WEBVTT

00:00:00.000 --> 00:00:28.000
Meta開源Muse Glimmer 30B,最值得看的不是參數也不是跑分,而是它把大模型競爭從雲端大廠的機房重新推回普通人的電腦。一個30B級別開放權重面向本地Agent的模型放在今天這個節點,意思很明確。AI不能只是一張雲服務帳單,也不能永遠被少數公司關在黑盒裡。這件事要放在Meta的整體敘事裡看。

00:00:28.000 --> 00:00:30.600
扎克伯格最近把話說得很直

00:00:30.600 --> 00:00:34.320
人工智能的主要目的應該是發明創造

00:00:34.320 --> 00:00:36.640
不應該只是自動化替代

00:00:36.640 --> 00:00:39.300
超級智能如果真的會到來

00:00:39.300 --> 00:00:42.620
那它不應該只掌握在幾家公司手裡

00:00:42.620 --> 00:00:46.000
而應該盡量廣泛的分發給普通人

00:00:46.000 --> 00:00:47.880
開發者和小團隊

00:00:47.880 --> 00:00:52.380
Muse Glimmer就是這個敘事落到產品上的一顆旗子

00:00:52.380 --> 00:00:54.640
Muse Glimmer 30B的重點

00:00:54.640 --> 00:00:57.000
不是挑戰必源模型的全部能力

00:00:57.000 --> 00:01:00.340
而是给本地AI流出一条现实路线

00:01:00.340 --> 00:01:04.240
现在很多模型动不动就是几千亿上万亿参数

00:01:04.240 --> 00:01:05.700
听起来很震撼

00:01:05.700 --> 00:01:08.080
但普通用户根本跑不起来

00:01:08.080 --> 00:01:09.760
他们需要昂贵GPU

00:01:09.760 --> 00:01:11.360
需要云端推理

00:01:11.360 --> 00:01:13.380
需要订阅和调用额度

00:01:13.380 --> 00:01:15.720
Meta选择30B这个体量

00:01:15.720 --> 00:01:16.820
就是在说

00:01:16.820 --> 00:01:18.460
模型不一定越大

00:01:18.460 --> 00:01:19.880
越接近未来

00:01:19.880 --> 00:01:20.960
能部署

00:01:20.960 --> 00:01:21.860
能修改

00:01:21.860 --> 00:01:23.500
能欠尽工作流

00:01:23.500 --> 00:01:25.500
才更接近真实使用

00:01:25.500 --> 00:01:28.280
这和Lama时代的路线一脉相承

00:01:28.280 --> 00:01:31.320
Meta一直在开放模型上压住

00:01:31.320 --> 00:01:33.400
只是中间经历过摇摆

00:01:33.400 --> 00:01:36.640
当OpenAI, Anthropic, Google

00:01:36.640 --> 00:01:40.300
把高端模型能力不断往B原体系里收

00:01:40.300 --> 00:01:44.300
Meta反而重新把开放权重当成差异化

00:01:44.300 --> 00:01:46.660
它没必要在每一项榜单上赢

00:01:46.660 --> 00:01:48.980
它要赢的是开发者心智

00:01:48.980 --> 00:01:53.520
谁能让更多人拿去改,拿去跑,拿去做产品

00:01:53.520 --> 00:01:56.880
谁就能在AI底层生态里留下位置

00:01:56.880 --> 00:02:02.220
Muse Glimmer还带有Execute Torch和PTE这样的边缘部署意味

00:02:02.220 --> 00:02:03.840
这个细节很重要

00:02:03.840 --> 00:02:06.780
它不是只给服务器看的模型卡

00:02:06.780 --> 00:02:11.840
而是在暗示手机、笔记本、边缘设备、本地工作站

00:02:11.840 --> 00:02:14.520
都可能成为AI Agent的运行环境

00:02:14.520 --> 00:02:17.700
未来AI Agent不一定每一步都要回云端

00:02:17.700 --> 00:02:22.820
它可以在本地看文件、读图片、调工具、处理私人数据

00:02:22.820 --> 00:02:26.020
再把真正复杂的任务交给云端大模型

00:02:26.020 --> 00:02:29.660
这种路线最大的价值是隐私和成本

00:02:29.660 --> 00:02:36.460
用户把本地文件、工作资料、聊天记录、图片和代码交给云端模型

00:02:36.460 --> 00:02:38.340
永远会有心理门槛

00:02:38.340 --> 00:02:39.740
企业更敏感

00:02:39.740 --> 00:02:44.120
尤其涉及客户数据、合同、研发资料和内部流程

00:02:44.120 --> 00:02:46.260
一个能在本地跑的模型

00:02:46.260 --> 00:02:48.100
就算能力不是最强

00:02:48.300 --> 00:02:51.280
也会因为数据不出设备而变得有价值

00:02:51.280 --> 00:02:54.600
很多真实场景不需要世界最聪明的模型

00:02:54.600 --> 00:02:56.780
只需要一个足够聪明

00:02:56.780 --> 00:02:57.840
足够便宜

00:02:57.840 --> 00:02:59.540
足够可控的助手

00:02:59.540 --> 00:03:03.000
这也是开源模型真正打B元模型的地方

00:03:03.000 --> 00:03:06.340
B元模型擅长提供最强通用能力

00:03:06.340 --> 00:03:09.500
开源模型擅长被改造成具体工具

00:03:09.500 --> 00:03:11.220
小团队可以微调它

00:03:11.220 --> 00:03:13.540
企业可以把它部署到内网

00:03:13.540 --> 00:03:16.700
开发者可以把它接近自己的agent框架

00:03:16.700 --> 00:03:19.820
硬件厂商可以把它塞进边缘设备

00:03:19.820 --> 00:03:21.740
B原模型卖的是能力

00:03:21.740 --> 00:03:23.800
开放模型卖的是可塑性

00:03:23.800 --> 00:03:26.040
两者不是同一场比赛

00:03:26.040 --> 00:03:28.540
Meta这次还把数据中心社区基金

00:03:28.540 --> 00:03:30.000
放在同一个叙事里

00:03:30.000 --> 00:03:31.920
说明他知道AI扩张

00:03:31.920 --> 00:03:33.860
正在遇到新的政治成本

00:03:33.860 --> 00:03:36.180
数据中心需要电力

00:03:36.180 --> 00:03:39.240
