叙事

00:18:19.866 --> 00:18:22.100
对一家掌握社交平台和

00:18:22.100 --> 00:18:23.900
广告系统的公司来说

00:18:23.966 --> 00:18:25.566
这种姿态很重要

00:18:25.766 --> 00:18:27.333
它需要证明自己不是

00:18:27.333 --> 00:18:29.500
把AI变成下一层垄断

00:18:29.800 --> 00:18:32.000
但市场不会因为姿态就买单

00:18:32.166 --> 00:18:34.100
开发者最后只看三件事

00:18:34.300 --> 00:18:35.300
够不够好

00:18:35.300 --> 00:18:36.366
跑不跑得动

00:18:36.366 --> 00:18:37.866
出问题能不能修

00:18:38.100 --> 00:18:41.300
musglimer需要在真实任务里证明自己

00:18:41.766 --> 00:18:44.500
比如本地图片理解文档问答

00:18:44.566 --> 00:18:47.733
桌面自动化工具调用失败恢复

00:18:47.866 --> 00:18:49.400
只要这些能力能稳定

00:18:49.400 --> 00:18:51.500
解决一批中等难度问题

00:18:51.566 --> 00:18:53.733
30B就不再是小模型

00:18:53.766 --> 00:18:56.333
而是刚好够用的生产力模型

00:18:56.566 --> 00:18:59.133
AI行业正在出现一种新分工

00:18:59.266 --> 00:19:01.400
最强闭源模型负责天花板

00:19:01.733 --> 00:19:04.166
开放模型负责地板和中间层

00:19:04.333 --> 00:19:06.533
天花板决定行业想象力

00:19:06.700 --> 00:19:08.500
地板决定普及速度

00:19:08.500 --> 00:19:09.566
没有天花板

00:19:10.133 --> 00:19:11.566
AI缺少突破

00:19:11.766 --> 00:19:12.666
没有地板

00:19:12.900 --> 00:19:15.733
AI只会变成少数公司的高价服务

00:19:15.866 --> 00:19:18.766
musglimer的意义就在地板和中间层

00:19:19.266 --> 00:19:21.166
他让更多人能踩上去

00:19:21.333 --> 00:19:25.166
扎克伯格讲发明创造而不是自动化

00:19:25.333 --> 00:19:28.200
其实是在修复AI的公共形象

00:19:28.466 --> 00:19:29.566
过去两年

00:19:30.100 --> 00:19:33.566
很多人听到AI就想到裁员替代

00:19:34.300 --> 00:19:37.700
数据中心耗电和大公司集中全力

00:19:37.900 --> 00:19:39.666
Meta要把话题拉回

00:19:39.666 --> 00:19:41.466
创造力和个人赋能

00:19:41.600 --> 00:19:43.466
Muse Glimmer适合这个叙事

00:19:43.900 --> 00:19:45.366
因为它看起来不像一个

00:19:45.366 --> 00:19:47.566
只服务企业裁员的工具

00:19:47.666 --> 00:19:48.766
而像一个可以被

00:19:48.766 --> 00:19:50.700
个人拿走的创造工具

00:19:51.133 --> 00:19:53.766
当然这种叙事也要接受现实检验

00:19:53.933 --> 00:19:55.700
如果开放模型最后主要

00:19:55.700 --> 00:19:57.733
被大公司拿去降低成本

00:19:57.900 --> 00:19:59.600
普通人没有明显受益

00:19:59.700 --> 00:20:02.166
那赋能就会变成漂亮话

00:20:02.200 --> 00:20:03.933
真正能证明Meta的

00:20:03.933 --> 00:20:05.466
是它有没有让个人

00:20:05.466 --> 00:20:07.966
开发者小企业学校

00:20:08.366 --> 00:20:10.133
研究者用更低成本

00:20:10.133 --> 00:20:12.133
做出过去做不了的东西

00:20:12.266 --> 00:20:14.866
开源的价值不能停在下载量

00:20:15.366 --> 00:20:17.966
要落到新作品和新产品上

00:20:18.066 --> 00:20:19.000
未来一年

