Muse登顶后，看Alexandr Wang的创业方法论

Muse于9月8日上线，约十天后冲到美国应用商店免费榜第一，下载量超过250万。但更值得讨论的是，Alexandr Wang从Scale AI到Meta后，为何选择个人智能体方向。Scale AI最早做数据标注，服务自动驾驶和AI公司；Muse则是面向普通用户的个人助手，可连接邮箱、日历等服务，帮助处理邮件、安排预约、完成购买，关闭应用后仍可在后台工作。两者背后，Alexandr Wang的思路一致：先寻找长期快速上升的技术曲线，再判断当前最缺什么。Scale AI解决模型训练的数据瓶颈，Muse则试图让模型能力真正进入普通人的工作和生活。

Alexandr Wang在YC采访中提到，他在麻省理工学院训练模型时发现，算力可购买、代码可找到，唯独数据没有方便标准化的获取方式，因此判断数据会成为基础设施。Scale AI成立时，数据标注并不受投资人欢迎，常被视为劳动密集型外包。但投资人看到的是当时业务，他看到的是AI产业缺少的数据基础设施。只要AI继续发展，模型就需要数据、评测和反馈。这一机会来自他的亲身经验。

他最初在YC做医疗AI助手，一两个月后发现时机不对便放弃，重新寻找方向。创业中，具体产品应快速验证，长期趋势判断则不能轻易放弃。他放弃医疗助手，但对AI长期发展并进入更多行业的判断未变。创业者要知道自己究竟在坚持什么，若判断建立在真实经验上，就不应因短期不理解和市场无共识而放弃。

他提到，年轻人应寻找世界上增长最快且持续最久的增长曲线，他押注整条AI增长曲线。Scale AI成立时，AI最先进应用之一还只是识别图片和视频中的物体，数据标注看似枯燥，只按当时市场规模很容易低估。产品生命周期可能只有几年，但重要技术曲线能持续十年甚至更久。只要处于这条曲线上，即使切入很小环节，也有机会随产业成长。当然，不是所有快速增长都值得进入，还要看能否持续，以及自身位置是否随技术进步更重要。有些需求只在技术不成熟时暂时存在，模型一升级公司就没价值；另一些需求则随模型进步扩大，比如模型越强，任务越复杂，对数据、工具调用、安全和反馈系统要求越高。后一类位置更值得寻找。

从Scale AI到Muse，基础设施思维未变。Scale AI时期，他不直接训练基础模型，而是给行业提供数据和评测能力。到Meta后，他推动面向消费者的Muse，随后推出Muse Gadgets，把设备固件和开发工具开放给开发者，让Muse进入树莓派、微控制器、电视和家庭设备，将选择权交给开发者。这与Scale AI逻辑相似：不决定客户训练什么模型，而提供训练所需能力；不决定每个人需要什么设备，而提供智能体进入不同设备的接口。他较稳定的特点是，不急着定义所有最终产品，而是先寻找能支持大量产品出现的位置。对资源有限的AI创业公司，这也是一种重要选择：未必直接竞争最终用户，也可观察生态里什么能力重要却未被很好提供。

Muse反映AI产品正在变化。过去关注模型能否回答问题，现在模型已能写文章、编程、识别图片和调用工具，问题变成怎样让模型稳定完成真实任务。Alexandr Wang反复强调反馈机制，因为模型输出答案不代表工作完成。真正的工作通常是循环：执行任务、观察结果、判断差距、调整方案、继续执行。公司也是大型反馈系统，包含研发、销售、客服和运营等小循环。未来真正有价值的智能体，是参与这些循环，并根据明确目标不断优化工作。这也给AI创业者提供思路：看一个真实工作流程为何还不能自动完成，缺少的是数据、权限、工具，还是出错后的补救机制？这些可能比再做聊天界面更有价值。

Alexandr Wang把创业中重要能力称为内部指南针，即对未来世界如何发展形成自己的判断，不能完全根据周围人讨论决定方向。但内部指南针不是固执，也不是拒绝外部反馈。他最初做医疗助手时，YC合伙人直接说可能做不成，他们发现时机不成熟便停止；后来投资人质疑数据业务，他却没放弃，因为亲自训练过模型，知道数据问题不会随模型进步自动消失。内部指南针真正含义，是需要一套判断外部信息的标准。AI行业变化快，完全跟共识走通常只能进入拥挤市场，困难的是既保持开放，又不把判断权交给市场情绪。

他还提出，随着模型和智能体能力提高，智能和执行会越来越充裕，真正稀缺的可能是愿景和雄心。过去创业者需要自己写代码，后来管理人的团队，未来可能设计由大量智能体组成的组织。具体工作被自动化后，人仍要决定系统目标及各部分如何协作。AI能降低执行成本，却不能自动告诉创业者哪些问题值得解决。当越来越多人能快速做出产品，产品开发本身不再是最大差异，对行业的理解深度、发现问题和形成不同于市场共识的判断会更重要。

复盘Alexandr Wang的创业过程，可得到启发：创业者更重要的是判断什么技术会持续进步，以及这种进步会不断制造什么新瓶颈。今天看似枯燥、规模很小的基础环节，若处在足够陡峭、持续时间足够长的增长曲线上，未来可能成为整个产业的底盘。对今天AI创业者，最值得问的也许是：当模型能力继续提高十倍，什么问题仍然不会自动消失？什么环节会因AI被更广泛使用反而更重要？能回答这个问题，可能比追赶一次模型更新更有价值。