土地 水 输电设施和社区许可

00:03:39.240 --> 00:03:41.380
过去科技公司建机房

00:03:41.380 --> 00:03:43.020
地方政府往往欢迎

00:03:43.020 --> 00:03:44.860
因为它带来投资和税收

00:03:44.860 --> 00:03:46.500
现在情况变了

00:03:46.500 --> 00:03:48.520
居民开始担心电费上涨

00:03:48.520 --> 00:03:51.280
环境压力和基础设施被占用

00:03:51.280 --> 00:03:55.560
AI越庞大越不可能只用技术语言解释自己

00:03:55.560 --> 00:03:58.380
10亿美元社区基金表面上是补偿

00:03:58.380 --> 00:04:01.160
背后是AI基建时代的通行费

00:04:01.160 --> 00:04:03.500
Meta想告诉当地居民

00:04:03.500 --> 00:04:06.280
数据中心不是只把电和水抽走

00:04:06.280 --> 00:04:09.340
也会把钱、岗位和公共服务带回来

00:04:09.340 --> 00:04:12.920
警察、消防员、社区成员被点名

00:04:12.920 --> 00:04:15.200
是一种很现实的政治沟通

00:04:15.200 --> 00:04:17.180
AI公司已经发现

00:04:17.180 --> 00:04:19.700
光说技术改变世界没用了

00:04:19.700 --> 00:04:22.640
真正被影响的人要看到具体回报

00:04:22.640 --> 00:04:26.340
Muse Glimmer和社区基金看似是两件事

00:04:26.340 --> 00:04:27.980
其实对应同一个问题

00:04:27.980 --> 00:04:30.600
AI权力会不会过度集中

00:04:30.600 --> 00:04:32.520
模型集中在云端

00:04:32.520 --> 00:04:34.820
算力集中在数据中心

00:04:34.820 --> 00:04:36.940
收益集中在少数公司

00:04:36.940 --> 00:04:39.900
成本却扩散给社区和消费者

00:04:39.900 --> 00:04:41.640
这套结构如果不调整

00:04:41.640 --> 00:04:43.020
反弹会越来越大

00:04:43.020 --> 00:04:44.640
Meta现在讲开放

00:04:44.640 --> 00:04:45.440
讲本地

00:04:45.440 --> 00:04:46.840
讲回馈社区

00:04:46.840 --> 00:04:50.360
就是在给自己的AI扩张换一种合法性

00:04:50.360 --> 00:04:53.260
这不代表Meta突然变成公益组织

00:04:53.260 --> 00:04:55.320
开源也不是纯粹善意

00:04:55.320 --> 00:04:57.780
Meta的商业逻辑很清楚

00:04:57.780 --> 00:05:02.240
它没有像OpenAI那样把订阅模型做成第一入口

00:05:02.240 --> 00:05:05.280
也没有Google那样的搜索默认位置

00:05:05.280 --> 00:05:09.920
它最擅长的是平台、分发、广告和开发者网络

00:05:09.920 --> 00:05:13.640
开放模型能削弱必源模型的收费能力

00:05:13.640 --> 00:05:15.940
降低竞争对手的护城河

00:05:15.940 --> 00:05:19.980
同时让更多应用围绕Meta的模型生态生长

00:05:19.980 --> 00:05:22.360
如果一个开放模型足够好

00:05:22.360 --> 00:05:27.460
大量开发者就会围绕它做工具、插件、微调和部署方案

00:05:27.460 --> 00:05:30.200
哪怕Meta不直接收每一次调用费

00:05:30.200 --> 00:05:33.520
它也能影响标准、框架和生态方向

00:05:33.520 --> 00:05:36.480
安卓当年不是靠系统授权费赚钱

00:05:36.480 --> 00:05:39.480
而是靠开放系统赞助移动入口

00:05:39.480 --> 00:05:42.560
Lama和Muse Glimmer也有类似逻辑

00:05:42.560 --> 00:05:45.520
用开放打破别人的封闭利润词

00:05:45.520 --> 00:05:48.140
在在更大的生态里寻找收益

00:05:48.140 --> 00:05:50.920
Muse Glimmer的30B体量

00:05:50.920 --> 00:05:52.400
还有一个现实意义

00:05:52.400 --> 00:05:54.860
它让AI从演示回到产品

00:05:54.860 --> 00:05:58.100
很多AI发布会喜欢展示极限能力

00:05:58.100 --> 00:06:00.960
仿佛模型能解决所有复杂问题

00:06:00.960 --> 00:06:02.680
但真正落地时

00:06:02.680 --> 00:06:08.340
企业关心的是成本、延迟、部署、安全、稳定、可维护

00:06:08.340 --> 00:06:09.860
一个30B模型

00:06:09.860 --> 00:06:14.360
如果能在普通设备或消费级GPU上完成稳定任务

00:06:14.360 --> 00:06:16.880
它的商业价值可能比一个

00:06:16.880 --> 00:06:20.640
只能在云端高价运行的巨型模型更直接

00:06:20.640 --> 00:06:22.240
尤其是agent场景

00:06:22.240 --> 00:06:24.060
agent不是一次聊天

00:06:24.060 --> 00:06:25.600
而是一连串动作

00:06:25.600 --> 00:06:26.860
理解目标

00:06:26.860 --> 00:06:27.960
拆任务

00:06:27.960 --> 00:06:28.940
读文件

00:06:28.940 --> 00:06:30.020
调用工具

00:06:30.020 --> 00:06:31.200
检查结果

00:06:31.200 --> 00:06:32.560
失败后重视

00:06:32.560 --> 00:06:35.320
这里面很多步骤并不需要最强模型

00:06:35.320 --> 00:06:36.360
文件分类

00:06:36.360 --> 00:06:37.420
表格检查

00:06:37.420 --> 00:06:38.440
界面操作

00:06:38.440 --> 00:06:39.520
图片理解

00:06:39.520 --> 00:06:41.100
简单代码修改

00:06:41.100 --> 00:06:42.160
本地搜索

00:06:42.160 --> 00:06:44.280
都可以由较小模型承担

00:06:44.280 --> 00:06:46.640
把这些步骤放到本地执行