00:20:19.300 --> 00:20:20.866
musicglimmer最值得观察

00:20:20.866 --> 00:20:22.166
的不是发布热度

00:20:22.366 --> 00:20:24.100
而是二次开发热度

00:20:24.266 --> 00:20:26.100
有没有高质量微调版本

00:20:26.566 --> 00:20:29.700
有没有中文代码医疗法律

00:20:29.733 --> 00:20:32.166
教育设计方向的社区版本

00:20:32.266 --> 00:20:34.866
有没有人把它做成一键本地agent

00:20:35.200 --> 00:20:37.100
有没有硬件厂商围绕它

00:20:37.100 --> 00:20:39.000
优化驱动和推理速度

00:20:39.300 --> 00:20:42.200
这些才是开放模型真正的生命迹象

00:20:42.400 --> 00:20:44.200
如果这些生态长出来

00:20:44.500 --> 00:20:47.100
Meta就会完成一次很聪明的布局

00:20:47.300 --> 00:20:49.933
它不需要每个用户直接打开Meta产品

00:20:50.266 --> 00:20:52.866
也不需要每次推理都走Meta服务器

00:20:52.933 --> 00:20:55.066
只要大量AI工具底层

00:20:55.066 --> 00:20:57.300
运行的是Meta开放模型

00:20:57.500 --> 00:20:59.933
它就会成为看不见的基础设施

00:21:00.300 --> 00:21:02.333
基础设施的力量往往比

00:21:02.333 --> 00:21:04.200
一个热门应用更持久

00:21:04.466 --> 00:21:05.733
Meta的优势是

00:21:05.766 --> 00:21:08.700
它不急着把模型本身变成利润中心

00:21:09.000 --> 00:21:11.100
它可以允许模型价格下降

00:21:11.266 --> 00:21:13.266
因为它真正赚钱的地方在

00:21:13.266 --> 00:21:16.066
广告社交关系和平台分发

00:21:16.200 --> 00:21:19.933
Openai必须证明订阅和API能覆盖成本

00:21:20.266 --> 00:21:22.500
Anthropic必须证明企业安全

00:21:22.500 --> 00:21:24.566
和高端能力能卖出价格

00:21:24.866 --> 00:21:26.733
Meta则可以用开放模型

00:21:26.733 --> 00:21:28.533
削弱对手收费能力

00:21:28.666 --> 00:21:29.900
这种打法很狠

00:21:29.966 --> 00:21:32.866
如果未来个人设备都能跑中型模型

00:21:33.266 --> 00:21:35.266
AI产品形态也会变

00:21:35.333 --> 00:21:36.966
很多应用不再需要把

00:21:36.966 --> 00:21:38.800
所有请求传到服务器

00:21:38.900 --> 00:21:41.500
而是把模型嵌进本地功能里

00:21:41.533 --> 00:21:43.866
写作软件可以本地整理草稿

00:21:44.066 --> 00:21:46.366
剪辑软件可以本地识别素材

00:21:46.666 --> 00:21:48.866
浏览器可以本地总结网页

00:21:48.933 --> 00:21:51.266
开发工具可以本地读项目

00:21:51.466 --> 00:21:52.733
云端仍然存在

00:21:52.966 --> 00:21:55.333
但本地会承担更多基础动作

00:21:55.366 --> 00:21:58.366
所以这件事最后要落到一个判断

00:21:58.800 --> 00:22:01.333
AI的未来不会只有一种入口

00:22:01.466 --> 00:22:03.466
云端旗舰模型会存在

00:22:03.566 --> 00:22:05.700
本地开放模型也会存在

00:22:05.866 --> 00:22:07.566
前者负责极限能力

00:22:07.700 --> 00:22:09.933
后者负责普及和控制权

00:22:10.100 --> 00:22:11.733
Meta现在压的是后者

00:22:12.100 --> 00:22:13.400
而且押得很聪明

00:22:13.566 --> 00:22:15.200
它不一定赢走所有收入

00:22:15.333 --> 00:22:17.666
但可能赢走很多默认选择

00:22:17.766 --> 00:22:19.733
