Meta 的開源 AI 路線正在進入新的階段。
2026 年 6 月 14 日，Times of India 轉述 Bloomberg Tech 訪談指出，Meta Chief AI Officer Alexandr Wang 承認，Meta 過去靠 Llama 打開市場的開源 playbook，已經不再適合所有前沿模型。原因很直接：Muse Spark 在早期訓練與測試中觸發高風險區域，特別是 bio risk 等安全問題，因此 Meta 沒有把它像 Llama 一樣開放權重。
這件事不能只看成「Meta 變小氣」。
更準確地說，Meta 正在從 Llama 時代的開放權重策略，轉成 Muse 時代的分層策略：可以安全釋出的模型繼續開放；最強、最敏感、商業價值最高的前沿模型，先放在 Meta AI、meta.ai、App、私有 API 與產品場景裡。
站內 4 月已經寫過 Meta Muse Spark 發表文：那時重點是 Muse Spark 成績如何、為什麼 Meta 首次把主力模型閉源。這篇補 6 月的新訊號：Meta 正在重訂模型釋出規則，前沿模型不再預設開放權重。
同時，這篇不把 Muse Spark 當成可下載模型討論：截至本文引用來源，Meta 沒有公開 Muse Spark 參數規模、權重檔或可自架部署方式。
這會影響 Llama、生態、企業採購、本地部署，以及整個開源 AI 的下一階段。
這次新訊號是什麼？
Muse Spark 在 2026 年 4 月 8 日發布時，就已經是一個策略轉折。
Meta 官方把它定位為 Muse family 的第一個模型，也是 Meta Superintelligence Labs 的第一個成果。它支援多模態推理、工具使用、visual chain of thought、多 agent orchestration，並透過 Meta AI app 與 meta.ai 上線，同時開放私人 API preview。
但它沒有開放權重。
當時外界還可以把這理解成「先閉源、之後可能開源」。Axios 4 月 6 日的報導也提到，Meta 準備對下一批模型提供開源版本，但大型、最高階模型可能保留專有路線。
6 月 14 日的新說法，把這個方向講得更硬。
| 時間 | 訊號 | 意義 |
|---|---|---|
| 2025 年 | Meta 以約 143 億美元入股 Scale AI，Alexandr Wang 進入 Meta | Meta 重建 AI 組織與模型研發流程 |
| 2026-04-06 | Axios 報導 Meta 仍計畫開源部分新模型 | 開源沒有消失，但可能不涵蓋最強模型 |
| 2026-04-08 | Muse Spark 發布，留在 Meta AI 與私人 API preview | Meta 首款新世代主力模型不開放權重 |
| 2026-05-14 | Muse Spark Safety & Preparedness Report 上 arXiv | 安全評測把 Chemical & Biological、Cybersecurity、Loss of Control 放進正式框架 |
| 2026-06-14 | Wang 對外承認舊開源 playbook 卡住 | 前沿模型部署方式變成安全與商業決策 |
這裡的重點是「預設值」變了。
以前 Meta 給開發者的心理預期是：只要等一等，Llama 大模型最後會出來，至少會有很強的 open-weight 版本可以下載、微調、自架。
現在比較像：Meta 仍會做開放模型，但不會承諾把最強能力直接交給社群。
Muse Spark 為什麼沒有像 Llama 一樣開源？
有三個原因交在一起：安全、商業、競爭。
1. 安全風險：權重一旦放出去，就沒有產品護欄
Times of India 轉述 Bloomberg Tech 訪談稱，Wang 提到 Muse Spark 在早期訓練中觸發高風險區域，特別是 bio risk，也有其他風險升高。這和 Meta 官方安全文件可以接起來看。