00:06:46.640 --> 00:06:49.180
云端只处理最难的推理

00:06:49.180 --> 00:06:51.660
整个系统成本会明显下降

00:06:51.660 --> 00:06:55.100
这也解释了为什么本地模型会越来越重

00:06:55.100 --> 00:06:58.940
要AI的下一阶段不是谁能回答的更漂亮

00:06:58.940 --> 00:07:02.400
而是谁能更便宜的完成更多动作

00:07:02.400 --> 00:07:05.200
一个公司每天调用百万次模型

00:07:05.200 --> 00:07:08.120
如果每一步都走最贵的币源API

00:07:08.120 --> 00:07:09.660
成本会很快失控

00:07:09.660 --> 00:07:12.260
本地模型可以承担大量低风险

00:07:12.260 --> 00:07:13.060
重复性

00:07:13.060 --> 00:07:14.500
隐私敏感任务

00:07:14.500 --> 00:07:16.160
它不必取代旗舰模型

00:07:16.160 --> 00:07:17.680
只要把旗舰模型

00:07:17.680 --> 00:07:19.660
从低价值任务理解放出来

00:07:19.660 --> 00:07:21.420
就已经很有意义

00:07:21.420 --> 00:07:24.100
对普通创作者和小公司来说

00:07:24.100 --> 00:07:26.080
这条路线尤其关键

00:07:26.080 --> 00:07:27.760
大公司可以买算力

00:07:27.760 --> 00:07:29.020
签云合同

00:07:29.020 --> 00:07:30.180
雇安全团队

00:07:30.180 --> 00:07:31.940
小团队没有这个条件

00:07:31.940 --> 00:07:34.260
如果未来所有AI能力

00:07:34.260 --> 00:07:36.620
都绑定高价订阅和云端调用

00:07:36.620 --> 00:07:38.820
小团队会永远站在门外

00:07:38.820 --> 00:07:40.240
开放权重模型

00:07:40.240 --> 00:07:41.760
让他们至少有机会

00:07:41.760 --> 00:07:43.760
在本地搭一個能跑的系統

00:07:43.760 --> 00:07:45.020
哪怕不完美

00:07:45.020 --> 00:07:47.040
也能開始改造自己的工作流

00:07:47.040 --> 00:07:47.700
當然

00:07:47.700 --> 00:07:49.600
開源模型也有風險

00:07:49.600 --> 00:07:51.940
開放權重意味著能力會擴散

00:07:51.940 --> 00:07:53.660
好的用途會擴散

00:07:53.660 --> 00:07:55.380
壞的用途也會擴散

00:07:55.380 --> 00:07:56.520
安全過濾

00:07:56.520 --> 00:07:58.100
濫用檢測

00:07:58.100 --> 00:08:00.120
責任歸屬都會變複雜

00:08:00.120 --> 00:08:02.880
B原公司常用安全作為封閉理由

00:08:02.880 --> 00:08:04.520
不能說完全沒有道理

00:08:04.520 --> 00:08:06.300
但如果只因為風險

00:08:06.300 --> 00:08:07.640
就把能力鎖死

00:08:08.121 --> 00:08:15.121
最後得到的是少數公司控制所有AI基礎設施。Meta現在壓的是另一種答案。

00:08:15.121 --> 00:08:20.121
風險需要治理,但不能用風險作為永久壟斷的理由。

00:08:20.121 --> 00:08:22.401
Muse Glimmer真正要证明的

00:08:22.401 --> 00:08:25.381
不是30B能不能击败所有大模型

00:08:25.381 --> 00:08:30.841
而是开放路线能不能在AI商业化最激烈的时候继续存在

00:08:30.841 --> 00:08:32.241
闭源路线说

00:08:32.241 --> 00:08:34.461
最强能力必须集中

00:08:34.461 --> 00:08:37.681
才能安全、可靠、可收费

00:08:37.681 --> 00:08:40.301
开放路线说能力必须分发

00:08:40.301 --> 00:08:43.161
社会才不会被少数入口控制

00:08:43.161 --> 00:08:44.861
两条路线都会存在

00:08:44.861 --> 00:08:47.181
但它们代表完全不同的未来

00:08:47.181 --> 00:08:50.161
接下来要看的不是一两次榜单成绩

00:08:50.161 --> 00:08:52.601
而是开发者是否真的使用它

00:08:52.601 --> 00:08:55.041
有没有人把它部署到本地agent

00:08:55.041 --> 00:08:57.921
有没有企业拿它做内部流程

00:08:57.921 --> 00:09:01.121
有没有硬件厂商把它放进设备

00:09:01.121 --> 00:09:04.741
有没有开源社区围绕它做微调和工具链

00:09:04.741 --> 00:09:06.641
如果这些事情发生

00:09:06.641 --> 00:09:09.881
Muse Glimmer的意义就不只是一个模型发布

00:09:09.881 --> 00:09:14.001
而是Meta在重新争夺AI基础设施的话语权

00:09:14.001 --> 00:09:16.301
这场竞争还有一个更大的背景

00:09:16.301 --> 00:09:19.161
AI正在从模型能力竞争

00:09:19.161 --> 00:09:21.121
转向分发方式竞争

00:09:21.121 --> 00:09:23.921
OpenAI想把模型做成超级应用

00:09:23.921 --> 00:09:26.601
Google想把AI筛回搜索和安卓

00:09:26.601 --> 00:09:29.641
苹果想把AI放进硬件和系统

00:09:29.641 --> 00:09:33.241
Meta则想让开放模型成为开发者默认底座

00:09:33.241 --> 00:09:35.861
Muse Glimmer只是其中一块拼图

00:09:35.861 --> 00:09:37.841
但它指向的方向很清楚

00:09:37.841 --> 00:09:40.581
让AI不只存在于云端

00:09:40.581 --> 00:09:42.781
也存在于每台电脑

00:09:42.781 --> 00:09:43.621
每个应用

00:09:43.621 --> 00:09:45.141
每个本地工作流理

00:09:45.141 --> 00:09:47.961
所以这次发布不能只看成Meta

00:09:47.961 --> 00:09:49.721
又开源了一个模型

00:09:49.721 --> 00:09:51.861