如果把它放进更长周期

00:22:20.066 --> 00:22:21.000
Muse Glimmer

00:22:21.366 --> 00:22:24.000
代表的是AI商品化之后的下一步

00:22:24.200 --> 00:22:26.766
模型能力会越来越像基础能力

00:22:26.900 --> 00:22:29.200
真正差异会转移到数据

00:22:29.333 --> 00:22:32.133
场景部署体验和生态

00:22:32.366 --> 00:22:34.933
Meta提前把模型底座打开

00:22:35.000 --> 00:22:38.100
是在承认模型本身迟早会变便宜

00:22:38.400 --> 00:22:39.766
既然便宜不可避免

00:22:39.766 --> 00:22:41.500
不如主动让它变便宜

00:22:41.600 --> 00:22:43.866
再去控制更大的生态入口

00:22:43.866 --> 00:22:46.533
这对闭源公司是一种压力测试

00:22:46.766 --> 00:22:49.200
闭源模型如果只是略强一点

00:22:49.266 --> 00:22:50.466
却贵很多

00:22:50.700 --> 00:22:52.666
很多企业会改用开放模型

00:22:53.000 --> 00:22:54.600
闭源模型必须在关键

00:22:54.600 --> 00:22:56.400
任务上强到无法替代

00:22:56.666 --> 00:22:59.966
或者在产品体验上省心得足够明显

00:23:00.200 --> 00:23:02.766
否则开源模型每进步一步

00:23:02.900 --> 00:23:05.500
闭源模型的中低端收入就少一块

00:23:05.733 --> 00:23:08.133
Muse Glimmer也会推动AI agent

00:23:08.566 --> 00:23:10.466
从玩具走向基础设施

00:23:10.700 --> 00:23:13.733
以前很多agent演示看起来很聪明

00:23:13.933 --> 00:23:16.600
但实际运行成本高延迟长

00:23:16.666 --> 00:23:17.900
隐私风险大

00:23:17.966 --> 00:23:20.400
把一部分能力放到本地之后

00:23:20.566 --> 00:23:23.133
agent可以更安静的处理日常任务

00:23:23.300 --> 00:23:24.900
它不需要每次都上云

00:23:25.100 --> 00:23:26.866
不需要每一步都花钱

00:23:27.166 --> 00:23:29.766
也不需要把所有私人资料交出去

00:23:29.800 --> 00:23:31.366
这就是它的流量点

00:23:31.800 --> 00:23:33.733
Meta不是在送一个模型

00:23:33.966 --> 00:23:35.400
而是在告诉市场

00:23:35.900 --> 00:23:38.666
AI的权力不一定只能往云端集中

00:23:38.800 --> 00:23:40.733
普通设备也可以有智能

00:23:40.866 --> 00:23:42.566
小团队也可以有底座

00:23:42.900 --> 00:23:44.566
开发者也可以有退路

00:23:44.600 --> 00:23:46.133
这个故事比单纯

00:23:46.133 --> 00:23:48.100
参数发布更有传播性

00:23:48.166 --> 00:23:49.200
因为它集中了

00:23:49.200 --> 00:23:51.400
很多人对AI垄断的焦虑

00:23:51.500 --> 00:23:54.533
所以缪斯glimmer值得被单独拿出来讲

00:23:54.733 --> 00:23:55.400
不是因为它

00:23:55.400 --> 00:23:57.900
一夜之间改写大模型格局

00:23:58.000 --> 00:23:59.300
而是因为它把一个被

00:23:59.300 --> 00:24:01.133
忽略的问题摆到台面

00:24:01.366 --> 00:24:03.766
AI普及到底靠更大的模型

00:24:03.933 --> 00:24:06.400
还是靠更容易被部署的模型

00:24:06.733 --> 00:24:08.666
亿元巨头会继续冲天花板

00:24:08.666 --> 00:24:10.966
但真正改变日常工作的往往

00:24:10.966 --> 00:24:13.333
是那些能被普通人装进电脑

00:24:13.400 --> 00:24:14.366
接近流程

00:24:14.400 --> 00:24:15.800
反复修改的东西