扎克伯格找到了舒适区，但又有一批创业公司活不下去了

出品｜虎嗅科技组

作者｜陈伊凡

编辑｜苗正卿

头图｜视觉中国

扎克伯格找到了最合适自己的位置，但又有一批创业公司活不下去了

"具备足够技术实力、能在个人AI Agent领域做到最先进水平的公司，可能不会超过十二家。"

扎克伯格在谈到Meta新推出的Muse时，给出了这个判断。

有意思的是，这款被他寄予厚望的产品，恰恰深受一个开源项目OpenClaw的启发。小团队探索出产品形态，大厂接过来，却开始用模型、算力和分发能力重新划定竞争门槛。最先证明方向可行的人，未必能在这场竞争里留到最后。这也是现在AI应用领域的残酷现状。

Meta超级智能实验室（MSL）产品负责人、前GitHub CEO Nat Friedman对这种借鉴并不避讳。他在X上表示，Muse"作为产品明显深受OpenClaw启发"，同时强调产品是"从零开始搭建"的。在他看来，OpenClaw创始人Peter Steinberger把这些东西做得太对了，Meta要做的，是让类似的体验足够安全、易用，并能推广给数十亿人。

Muse上线不到两周，就登上了美国应用下载榜首。根据Sensor Tower的统计，截至9月22日，累计下载量已超过250万次。下载量还不能证明长期留存和商业成败，但扎克伯格终于拿出了一款迅速出圈的AI产品。对围绕OpenClaw做产品的创业者来说，同一个消息意味着：把Agent包装得更好用这件事，已经有Meta亲自下场做了。

从Snapchat的Stories到今天的个人Agent，Meta熟悉这套打法：借鉴被验证过的产品形态，再用工程投入和分发能力把它推向更大的市场。这一次，创业公司要面对的问题也更尖锐了。即便率先找到了用户需求，当大厂带着底层模型和免费额度进入市场，用户为什么还要单独为你的产品付费？

Meta终于找到最合适它的生态位

不管怎么说，Meta终于在这场AI竞争里找到了自己的舒适区。

表面上，Muse是一个消费级应用；再往上看，是Meta在AI时代落后的不甘和野心。

Meta在过去的模型训练中，业界认为其掉队。

在Llama 4偏离预期之后，扎克伯格用更小的核心团队和更大的算力重建了AI研究。

扎克伯格在最近的一次采访中坦言了Meta的错误，他说Meta长期在机器学习领域领先，Facebook和Instagram的信息流、广告系统，以及识别处理不适宜内容的安全系统，本质上都是大规模机器学习系统，他一度以为"开发和扩展大语言模型的方法也会相似"，实际上"两者的运行规律有很大差别"。

换法的核心是人才。他的解释是，"前沿模型研究并不是让一千个人各自运行实验就能解决的问题"，更理想的状态是一支规模尽可能小、成员能在头脑里把握整个系统的顶尖团队，围绕同一个科研项目紧密协作。他为此投入大量个人时间招聘，把研究团队安排在自己办公室周围，也让自己的技术判断更贴近一线。但问题是，根据虎嗅从熟悉Meta的内部人士处得知，Meta一直深陷人事问题，"Alexsadr Wang似乎并不会管理团队。"这种人员的激进安排究竟是会对Meta的AI建设带来益处还是负面影响，我们尚未可知。

另外，算力同步加码。根据数据分析机构Epoch的统计，Meta的数据中心投入位于世界前列。xAI、Microsoft、Amazon、Meta四个单站点，合计约占全球24%算力，Meta的总算力，在运营商的算力份额中仅次于Google。

在这次Muse发布后，扎克伯格也直面隐私问题，他在最新的访谈中说，个人 Agent 要理解用户的长期目标，还要判断哪些私人信息能使用、哪些不能外泄。他认为这没法靠在现成模型上做后训练解决，得从预训练开始围绕个人 Agent 来设计。云端虚拟机让 Agent 能操作电脑、登录服务、围着目标持续干活。记忆让它从一次性的工具变成长期服务，夜里整理当天的反思写进记忆，还能主动提出新项目。权限系统决定用户敢把多少事交给它：登录、付款、发送邮件、披露敏感信息，每一项都要单独授权，Agent 只能拿到完成当前任务所需的最低权限。

Meta请来Signal创始人Moxie Marlinspike负责机密虚拟机，目标是让用户把邮件、账户、健康信息放进一个连Meta都读不到的云环境，而且这个承诺可以被技术验证。

扎克伯格给出的判断是，具备足够技术实力、能把个人Agent做到最先进水平的公司，可能不超过十二家。他还配上了每周1亿token加一台虚拟机的免费额度、和Stripe合作的支付通道，以及Meta大约每月一次的模型更新节奏。

当然，这也很难说，在个人助手上Meta是不是遥遥领先了，毕竟其他大厂也在投入。

哪些赛道会被吃掉，哪些不会

过去一年半的脉络其实很清晰——创业公司的空间越来越小。

先是冒出一批单点功能的AI产品，AI PPT、AI文档之类；Manus出现后，通用Agent吃掉了一批；龙虾（OpenClaw）出现是个分水岭，很多初创公司紧急转型，围绕OpenClaw逻辑的产品形态在几个月内长了出来。现在Meta把这个方向的消费级产品化做完了。