它更像一次路线宣言

00:09:51.861 --> 00:09:54.641
AI如果只能在数据中心运行

00:09:54.641 --> 00:09:56.741
用户就永远是租客

00:09:56.741 --> 00:09:59.241
AI如果可以在本地运行

00:09:59.241 --> 00:10:01.541
用户才有机会成为主人

00:10:01.541 --> 00:10:03.801
Muse Glimmer的价值就在这里

00:10:03.801 --> 00:10:05.841
它可能不是最强的模型

00:10:05.841 --> 00:10:07.941
但它在提醒整个行业

00:10:07.941 --> 00:10:10.961
未来的AI不应该只属于机房

00:10:10.961 --> 00:10:12.461
也应该属于桌面

00:10:12.461 --> 00:10:16.041
这里还要看Kosla对AI投资的判断

00:10:16.041 --> 00:10:18.301
他认为OpenAI和Anthropic

00:10:18.301 --> 00:10:19.901
不是AI故事的终点

00:10:19.901 --> 00:10:20.921
而只是开头

00:10:20.921 --> 00:10:23.401
未来会出现更多千亿美元

00:10:23.401 --> 00:10:25.021
万亿美元级公司

00:10:25.021 --> 00:10:28.901
影响科学、医疗、能源、教育、制造

00:10:28.901 --> 00:10:29.961
这些基础领域

00:10:29.961 --> 00:10:32.221
这个判断放到Muse Glimmer上

00:10:32.221 --> 00:10:34.161
就能看见Meta的算盘

00:10:34.161 --> 00:10:37.361
如果未来有大量垂直AI公司出现

00:10:37.361 --> 00:10:40.461
他们不一定都愿意从B原API开始

00:10:40.461 --> 00:10:42.921
科学研究就是一个典型场景

00:10:42.921 --> 00:10:44.761
实验室需要处理论文

00:10:44.761 --> 00:10:45.421
图像

00:10:45.421 --> 00:10:46.041
代码

00:10:46.041 --> 00:10:48.141
仪器数据和内部记录

00:10:48.141 --> 00:10:51.661
很多资料不能随便上传到外部云服务

00:10:51.661 --> 00:10:53.641
一个本地多模态模型

00:10:53.641 --> 00:10:54.921
就算不是最强

00:10:54.921 --> 00:10:56.981
也可以承担文献整理

00:10:56.981 --> 00:10:58.701
实验记录搜索

00:10:58.701 --> 00:10:59.841
图表理解

00:10:59.841 --> 00:11:00.921
工具调用

00:11:00.921 --> 00:11:02.581
和初步假设生成

00:11:02.581 --> 00:11:04.221
它不会替代科学家

00:11:04.221 --> 00:11:08.681
但会把很多低价值搜索和整理动作压低成本

00:11:08.681 --> 00:11:09.881
MED很清楚

00:11:09.881 --> 00:11:11.741
币源模型越强

00:11:11.741 --> 00:11:14.981
外界对模型集中化的担心就越重

00:11:14.981 --> 00:11:17.241
一个公司如果控制模型

00:11:17.241 --> 00:11:18.721
控制分发

00:11:18.721 --> 00:11:20.341
控制价格

00:11:20.341 --> 00:11:21.941
控制安全规则

00:11:21.941 --> 00:11:24.201
开发者就会变成依附者

00:11:24.201 --> 00:11:26.481
今天接口价格可以接受

00:11:26.481 --> 00:11:28.001
明天规则可能变

00:11:28.001 --> 00:11:29.641
今天调用额度够用

00:11:29.641 --> 00:11:32.401
明天业务增长后成本可能翻倍

00:11:32.401 --> 00:11:35.301
开放模型给开发者留了一条退路

00:11:35.301 --> 00:11:38.361
这条退路本身就是谈判筹码

00:11:38.361 --> 00:11:42.121
这也是为什么开放权重会压低行业利润率

00:11:42.121 --> 00:11:44.481
只要有足够好的开源替代品

00:11:44.481 --> 00:11:48.881
币源公司就很难对中低端任务收太高价格

00:11:48.881 --> 00:11:50.801
旗舰模型仍然可以卖高价

00:11:50.801 --> 00:11:55.161
但大量日常任务会被本地模型和开放模型赤掉

00:11:55.161 --> 00:11:57.461
Meta不靠模型订阅赚钱

00:11:57.461 --> 00:12:00.241
反而适合推动这种价格下行

00:12:00.241 --> 00:12:02.061
它要让AI变成空气

00:12:02.061 --> 00:12:04.081
然后在空气里做平台

00:12:04.221 --> 00:12:07.081
有人会问30B模型真的够吗

00:12:07.081 --> 00:12:08.721
这个问题要看任务

00:12:08.721 --> 00:12:11.561
写一段复杂法律意见可能不够

00:12:11.561 --> 00:12:13.821
做一个本地客服分类器

00:12:13.821 --> 00:12:17.681
够通读一本手册并回答设备维修问题

00:12:17.681 --> 00:12:21.501
可能够整理图片和文字生成初稿

00:12:21.501 --> 00:12:24.761
可能够控制一组本地工具跑流程

00:12:24.761 --> 00:12:29.721
可能也够AI产品不需要每次都派最强模型上场

00:12:29.721 --> 00:12:33.261
就像公司不会让总裁去处理每张报销单

00:12:33.261 --> 00:12:35.361
真正成熟的AI系统

00:12:35.361 --> 00:12:37.461
很可能是多模型协作

00:12:37.461 --> 00:12:39.081
小模型负责本地

00:12:39.081 --> 00:12:39.841
便宜

00:12:39.841 --> 00:12:40.661
低风险

00:12:40.661 --> 00:12:41.781
高频动作

00:12:41.781 --> 00:12:44.421
中型模型负责复杂判断

00:12:44.421 --> 00:12:47.081
旗舰模型负责少数关键推理

00:12:47.081 --> 00:12:50.821
Muse Glimmer的位置就在第一层和第二层之间

00:12:50.821 --> 00:12:52.321
它不抢所有舞台

00:12:52.321 --> 00:12:54.381