Meta 的 Muse Spark 官方文章提到，公司根據 Advanced AI Scaling Framework，對 Muse Spark 做了部署前後的安全評估，範圍包含 frontier risk categories、behavioral alignment、adversarial robustness。Meta 的安全框架本身則把重點放在三類災難性風險：Chemical & Biological、Cybersecurity、Loss of Control。
簡單講，Muse Spark 的問題不是一般「會不會亂講」。
它是進入前沿模型後，開始碰到雙重用途能力：
- 生物與化學相關資訊；
- 資安與漏洞能力；
- agentic 行為；
- 多步驟工具使用；
- 高風險任務規劃；
- 長任務自動化。
這些能力如果只在 Meta AI 產品裡，Meta 還能加系統層護欄、監控、速率限制、帳號控管、資料保留、回應過濾、濫用偵測。
但如果開放權重，狀況完全不同。
| 部署方式 | 公司能控制什麼 | 公司不能控制什麼 |
|---|---|---|
| Meta AI 產品內 | 系統提示、工具權限、流量、濫用偵測、更新、封鎖 | 使用者截圖、外部二次使用 |
| 私人 API | 客戶審核、速率限制、使用條款、log、模型版本 | 客戶下游產品的部分行為 |
| 開放權重 | 授權條款、初始模型卡、建議用途 | 微調、去護欄、離線部署、轉售、蒸餾、灰產使用 |
所以 Muse Spark 不開源，本質上是 Meta 把「模型能力」放回受控產品裡。
這和 Anthropic Fable 5 / Mythos 5 被美國政府要求暫停外國人存取，是同一條大趨勢的不同面：前沿模型不再只是產品，而是安全、出口管制、商業競爭與平台控制的交會點。
2. 商業壓力：Meta 不能永遠免費送最貴的能力
Meta 過去用 Llama 開源，策略很聰明。
它讓開發者把 Meta 當成 OpenAI、Anthropic、Google 之外的第四個基礎模型來源；也讓 Meta 在沒有最強聊天產品的時候，仍能透過開源社群佔住 AI 影響力。
但前沿模型越來越貴。
訓練、推理、資料、人才、資料中心、電力、GPU、評測、安全團隊，全部都是重成本。Meta 不是沒有錢，它有廣告現金流，但它也不可能把最強模型能力完全當成公益。
Muse Spark 的定位已經從單純研究模型，擴到 Meta 未來產品入口：
- Meta AI app；
- meta.ai；
- WhatsApp；
- Instagram；
- Facebook；
- Messenger；
- Ray-Ban Meta AI Glasses；
- 商務推薦與 shopping mode；
- health reasoning；
- 個人 superintelligence 敘事。
如果 Muse Spark 是 Meta 下一代消費 AI 入口的核心，權重本身就成了產品差異化的一部分。
這也是為什麼 Meta 的策略很可能變成：
| 層級 | 可能策略 | 目的 |
|---|---|---|
| 最強前沿模型 | 閉源、產品內、私人 API、受控合作 | 留住商業差異與安全控制 |
| 中型高性價比模型 | 可能開放權重 | 維持開發者生態與本地部署口碑 |
| 舊版或蒸餾版 | 更可能開放 | 擴大社群、降低競爭敏感度 |
| 安全工具與 eval | 部分開放 | 建立治理可信度 |
這不是 Meta 獨有。
阿里的 Qwen 也走向類似分層：旗艦 Max 轉閉源，中型模型繼續開源。站內 Qwen3.6-Max 改閉源 已經拆過這條線。
所以開源 AI 沒有消失；它正從「旗艦全開」變成「中段開源、頂端閉源」。
3. 競爭壓力：開源也會餵飽競爭對手
Meta 開源 Llama 的時候，受益者不只是開發者。
受益者也包括：
- 雲端平台；
- AI 應用公司；
- 本地部署工具；
- 中國模型公司；
- 蒸餾模型團隊；
- 對手的資料與 eval 團隊；
- 研究機構；
- 各種灰色用途。
這就是開源模型的矛盾。
你想要生態，就要讓人拿走。
你想要控制，就不可能真正開放。
過去開源的好處大於壞處，因為 Meta 需要追趕、需要社群、需要對抗 OpenAI 的閉源壟斷。現在情況變了。Meta 花大錢建 Superintelligence Labs、挖人才、買 Scale AI 股權、做 Muse 系列。如果最強能力剛做出來就直接開放，等於讓競爭對手、蒸餾團隊和灰產同時拿到成果。
