文｜爱分析

Anthropic最该担心的竞争对手，不是OpenAI，而是Meta。

这不是因为Meta研发出了Coding能力更强的模型，也不是因为Anthropic的模型不再领先，而是Meta可能押中了下一轮AGI竞争的关键方向：Personal Agent。

过去一年，Anthropic凭借Coding能力建立了自己的竞争优势。当越来越多的人相信AI写代码、做任务才能通往AGI时，Meta却选择了一条不同的路。

去年夏天，扎克伯格重整AI团队后，在公开信中明确了Meta新的方向，个人超级智能（Personal Superintelligence），之后Meta研发Muse、收购Manus，都是这一战略的落地成果。

战略方向不同，会导致对下一代模型应该具备什么能力的判断完全不同。基于能力目标的设定，用什么标准评测模型、如何打磨模型、如何甄选训练数据，都将随之改变。

Meta首席AI官Alexandr Wang在接受David Senra访谈时，回顾了团队开发Muse Personal Agent的过程。他提到，团队从原型走向产品发布，经历了七个月的研发和打磨，并围绕100多项具体行为和能力建立评测体系，持续改进模型。这个过程不仅涉及基础模型的预训练，同时覆盖到后训练阶段，是全新的端到端训练重塑，从而让模型更好地服务于Personal Agent这一目标。

如果Meta赌对了，那么它挑战的将是Anthropic赖以建立领先优势的Coding技术路线。当行业发现AGI下一轮的方向变了，领先者Anthropic无法及时转身，AGI的旗手位置将易位。

01 Anthropic All-in Coding，Meta不跟

要理解Meta为什么能挑战Anthropic，得先弄清楚Anthropic是怎么赢的。

过去几年，AI行业一直在追求更强的模型能力。但模型刷榜取得更高的分数、输出更漂亮的答案，并不意味着它就能真正替人完成工作，Coding改变了这件事。

随着Claude和Claude Code的发展，Anthropic不仅获得了开发者的认可，也逐渐把模型能力转化为商业增长。

这次技术路线下注非常成功，彻底改变了行业的竞争格局。OpenAI让位，Anthropic接过了AGI旗手。

对于追赶者来说，要追上已经被验证的方向，目标明确、路径清晰，但所缺的唯有时间。可如果所有人都在追赶上一轮的领先者，下一轮竞争又会从哪里开始？Meta的答案是，重新定义下一轮的路线方向，放弃追赶Anthropic，找到另一个能够释放模型能力的方向。

在公开访谈中，Wang回顾了当时的行业判断，“2026年初，Anthropic和Claude在Coding领域已经建立了很强的优势，行业普遍把Coding Agent看作先进AI最重要的产品方向之一。Meta却认为，个人AI和消费级AI可能更适合自己。”

Anthropic希望AI能够承担越来越复杂的工作，Meta则希望AI能够更深入地服务于每一个人。前者从工作能力切入，后者从个人需求切入。这背后，就是扎克伯格最近提出的新思考，“个人超级智能最大的贡献不是自动化，而是发明创造”。AI不是替代人类工作，而是与人共同创造新事物。

对于AI的三观差别，会决定当研发资源有限时，把什么能力放在优先位置。

02 一次成功的路线选择，为什么可能改变行业座次？

大家所熟知的智谱故事即是案例。

2025年下半年，在行业普遍看衰智谱技术能力、非议智谱商业模式之时，唐老师力排众议，重注Coding、舍弃2B交付。

为此，智谱围绕Coding目标组织训练数据，设计评测体系，不断优化模型在编程、工具调用和复杂任务执行上的表现。随着GLM-5发布，智谱的模型能力得到市场迅速认可，产品获得用户，用户又带来新的使用反馈，进一步推动模型迭代。

仅仅半年时间，智谱从被诟病的二线模型厂商一跃成为头部。当这条路线被证明有效，厂商就会持续加大投入，逐渐形成优势。

同一时期，Meta的Llama与智谱处于同一困境，但是Meta的选择不是再造一个Coding Llama，而是选择押注下一代AI技术路线，Personal Agent。因此，Meta彻底放弃Llama，基于Personal Agent要求重新训练Muse模型。

针对Personal Agent，Muse在训练时面对的任务更加开放。比如，用户说了一句模糊的需求，它需要理解背后的意图；一个任务尚未完成，用户又提出了新的要求，它需要协调优先级；要真正帮助用户解决问题，它还可能需要跨越不同应用、调用不同工具，并在行动过程中不断调整计划。

这些能力当然并非Coding Agent完全不具备，但如果厂商将Personal Agent作为优先目标，就会围绕这些问题设计更系统的训练和评测。

模型厂商不是先造出一个无所不能的模型，再决定把它用在哪里。对未来技术路线的判断，决定了模型厂商训练什么模型、采用什么评测标准，以及把有限的研发资源投入哪里。当模型研发走完从预训练到后训练的每一个环节，这种目标导向不同带来的差异不断累积，使得原本看起来能力相近的模型，在不同任务上拉开差距。

如果Personal Agent最终被证明是下一个技术路线方向，Meta就有机会在自己选择的方向上建立充分的时间优势，而不必先在Anthropic已经占优的赛道上完成追赶。

03 Meta的赌注，下一代模型长什么样

Wang在访谈中讲述的研发过程，有一个细节值得注意。

Meta并不是先有了一个Personal Agent产品，再要求模型团队把它做得更好。团队把Personal Agent作为模型研发的重要方向之一，列出了超过100项模型需要具备的具体行为和能力，为每一项建立评测，再通过一轮轮训练与检查，逐渐提高模型的表现。

Wang描述的过程并不神秘，甚至有些笨功夫的感觉。模型在哪些事情上做得不好，就针对这些问题继续改进，哪些能力还达不到要求，就继续打磨。但这件事的意义在于，Meta不只是选择了一个产品方向，而是开始围绕这个方向组织模型能力的改进。

Meta还有一个先天优势，它拥有庞大的消费级产品生态。Wang在访谈中提到，Meta的应用每天触达约35亿用户，对于Personal Agent来说，这意味着它有机会接触大量真实的个人需求，并将产品使用中的问题转化为下一轮改进的依据。

04 Anthropic，将面临当年OpenAI窘境？

假设有一天，Anthropic也认为Personal Agent将成为下一轮竞争的关键方向，它能不能迅速追上Meta？

当然可以开始追赶，但会有时间差。

Meta团队从2026年初的原型走到同年9月的产品发布，经历了七个月的研发与打磨。产品原型可以在一两周内做出来，但要把一个时灵时不灵的演示，变成能够可靠服务普通用户的产品，需要大量持续的模型改进。

因此，Anthropic近期发布的个人智能体产品Claude Duet，注定是个半成品炮灰。毕竟其背后的模型并非根据主动服务而训练，产品体验自然拉胯。

而且，Anthropic面临的选择可能不只是要不要追赶，还需要决定，应该在多大程度上调整已有的研发重点，以及如何在Coding等现有优势与Personal Agent等新方向之间分配资源。届时，Anthropic将面临当年OpenAI的窘境。

由此延伸一下，假如这一次Meta赌对了，那么Anthropic掉队将是不可避免的。