但可以进入很多工作流

00:12:54.381 --> 00:12:56.361
这个位置一旦铺开

00:12:56.361 --> 00:12:58.101
使用量会非常大

00:12:58.101 --> 00:13:01.461
所以Muse Glimmer看起来是技术事件

00:13:01.461 --> 00:13:03.401
背后其实是分发事件

00:13:03.401 --> 00:13:06.001
AI行业未来最大的战场

00:13:06.001 --> 00:13:07.181
不只是模型

00:13:07.181 --> 00:13:08.241
谁更聪明

00:13:08.241 --> 00:13:10.781
而是谁能接触更多开发者

00:13:10.781 --> 00:13:12.001
更多设备

00:13:12.001 --> 00:13:13.401
更多工作流

00:13:13.401 --> 00:13:14.941
更多真实业务

00:13:14.941 --> 00:13:17.941
开放权重提供了一种复制速度

00:13:17.941 --> 00:13:19.581
一个模型被下载后

00:13:19.581 --> 00:13:22.261
可以在无数环境里变成不同产品

00:13:22.261 --> 00:13:23.661
避原模型再强

00:13:23.661 --> 00:13:26.021
也必须等用户来到它的入口

00:13:26.021 --> 00:13:26.741
当然

00:13:26.741 --> 00:13:28.741
开放模型要赢也不容易

00:13:28.741 --> 00:13:30.481
开发体验必须好

00:13:30.481 --> 00:13:31.961
文档必须清楚

00:13:31.961 --> 00:13:33.581
工具链必须稳定

00:13:33.581 --> 00:13:35.581
推理速度必须能接受

00:13:35.581 --> 00:13:37.681
硬件适配不能太痛苦

00:13:37.681 --> 00:13:39.641
如果一个模型开远了

00:13:39.641 --> 00:13:41.581
但部署起来像拆炸弹

00:13:41.581 --> 00:13:43.581
开发者很快就会放弃

00:13:43.581 --> 00:13:47.341
Meta这次把Execute Torch等部署线索放进来

00:13:47.341 --> 00:13:50.101
说明他知道只开远权重还不够

00:13:50.101 --> 00:13:52.261
真正要真的是落地链路

00:13:52.261 --> 00:13:54.381
安全问题也不能回避

00:13:54.381 --> 00:13:56.041
一个能在本地运行

00:13:56.041 --> 00:13:57.421
能调用工具

00:13:57.421 --> 00:14:00.121
能处理多模态输入的模型

00:14:00.121 --> 00:14:01.861
如果被错误使用

00:14:01.861 --> 00:14:03.661
也会带来自动化滥用

00:14:03.661 --> 00:14:05.481
开放社区需要评估

00:14:05.481 --> 00:14:06.281
红队

00:14:06.281 --> 00:14:08.361
使用限制和透明报告

00:14:08.361 --> 00:14:10.521
META不能一边强调开放

00:14:10.521 --> 00:14:12.921
一边把风险全丢给社区

00:14:12.921 --> 00:14:14.621
开放路线要走得久

00:14:14.621 --> 00:14:16.681
必须同时建立开放治理

00:14:16.681 --> 00:14:18.901
但避原也不是天然安全

00:14:18.901 --> 00:14:21.021
避原模型的能力集中后

00:14:21.021 --> 00:14:23.461
外界更难知道它如何训练

00:14:23.461 --> 00:14:24.361
如何过滤

00:14:24.361 --> 00:14:25.341
如何拒绝

00:14:25.341 --> 00:14:27.001
如何偏向某些服务

00:14:27.001 --> 00:14:29.861
安全不是封闭和开放的简单选择

00:14:29.861 --> 00:14:34.101
而是透明度、责任和可验证性之间的平衡

00:14:34.101 --> 00:14:36.181
Muse Glimmer的价值之一

00:14:36.181 --> 00:14:39.421
就是让更多研究者能直接测试模型

00:14:39.421 --> 00:14:42.281
而不是只能相信厂商声明

00:14:42.281 --> 00:14:44.281
Meta设立社区基金

00:14:44.281 --> 00:14:48.261
某种意义上也是在承认AI基建的外部成本

00:14:48.261 --> 00:14:50.341
数据中心建在某个地方

00:14:50.341 --> 00:14:55.901
当地居民可能面对电价、用水、噪音、土地和税收分配问题

00:14:56.021 --> 00:14:59.161
科技公司过去常把这些问题当成地方沟通

00:14:59.161 --> 00:15:01.221
现在必须当成核心战略

00:15:01.221 --> 00:15:02.981
因为没有社区许可

00:15:02.981 --> 00:15:05.661
再强的模型也需要机防供电

00:15:05.661 --> 00:15:07.601
把这两条线合起来

00:15:07.601 --> 00:15:09.921
Meta的新叙事就完整了

00:15:09.921 --> 00:15:11.601
一边用开放模型说

00:15:11.601 --> 00:15:13.201
AI能力要分散

00:15:13.201 --> 00:15:14.961
一边用社区基金说

00:15:14.961 --> 00:15:16.841
AI基建收益要回流

00:15:16.841 --> 00:15:18.721
这不一定全是理想主义

00:15:18.721 --> 00:15:21.741
但他比单纯喊超级智能更聪明

00:15:21.741 --> 00:15:24.961
他知道AI行业如果继续只展示估值

00:15:24.961 --> 00:15:26.221
参数和算力

00:15:26.221 --> 00:15:28.261
公众反弹会越来越强

00:15:28.261 --> 00:15:30.861
未來真正有殺傷力的Muse Glimmer

00:15:30.861 --> 00:15:31.521
應用

00:15:31.521 --> 00:15:34.241
可能不會出現在發布新聞裡

00:15:34.241 --> 00:15:37.041
而會出現在很小的工作場景裡

00:15:37.041 --> 00:15:39.661
一個設計師用他本地整理素材

00:15:40.085 --> 00:15:49.185
一個設計師用他本地整理素材。一個律師事務所用他檢索內部文件。一個工廠用他讀設備圖片。一個個人開發者用他搭自己的桌面Agent。