這也是為什麼 AI 蒸餾戰爭會和 Muse Spark 開源退潮連在一起。
站內 AI 蒸餾戰爭 寫過，OpenAI、Anthropic、Google 都開始重視對抗式蒸餾。對前沿模型公司來說，開放權重比 API 更難防蒸餾，因為權重本身就是能力。
所以 Wang 說「只有 fit and safe 的模型才開源」，聽起來像安全說法，但背後也有商業與競爭邏輯。
Llama 還會繼續存在嗎？
會，但它的角色可能變了。
Llama 不太可能突然消失。它已經有大量開發者、企業部署、工具鏈、量化版本、fine-tune、生態整合。Meta 也沒有理由把這些全部砍掉。
但 Llama 很可能不再代表「Meta 最強模型一定會開源」。
未來比較可能是：
| 路線 | 可能角色 |
|---|---|
| Llama | 開放權重、本地部署、企業自架、研究與開發者生態 |
| Muse | Meta 自家產品、前沿能力、個人 superintelligence、受控 API |
| Muse 小型版或蒸餾版 | 可能成為開源或半開放選項 |
| Meta AI app / WhatsApp / Instagram | 最大分發入口，讓普通使用者不用知道模型名稱 |
這和 Apple、Google、OpenAI 的策略很像：一般使用者不在乎模型權重，他只在乎產品能不能用。開發者才在乎 API、本地部署、微調和授權。
Meta 現在要同時抓兩邊。
一邊用 Llama 留住開發者心智；另一邊用 Muse 留住最強產品能力。
這對開發者有什麼影響？
如果你是開發者，最重要的是不要再把「Meta = 最強開源」當成穩定假設。
你需要重新把模型分成三種用途。
| 用途 | 適合模型策略 | 原因 |
|---|---|---|
| 本地部署、隱私、離線 | Llama、Qwen、Gemma、Mistral 等開放權重模型 | 可控、可微調、成本可預測 |
| 最強推理、agent、複雜 coding | Claude、GPT、Gemini、Muse API 等閉源模型 | 能力天花板通常更高 |
| 企業產品長期營運 | 多模型 routing + fallback | 不要被單一供應商和單一發布策略綁死 |
如果你的產品現在依賴 Llama 生態，短期不用恐慌。
但要注意幾件事：
- 下一代最強 Meta 模型不一定會開放權重；
- Llama 可能更多變成「開源中段」而非「前沿頂端」；
- 如果你需要最強 agent 能力，可能要接受 API 模式；
- 如果你重視資料主權，本地開源仍然不可取代；
- 開放權重模型的安全與合規責任會更多落在你身上；
- 模型授權和可商用條款要逐版確認，不要只看品牌。
一句話：開源模型仍是必要底座，但不能保證永遠拿到最強能力。
這對企業採購有什麼影響？
企業過去常把 AI 採購簡化成兩種選擇：
- 用 OpenAI / Anthropic / Google API，能力強但資料和成本受供應商影響。
- 用 Llama / Qwen / Mistral 本地部署，能力略弱但資料可控。
Meta 的轉向讓第二條路變得更複雜。
因為企業真正要問的是：「開源模型在哪一層能力足夠？」
| 企業場景 | 是否需要前沿閉源模型 | 能不能用開源替代 |
|---|---|---|
| 一般知識庫問答 | 不一定 | 可以，本地模型常夠用 |
| 客服摘要與分類 | 不一定 | 可以，用中型模型即可 |
| 高難度 coding agent | 常常需要 | 開源可做部分任務，但穩定度要測 |
| 醫療、法律、金融高風險分析 | 需要審慎評估 | 可用本地模型做輔助，但要人類覆核 |
| 資安、bio、dual-use 場景 | 高風險，不適合隨便開放 | 需要受控環境與專業流程 |
| 大規模消費者助理 | 取決於成本與體驗 | Meta 這類平台更有分發優勢 |
企業真正該做的是建立模型分層：
- 低風險、重複、資料敏感任務：優先本地或開源；
- 高能力、高價值、低敏感任務：可用閉源 API；
- 高能力、高敏感任務：用企業合約、私有部署或嚴格治理；
- 高風險雙重用途任務：不要靠一般 chatbot 或公開權重直接處理。
這也回到最近幾篇文章反覆出現的主題：AI 採購要當成供應鏈設計，不能只押單一供應商。