而且这个方向上，Meta 并不孤单，大厂的 Agent 产品都在往同一个位置挤：一个随身的、能替你办事的个人助手。就在Muse 承认借鉴 OpenClaw 的第二天，OpenAI 宣布把语音驱动的 Agent 能力搬上 ChatGPT 手机端。用户可以在手机上直接用 Work 标签页起草文档、写邮件、总结 Slack 消息，还能建站、做 PPT、调用云端浏览器、处理财务，任务在路上开始，回到桌面接着做。Anthropic 把 Claude 的 Chat 和 Cowork 合进了同一个界面，同时打通了手机和桌面的交接。

虽然具体的做法不同，但目的是一致的，AI从一个回答问题的窗口，变成一个装在手机里、带着记忆和权限、能跨设备持续干活的个人助手。当所有大厂都把入口放在这个位置，创业公司面对的就再也不只是某一家的射程。

在大厂射程之内的，是通用场景的单点Agent。创业者表示，大模型在吞噬几乎一切下游执行层面的功能，整个AI办公赛道现在已经有90%的机会被大厂占据了。更好的PPT生成工具、文生图工具、更完善的模板和技能库，都会被顺手收走。做这类通用工具的公司，越像大厂的能力，越没有存在的理由。

Cursor的遭遇就是一次预演。2025年它年化收入突破10亿美元，却几乎完全跑在Claude模型上，顶峰时贡献了Anthropic四到五成的收入。Anthropic看着这些流量，把Cursor验证过的产品形态蒸馏成了自己的Claude Code，六个月后年营收做到25亿美元，反超Cursor。上游模型公司想下场时，应用层做得越大，暴露的需求就越清楚。

一位科技公司的副总裁曾跟笔者说过观点，他说当某家基础模型公司或者大厂宣布要发某个垂直行业的Agent，往往说明它缺这个行业的数据。

这和Cursor的故事类似。Anthropic能蒸馏Cursor，是因为编程需求全部跑在它的模型上，看得一清二楚；而它要专门宣布做法务、医疗这类行业的Agent，恰恰是因为那些数据和知识锁在单个组织、单台电脑、单个人的脑子里，它看不到。大厂吃掉的是它能看见的东西。垂直行业天然的隔离性，让大厂的渗透速度慢很多，但渗透，也不是不可能的。

所以美国初创公司的打法，是去解决一些不同SaaS平台之间，Agent的连接和打通；或是进入某一个大厂的生态中，把某一个细分功能做专做细。

例如，Viktor、Town 做的是不同 SaaS 应用之间的工作流自动化，把散落在各个软件里的任务串起来。前 Meta 工程师创办的 Viktor，把每一个 agent 称作"小镇成员"，它通过产品集成连接用户的邮件、日历、Slack、WhatsApp、Notion 等工具，既可以在自己的网页和客户端中使用，也可以通过邮件、Slack、WhatsApp 等现有入口与它交互。

再比如，Boardy AI则把切口缩到了创投对接。用户不用下载App，通过电话、WhatsApp或邮件说清自己的需求，它就去匹配合适的投资人或创业者，双方同意后再做介绍。这个生意有价值的积累，是用户愿意私下告诉它、却不会写在公开履历里的真实意图，以及每次引荐后的反馈。通用助手可以帮人写一封介绍邮件，找到谁值得介绍、双方此刻是否需要彼此，还得靠具体的人脉网络和持续服务。

这些公司它们不抢新入口，选择长在用户已经在用的工具里，还从被动响应变成了主动服务。

当然，这套打法能成立，靠的是美国企业大量分散的SaaS生态。

还有一个地方，是这些大厂看不见、也懒得弯腰去捡的脏活累活。比如大厂不会专门进入的小语种地区，东南亚、中东、非洲的本地市场，模型对当地语言、支付习惯和法规的理解都很粗糙，得有人在地面上一点点补。比如不能联网的场景，工厂、矿山、船舶、政务内网，云端Agent进不去，端侧模型反而有明显优势。比如老系统的接口，一家制造企业里跑了十几年的ERP、MES和各种私有协议，大模型再聪明也得有人替它写适配器。

还有数据本身的活：行业语料的清洗、标注、合规脱敏，医疗影像、CAD图纸这类大厂预训练里几乎见不到的格式。

曾经有一位工业AI的创始人就曾说过，他们接触的一位制造业的客户告诉他们，在他们之前，大厂来过，模型厂商也来过，看了看他们粗糙的数据（粗糙到需要一个文件一个文件拍照，再识别成AI读得懂的格式，再进数据库，然后再交给AI）之后，都默默离开了。这些活利润薄、周期长、每一单都长得不一样，还特别累人，正好卡在大厂的规模逻辑之外。

结语

当然，市场不会只有一种需求，赢家不会只有一个，但你得在某个具体用途上做到最好。

最后一点也许最难接受：被大厂收编，本身也是一种结局。

个人 Agent 这场仗，扎克伯格已经把牌面摊开了，剩下的公司只需要回答一个问题：当大厂把通用的那部分做完，你还剩下什么是它做不了、或者懒得做的。

本文来自虎嗅，原文链接：https://www.huxiu.com/article/4893959.html?f=wyxwapp