00:15:49.185 --> 00:15:54.685
每個場景都不震撼,但加起來就是生態。這也是開放模型最強的地方。

00:15:54.685 --> 00:15:56.765
它的價值不是一次性釋放

00:15:56.765 --> 00:15:59.085
而是被別人不斷重新發明

00:15:59.085 --> 00:16:01.425
碧原模型像一座中央電站

00:16:01.425 --> 00:16:04.265
開放模型像一批可移動工具箱

00:16:04.265 --> 00:16:06.165
中央電站功率更大

00:16:06.165 --> 00:16:08.045
工具箱更容易進入角落

00:16:08.045 --> 00:16:10.165
AI要真正改變社會

00:16:10.165 --> 00:16:12.045
不能只靠中央電站

00:16:12.045 --> 00:16:13.565
也需要工具箱

00:16:13.565 --> 00:16:15.725
所以Muse Glimmer不是Meta

00:16:15.725 --> 00:16:18.125
对碧原模型的一次正面冲锋

00:16:18.125 --> 00:16:19.865
而是一次彻翼包抄

00:16:19.865 --> 00:16:22.625
它不说自己在所有能力上第一

00:16:22.625 --> 00:16:24.885
他说自己更容易被拿走

00:16:24.885 --> 00:16:26.265
更容易本地跑

00:16:26.265 --> 00:16:28.145
更容易进入普通设备

00:16:28.145 --> 00:16:29.825
这个策略如果成功

00:16:29.825 --> 00:16:32.305
Meta会在AI入口战争里

00:16:32.305 --> 00:16:34.405
拿到一个很难被关闭的位置

00:16:34.405 --> 00:16:36.265
Execute Torch的存在

00:16:36.265 --> 00:16:39.845
说明Meta对端侧部署有长期准备

00:16:39.845 --> 00:16:44.945
端侧AI不是把云端模型硬塞进手机

00:16:44.945 --> 00:16:47.245
而是重新考虑模型大小

00:16:47.245 --> 00:16:50.405
延迟 内存 占用 电池和隐私

00:16:50.405 --> 00:16:51.665
Muse Glimmer

00:16:51.665 --> 00:16:55.025
如果能和端侧框架形成完整链路

00:16:55.025 --> 00:16:58.005
就会成为Meta连接硬件厂商的桥

00:16:58.005 --> 00:17:01.925
以后手机、眼镜、耳机、笔记本、桌面设备

00:17:01.925 --> 00:17:06.465
都可能需要一个能本地处理多模态任务的模型底座

00:17:06.465 --> 00:17:08.505
这对开发者很有吸引力

00:17:08.505 --> 00:17:11.745
闭源API最舒服的地方是审视

00:17:11.745 --> 00:17:13.945
最痛的地方是不可控

00:17:13.945 --> 00:17:18.745
接口变更、价格变更、限流、地区限制、内容政策

00:17:18.745 --> 00:17:20.285
都可能影响产品

00:17:20.285 --> 00:17:21.905
开放模型麻烦一点

00:17:21.905 --> 00:17:22.665
但可控

00:17:22.665 --> 00:17:24.925
对长期做产品的人来说

00:17:24.925 --> 00:17:27.805
可控往往比短期省事更重要

00:17:27.805 --> 00:17:30.185
Muse Glimmer如果性能足够稳定

00:17:30.185 --> 00:17:31.705
就会被放进很多

00:17:31.705 --> 00:17:34.145
不愿完全依赖云端的产品里

00:17:34.145 --> 00:17:35.645
企业采用AI时

00:17:35.645 --> 00:17:37.645
常常不是被能力卡住

00:17:37.645 --> 00:17:39.385
而是被审批卡住

00:17:39.385 --> 00:17:41.085
法务问数据去哪

00:17:41.085 --> 00:17:43.305
安全团队问权限怎么管

00:17:43.305 --> 00:17:45.625
财务问每月调用成本

00:17:45.625 --> 00:17:48.345
业务部门问延迟能不能接受

00:17:48.345 --> 00:17:51.265
开放本地模型可以同时回答几个问题

00:17:51.265 --> 00:17:52.985
数据可以留在内网

00:17:52.985 --> 00:17:54.365
成本可以固定

00:17:54.365 --> 00:17:55.805
延迟可以降低

00:17:55.805 --> 00:17:57.485
权限可以自己定义

00:17:57.485 --> 00:17:58.985
它不是完美答案

00:17:58.985 --> 00:18:02.265
但比纯云端更容易通过某些企业流程

00:18:02.265 --> 00:18:05.845
Meta还可以借开放路线给监管传递信号

00:18:05.845 --> 00:18:08.905
B原超级模型越强监管越担心

00:18:08.905 --> 00:18:10.765
权力集中和黑箱决策

00:18:10.765 --> 00:18:12.025
开放模型

00:18:12.025 --> 00:18:15.565
让更多研究者能省计能力和风险

00:18:15.565 --> 00:18:19.545
至少表面上更符合广泛分发的公共叙事

00:18:19.545 --> 00:18:23.645
对一家掌握社交平台和广告系统的公司来说

00:18:23.645 --> 00:18:25.325
这种姿态很重要

00:18:25.325 --> 00:18:29.345
它需要证明自己不是把AI变成下一层垄断

00:18:29.345 --> 00:18:31.765
但市场不会因为姿态就买单

00:18:31.765 --> 00:18:33.885
开发者最后只看三件事

00:18:33.885 --> 00:18:35.025
够不够好

00:18:35.025 --> 00:18:36.105
跑不跑得动

00:18:36.105 --> 00:18:37.665
出问题能不能修