對開源 AI 社群是壞消息嗎？
是，也不是。
壞消息是：如果 Meta 都不願意把 Muse Spark 這種前沿模型直接開源，其他美國大廠更沒有動機把最強權重交出來。開源社群拿到頂級能力的機率下降。
好消息是：開源中型模型會更重要。
原因很簡單：不是每個任務都需要最強模型。多數企業和個人任務其實是：
- 摘要；
- 翻譯；
- 分類；
- 客服；
- 報表解讀；
- 文件整理；
- 基本程式碼；
- 內部知識問答；
- 工作流自動化。
這些任務用中型模型就能做得很好。
所以未來開源 AI 可能從「我要追上 GPT / Claude 的旗艦能力」，轉向「我在成本、隱私、可部署、可微調、可控性上勝出」。
這反而會讓開源模型更務實。
| 開源 AI 的新價值 | 說明 |
|---|---|
| 本地部署 | 資料不出公司或個人電腦 |
| 成本控制 | 大量低風險任務不必全走昂貴 API |
| 可微調 | 特定產業、語言、格式可客製 |
| 可審計 | 權重與推理環境更容易內部控管 |
| 主權 AI | 國家、企業、研究機構不完全依賴美國前沿 lab |
| 備援 | 閉源服務下架、限流、漲價時仍可運作 |
開源 AI 的敘事會從「最強」變成「可掌握」。
這不如 benchmark 第一名好看，但對很多實際使用者更重要。
和 Anthropic Fable 5 事件是同一條線
這幾天有兩件事可以放在一起看。
第一，Anthropic Fable 5 / Mythos 5 被美國政府要求限制外國人存取。
第二，Meta 的 Muse Spark 因安全與部署風險，不走 Llama 式完全開放權重。
兩件事不同，但方向一致：
前沿模型能力正在被視為需要受控部署的高價值技術。
| 事件 | 控制方式 | 核心問題 |
|---|---|---|
| Anthropic Fable 5 / Mythos 5 | 政府出口管制與外國人存取限制 | 國安、資安、模型能力外流 |
| Meta Muse Spark | 公司自行採取閉源與產品部署 | bio risk、安全框架、商業控制 |
| Qwen3.6-Max | 旗艦閉源 API | 商業化、防蒸餾、旗艦能力保留 |
| OpenAI / Google | 長期閉源 API 與產品分發 | 能力、品牌、資料與商業模式 |
這代表未來前沿模型發布會越來越像分級制度。
未來問題會從「開源 vs 閉源」二選一，改成：
- 哪一版可以公開？
- 哪一版只能 API？
- 哪一版只能信任客戶？
- 哪一版只能企業合約？
- 哪一版需要政府或第三方評測？
- 哪些能力必須系統層護欄才能放出？
這會讓 AI 產業更成熟，也會讓開源社群更不舒服。
台灣開發者和企業該怎麼做？
我的建議很務實：不要把開源當信仰，也不要把閉源當敵人。
你要做的是任務分層。
1. 本地模型繼續學，但不要幻想永遠拿到最強
Llama、Qwen、Gemma、Mistral 仍然值得學。Ollama、本地 RAG、內部知識庫、客服分類、文件摘要，這些場景非常適合開源模型。
但如果你在做高難度 coding agent、複雜多步驟推理、前沿研究、長任務規劃，還是要保留 Claude、GPT、Gemini 或未來 Muse API 的選項。
2. 不要把產品架死在單一模型品牌
你的應用層最好支援模型替換。
至少要做到：
- prompt 可重用；
- 輸入輸出格式穩定；
- 有模型 routing；
- 有 fallback；
- 有成本上限；
- 有品質評測；
- 有人工覆核點；
- 有資料敏感度分級。
這樣不管 Meta 開不開源、Qwen 改不改授權、Anthropic 被不被限制，你都比較不會被打斷。
3. 高風險領域不要用開源權重裸跑
如果任務涉及醫療、資安、金融、法律、生物、化學、政府資料、半導體機密，不要因為「本地部署比較安全」就忽略治理。
本地部署只解決資料不出境，不自動解決模型安全、錯誤責任、越權行為與輸出可靠性。
你仍然需要：
- 權限控管；
- 使用紀錄；
- 輸出審查；
- prompt injection 防護；
- 人類覆核；
- 禁止高風險自動執行；
- 明確責任歸屬。
4. 關注開源模型的「授權穩定性」
未來判斷開源模型，不能只看跑分。