00:18:37.665 --> 00:18:41.065
Muse Glimmer需要在真实任务里证明自己

00:18:41.585 --> 00:18:43.265
比如本地图片理解

00:18:43.265 --> 00:18:44.265
文档问答

00:18:44.265 --> 00:18:45.465
桌面自动化

00:18:45.465 --> 00:18:46.465
工具调用

00:18:46.465 --> 00:18:47.525
失败恢复

00:18:47.525 --> 00:18:51.345
只要这些能力能稳定解决一批中等难度问题

00:18:51.345 --> 00:18:53.545
30B就不再是小模型

00:18:53.545 --> 00:18:56.185
而是刚好够用的生产力模型

00:18:56.185 --> 00:18:58.925
AI行业正在出现一种新分工

00:18:58.925 --> 00:19:01.165
最强壁源模型负责天花板

00:19:01.165 --> 00:19:03.945
开放模型负责地板和中间层

00:19:03.945 --> 00:19:06.305
天花板决定行业想象力

00:19:06.305 --> 00:19:08.525
地板决定普及速度

00:19:08.525 --> 00:19:09.365
没有天花板

00:19:09.365 --> 00:19:11.345
AI缺少突破

00:19:11.345 --> 00:19:12.425
没有地板

00:19:12.425 --> 00:19:15.745
AI只会变成少数公司的高价服务

00:19:15.745 --> 00:19:18.585
Muse Glimmer的意义就在地板和中间层

00:19:18.585 --> 00:19:20.985
它让更多人能踩上去

00:19:20.985 --> 00:19:22.225
扎克伯格讲

00:19:22.225 --> 00:19:24.885
发明创造而不是自动化

00:19:24.885 --> 00:19:28.005
其实是在修复AI的公共形象

00:19:28.005 --> 00:19:29.345
过去两年

00:19:29.345 --> 00:19:32.425
很多人听到AI就想到裁员

00:19:32.425 --> 00:19:33.445
替代

00:19:33.445 --> 00:19:35.465
数据中心耗电

00:19:35.465 --> 00:19:37.485
和大公司集中权力

00:19:37.485 --> 00:19:41.185
Meta要把话题拉回创造力和个人赋能

00:19:41.185 --> 00:19:43.285
Muse Glimmer适合这个叙事

00:19:43.285 --> 00:19:47.385
因为它看起来不像一个只服务企业裁员的工具

00:19:47.385 --> 00:19:50.565
而像一个可以被个人拿走的创造工具

00:19:50.565 --> 00:19:53.585
当然这种叙事也要接受现实检验

00:19:53.585 --> 00:19:57.505
如果开放模型最后主要被大公司拿去降低成本

00:19:57.505 --> 00:19:59.405
普通人没有明显受益

00:19:59.405 --> 00:20:01.905
那负能就会变成漂亮化

00:20:01.905 --> 00:20:03.685
真正能证明Method的

00:20:03.685 --> 00:20:06.025
是它有没有让个人开发者

00:20:06.025 --> 00:20:07.045
小企业

00:20:07.045 --> 00:20:07.785
学校

00:20:07.785 --> 00:20:10.025
研究者用更低成本

00:20:10.025 --> 00:20:11.985
做出过去做不了的东西

00:20:11.985 --> 00:20:14.585
开源的价值不能停在下载量

00:20:14.585 --> 00:20:17.725
要落到新作品和新产品上

00:20:17.725 --> 00:20:18.785
未来一年

00:20:18.785 --> 00:20:22.005
Muse Glimmer最值得观察的不是发布热读

00:20:22.005 --> 00:20:23.945
而是二次开发热读

00:20:23.945 --> 00:20:25.865
有没有高质量微调版本

00:20:25.865 --> 00:20:31.945
有没有中文代码医疗法律教育设计方向的社区版本

00:20:31.945 --> 00:20:34.845
有没有人把它做成一件本地agent

00:20:34.845 --> 00:20:38.805
有没有硬件厂商围绕它优化驱动和推理速度

00:20:38.805 --> 00:20:42.045
这些才是开放模型真正的生命迹象

00:20:42.045 --> 00:20:43.925
如果这些生态长出来

00:20:43.925 --> 00:20:46.905
Meta就会完成一次很聪明的布局

00:20:46.905 --> 00:20:49.685
它不需要每个用户直接打开Meta产品

00:20:49.685 --> 00:20:52.625
也不需要每次推理都走Meta服务器

00:20:52.625 --> 00:20:57.085
只要大量AI工具底层运行的是Meta开放模型

00:20:57.085 --> 00:20:59.805
它就会成为看不见的基础设施

00:20:59.805 --> 00:21:03.965
基础设施的力量往往比一个热门应用更持久

00:21:04.165 --> 00:21:05.425
Meta的优势是

00:21:05.425 --> 00:21:08.565
它不急着把模型本身变成利润中心

00:21:08.565 --> 00:21:10.845
它可以允许模型价格下降

00:21:10.845 --> 00:21:12.845
因为它真正赚钱的地方

00:21:12.845 --> 00:21:15.805
在广告、社交关系和平台分发

00:21:15.805 --> 00:21:19.725
OpenAI必须证明订阅和API能覆盖成本

00:21:19.725 --> 00:21:24.425
Anthropic必须证明企业安全和高端能力能卖出价格

00:21:24.425 --> 00:21:26.845
Meta则可以用开放模型靴

00:21:26.845 --> 00:21:28.305
若对手收费能力

00:21:28.305 --> 00:21:29.625
这种打法很狠

00:21:29.625 --> 00:21:32.685