還要看：
- 是否真開放權重；
- 是否允許商用；
- 是否限制用於訓練其他模型；
- 是否允許再發布衍生模型；
- 是否有地區或產業限制；
- 是否有穩定更新承諾；
- 是否有企業支援或社群維護。
開源不等於免費任意使用。這句話在 2026 下半年會變得更重要。
Mason 的判斷
我不認為 Meta 這次代表「開源 AI 結束」。
但我認為它代表：前沿開源的黃金時代正在退潮。
過去大家期待 Meta 扮演美國開源 AI 的旗手，讓開發者永遠有一條不靠 OpenAI、Anthropic、Google 的路。這條路還在，但它可能不再通往最強模型的最頂端。
Meta 以後更可能採取三層策略：
第一層，最強 Muse 系列放在 Meta 自家產品、受控 API 與核心商業入口。
第二層，中型或較安全模型開放權重，維持 Llama 生態與開發者好感。
第三層，安全工具、eval、舊版模型、蒸餾版與研究模型持續釋出，保住開源形象。
這是理性的商業選擇，也是安全治理壓力下的自然結果。
對開發者來說，這有點可惜，但不意外。前沿模型現在已經太貴、太敏感、太有商業價值。要求大公司把最強能力無條件放出來，本來就越來越不現實。
真正該做的是接受新格局，不再停留在 Llama 最開放的那段時期：
開源負責可控、低成本、可部署；閉源負責最強能力與產品化；企業和開發者負責把兩者組合成不會被單一供應商卡死的系統。
Muse Spark 不開源不是句點。它是前沿 AI 分層時代的開始。
FAQ
Meta 是不是完全放棄開源 AI？
不是。比較準確的說法是 Meta 正在採取分層策略：部分模型仍可能開放，但最前沿、風險最高、商業價值最大的模型不再預設開源。Llama 生態短期仍會存在，但 Muse 系列的最強版本可能優先留在產品和 API 裡。
Muse Spark 為什麼不能直接開源？
外部不能說「不能」，只能說 Meta 判斷不適合。Wang 對外說法提到 Muse Spark 早期訓練觸發高風險區域，特別是 bio risk。Meta 官方安全文件也把 Chemical & Biological、Cybersecurity、Loss of Control 視為前沿模型主要災難性風險類別。權重一旦開放，公司很難再靠產品護欄控管使用方式。
Llama 以後還值得學嗎？
值得。Llama 仍是本地部署、企業自架、開源工具鏈與教學實作的重要模型生態。只是不要再假設 Meta 的下一個最強模型一定會用 Llama 方式開放。學 Llama 是學本地與開源基礎，不是買一張通往所有前沿能力的永久票。
開源模型是不是會越來越弱？
不一定。中型開源模型可能會越來越強，尤其在摘要、翻譯、文件、客服、RAG、本地部署、成本敏感任務上。但最前沿能力可能更常留在閉源 API 或受控產品裡。未來差異會落在不同層級服務不同任務，不能簡化成「開源弱、閉源強」。
企業應該選開源還是閉源模型？
不要二選一。低風險、資料敏感、成本敏感任務可以優先用開源或本地模型；高難度推理、agent、coding、複雜規劃可以用閉源 API；高風險任務則要企業合約、權限治理、人類覆核和明確責任設計。真正重要的是多模型架構，而不是押單一品牌。
參考資料
- Times of India：Meta’s Alexandr Wang admits the company’s previous AI policy didn’t work
- Meta：Introducing Muse Spark: Scaling Towards Personal Superintelligence
- Meta：Advanced AI Scaling Framework Version 2
- arXiv：Muse Spark Safety & Preparedness Report
- Axios：Meta to open source versions of its next AI models
- Axios：Meta debuts Muse Spark, first AI model under Alexandr Wang
- WIRED：Meta’s New AI Model Gives Mark Zuckerberg a Seat at the Big Kid’s Table