如果未来个人设备都能跑中型模型

00:21:32.685 --> 00:21:34.925
AI产品形态也会变

00:21:34.925 --> 00:21:38.605
很多应用不再需要把所有请求传到服务器

00:21:38.605 --> 00:21:41.245
而是把模型嵌进本地功能里

00:21:41.245 --> 00:21:43.625
写作软件可以本地整理抄稿

00:21:43.625 --> 00:21:46.245
剪辑软件可以本地识别素材

00:21:46.245 --> 00:21:48.605
浏览器可以本地总结网页

00:21:48.605 --> 00:21:51.105
开发工具可以本地读项目

00:21:51.105 --> 00:21:52.505
云端仍然存在

00:21:52.505 --> 00:21:55.105
但本地会承担更多基础动作

00:21:55.105 --> 00:21:58.165
所以这件事最后要落到一个判断

00:21:58.165 --> 00:22:01.085
AI的未来不会只有一种入口

00:22:01.085 --> 00:22:03.245
云端旗舰模型会存在

00:22:03.245 --> 00:22:05.525
本地开放模型也会存在

00:22:05.525 --> 00:22:07.305
前者负责极限能力

00:22:07.305 --> 00:22:09.705
后者负责普及和控制权

00:22:09.705 --> 00:22:11.545
Meta现在压的是后者

00:22:11.545 --> 00:22:13.185
而且压得很聪明

00:22:13.185 --> 00:22:15.025
它不一定引走所有收入

00:22:15.025 --> 00:22:17.485
但可能引走很多默认选择

00:22:17.485 --> 00:22:19.625
如果把它放进更长周期

00:22:19.625 --> 00:22:20.785
Muse Glimmer

00:22:20.785 --> 00:22:23.765
代表的是AI商品化之后的下一步

00:22:23.765 --> 00:22:26.545
模型能力会越来越像基础能力

00:22:26.545 --> 00:22:28.985
真正差异会转移到数据

00:22:28.985 --> 00:22:29.785
场景

00:22:29.785 --> 00:22:30.465
部署

00:22:30.465 --> 00:22:31.905
体验和生态

00:22:31.905 --> 00:22:34.645
META提前把模型底座打开

00:22:34.645 --> 00:22:37.885
是在承认模型本身迟早会变便宜

00:22:37.885 --> 00:22:39.525
既然便宜不可避免

00:22:39.525 --> 00:22:41.305
不如主动让它变便宜

00:22:41.305 --> 00:22:43.585
再去控制更大的生态入口

00:22:43.585 --> 00:22:46.365
这对B原公司是一种压力测试

00:22:46.365 --> 00:22:48.965
B原模型如果只是略强一点

00:22:48.965 --> 00:22:50.125
却贵很多

00:22:50.125 --> 00:22:52.485
很多企业会改用开放模型

00:22:52.485 --> 00:22:56.185
B原模型必须在关键任务上强到无法替代

00:22:56.185 --> 00:22:59.765
或者在产品体验上省心得足够明显

00:22:59.765 --> 00:23:02.565
否则开源模型每进步一步

00:23:02.565 --> 00:23:05.265
B元模型的中地段收入就少一块

00:23:05.265 --> 00:23:08.065
Muse Glimmer也会推动AI Agent

00:23:08.065 --> 00:23:10.305
从玩具走向基础设施

00:23:10.305 --> 00:23:13.465
以前很多Agent演示看起来很聪明

00:23:13.465 --> 00:23:15.485
但实际运行成本高

00:23:15.485 --> 00:23:16.365
延迟长

00:23:16.365 --> 00:23:17.585
隐私风险大

00:23:17.585 --> 00:23:20.165
把一部分能力放到本地之后

00:23:20.165 --> 00:23:22.885
Agent可以更安静地处理日常任务

00:23:22.885 --> 00:23:24.665
他不需要每次都上云

00:23:24.665 --> 00:23:26.605
不需要每一步都花钱

00:23:26.605 --> 00:23:29.465
也不需要把所有私人资料交出去

00:23:29.465 --> 00:23:31.125
这就是它的流量点

00:23:31.125 --> 00:23:33.545
Meta不是在送一个模型

00:23:33.545 --> 00:23:35.205
而是在告诉市场

00:23:35.205 --> 00:23:38.425
AI的权力不一定只能往云端集中

00:23:38.425 --> 00:23:40.425
普通设备也可以有智能

00:23:40.425 --> 00:23:42.385
小团队也可以有底座

00:23:42.385 --> 00:23:44.305
开发者也可以有退路

00:23:44.305 --> 00:23:47.825
这个故事比单纯参数发布更有传播性

00:23:47.825 --> 00:23:51.165
因为它击中了很多人对AI垄断的焦虑

00:23:51.165 --> 00:23:54.285
所以Muse Glimmer值得被单独拿出来讲

00:23:54.285 --> 00:23:57.685
不是因为它一夜之间改写大模型格局

00:23:57.685 --> 00:24:00.825
而是因為它把一個被忽略的問題擺到檯面

00:24:00.825 --> 00:24:03.605
AI普及到底靠更大的模型

00:24:03.605 --> 00:24:06.285
還是靠更容易被部署的模型

00:24:06.285 --> 00:24:08.445
閉緣巨頭會繼續沖天花板

00:24:08.445 --> 00:24:10.505
但真正改變日常工作的

00:24:10.505 --> 00:24:13.125
往往是那些能被普通人裝進電腦

00:24:13.125 --> 00:24:14.165
接近流程

00:24:14.165 --> 00:24:15.625
反覆修改的東西