# 馬克·扎克伯格：元宇宙中的首次訪談 > 扎克伯格以虛擬形象接受採訪，談元宇宙的技術構想、VR與社交的未來，以及Meta的長期投入方向。 - 原標題：#398 – Mark Zuckerberg: First Interview in the Metaverse - 期數：第 398 期 - 釋出日期：2023-09-28 - 嘉賓 / 主題：馬克·扎克伯格 - 網頁版：https://lex.qiaomu.ai/tw/ep/mark-zuckerberg-3/ - 官方頁面：https://lexfridman.com/mark-zuckerberg-3/ - 精讀字數：約 8201 字（閱讀約 18 分鐘） > 本文為 lex.qiaomu.ai 基於原始訪談的 AI 改寫中文精讀，非官方翻譯；引用請註明出處並連結網頁版。 Lex Fridman 坐在奧斯汀一間漆黑的房間裡，戴著 Quest 頭顯。馬克·扎克伯格（Mark Zuckerberg）在幾百英里外的另一間會議室，頭上也戴著一個。 房間裡再沒有第二個人。 但 Lex 能看清對方眼角那道細紋，能看見說話時眉毛抬起的幅度，能看見笑起來時嘴角先動的是不對稱的那一側。兩個人近到有點越界，Lex 為此專門道了個歉。扎克伯格回了一句：柔術都練過，之前互相鎖喉的距離比這遠多了。 這場對話沒有畫面傳輸。螢幕兩端傳的都不是影片畫面。對面坐著的是一個掃描出來的人，被實時驅動著，坐在你面前。 Lex 在開場說了一句很實在的話：這是我見過最不可思議的東西。他說這話的時候聲音有點抖，說自己的心跳在加速，說這幾乎讓他有點情緒化。 ## 隔了半個美國，近得能看清皺紋 這套東西叫 Codec Avatar（編解碼器虛擬形象）。名字聽著像壓縮演算法，事實上也確實是。 流程分兩段。第一段是掃描：你走進一個佈滿相機陣列的棚裡，做出大量不同的表情，笑起來、皺眉、抬眉、說話、閉嘴。系統把這些表情全部記錄下來，為你的臉和身體建一個計算機模型，壓成一個編碼。 第二段是實時驅動。你戴上頭顯，頭顯上的相機盯著你的臉，捕捉此刻的表情，然後把這組引數編碼發過去。對面那頭收到引數，渲染出你現在的樣子。 > 「它傳輸的是一份編碼，說明你應該長什麼樣。所以除了照片級真實，它的頻寬效率其實比傳一整段影片高得多，更別說傳一個完整的三維沉浸式場景了。」（馬克·扎克伯格） 這句話裡藏著一個反直覺的事實：**畫面越真實，反而越省流量**。 影片傳的是畫素，幾百萬個畫素逐幀重新整理，一寸不落全部要發過去。Codec Avatar 傳的是「表情引數」，本質上是「眉毛上抬 2 毫米、左嘴角上揚 3 度」這種極簡指令，對面用本地算力把這張臉重新渲染出來。頻寬從畫素級掉到了引數級。 這也解釋了它為什麼能做到傳統視訊會議做不到的事。視訊會議裡，你看到的是一個被壓縮演算法糊過的、延遲半秒的、眼神不對焦的畫素堆。而這裡，你看到的是一個有立體感、有空間音訊、能和你保持眼神接觸的人。 ## 恐怖谷是被皺紋填平的 Lex 在對話裡反覆提到一個詞：恐怖谷（uncanny valley）。那個「越像人越嚇人」的區間。 他的判斷是，這次跨過去了。 > 「完美不是帶來沉浸感的東西。是那些微小的瑕疵，雀斑、顏色的細微變化、皺紋、不對稱，還有眼角，你笑的時候眼睛會怎麼動。」（Lex Fridman） 扎克伯格接過話頭補了一個詞：不對稱（asymmetry）。 過去十年，做虛擬人的團隊都在追求「更準」，把臉做得更對稱、更光滑、更符合某種理想化的平均臉。結果是越做越假。 真實的活人臉從來不對稱。一邊眉毛比另一邊高，笑起來只有一側有酒窩，眼角的紋路左右深淺不同。人腦識別一張臉是不是真的，靠的恰恰是這些偏差。**把偏差抹掉，等於把「人」的訊號抹掉了。** 扎克伯格說，眼睛佔了很大比重。人在說話的時候，絕大部分資訊不在字詞裡，而在表情裡。你笑的時候眼角會不會擠出褶子，真笑和假笑的分界線就在這裡，這套機制在人腦裡跑了幾十萬年，騙不過去。 ## 一個意外收穫：讓虛擬形象比本人更會表達 對話裡出現了一個岔路。 Lex 說，這期播客大概會被做成梗圖，標題就叫「兩個最面癱的人在元宇宙裡對談」。他承認別人常說他面無表情、像機器人，但他並非沒有情緒，只是表達幅度小，主要靠眼睛。 扎克伯格順著這個話頭講了一件很少有人公開聊的事。 > 「我經常因為表情比較僵硬被批評。我可能心裡挺高興的，但只是笑得很小。所以對我來說，我可能希望我的虛擬形象比我本人更能表達出我的感受。」（馬克·扎克伯格） 這句話的重量被低估了。 它的潛臺詞是：虛擬形象的第一版預設值會忠實還原你真實的表情幅度，但接下來一定會出現一個滑塊，用來調節「你想讓虛擬形象表達得多強烈」。有人會調到 100%，有人會調到 130%。 這就開啟了另一扇門：當一個人的數字形象比他本人更外向、更愛笑、更有感染力，那個形象還是他嗎？這個問題的答案，會在未來十年裡被幾億人各自給出不同的版本。 ## 從坐幾小時掃描，到舉手機兩分鐘 現在這套東西沒法普及，卡點很具體：掃描太慢。 Lex 專程飛去匹茲堡做了完整掃描，軟硬體都極其複雜，但整個過程耗時很長。扎克伯格的說法是「如果你有幾個小時可以坐著」。這種產能，註定只能服務少數人。 Meta 正在做的專案，目標是把整個流程壓縮到兩三分鐘：你舉著手機在臉前晃一晃，說幾句話，做一串表情，結束。產出的質量和現在這個幾小時的版本一樣。 > 「這個難題還沒解決。現在只要有時間坐著，我們就能給你做掃描。但用非常高效的方式生產這些掃描，是我們還需要真正攻下來的最後幾塊拼圖之一。」（馬克·扎克伯格） 這裡的因果關係很值得看。Codec Avatar 卡住的地方既不在渲染，也不在算力，而在「資料採集的人口門檻」。限制一項技術變成產品的，常常是它最笨重的那部分能不能被砍掉；最驚豔的部分反倒容易。 扎克伯格強調「漸進式鋪開」，也是同一個邏輯：先讓更多人被掃描進系統，再把它接進各個 App，先用在會議、遠端協作這類剛需場景，再慢慢滲透到別的地方。 ## 499 美元的頭顯，晶片比 1500 美元的還強 對話中途從元宇宙切到了硬體。Quest 3 是這期播客錄製的背景。 扎克伯格給了一組數字：Quest Pro 去年上市，售價 1500 美元。Quest 3 售價 500 美元，薄了 40%，混合現實的相機和感測器解析度提升了好幾倍，某些方面體驗甚至比 Pro 還好。 更值得看的是晶片。高通這一代面向 VR 和 MR 的晶片，Meta 參與了定製，但這款晶片今年才量產。Quest Pro 上市時用不上，Quest 3 用上了。 > 「所以說，Quest 3 雖然不是 Pro 產品線，但它裡面的晶片比 Pro 那一代更強，價格只有三分之一。」（馬克·扎克伯格） 這個錯位有產品節奏上的必然。**誰先上市，誰就要用過時的晶片。** 一個品類在快速迭代期，晚一年釋出的「低端款」經常打敗早一年的「高階款」。手機行業早年也這樣，現在不這樣了，因為手機已經沒什麼可迭代的了。 扎克伯格專門點了這一層：手機每年發新機，你幾乎看不出和上一代的區別。而頭顯每發一代，都帶著一個全新的能力。這一代是混合現實。 ## 混合現實最先解決的問題：別把檯燈打碎 Lex 描述了他體驗 Quest 3 的場景：周圍坐著朋友，房間裡擺滿傢俱。你能看見沙發，能看見朋友，能看見朋友看著你揮胳膊時憋笑的表情。 扎克伯格講了一個更樸素的價值點。 > 「今天有很多 VR 體驗並不需要完全沉浸。你在玩射擊遊戲或者做健身，有時候人會擔心揮胳膊會不會打到檯燈、會不會撞到什麼。把這些放進混合現實裡，人就會舒服很多。」（馬克·扎克伯格） 行業宣傳裡，MR 的關鍵詞都是「把數字內容疊加到現實」，聽著很炫。但使用者第一次戴上之後真正在意的，是**我能不能看見我家客廳**。 Lex 補了一個畫面：殭屍從牆裡衝出來，你躲到自家真沙發後面去。房間裡沒有窗戶，你可以在牆上開一扇窗，窗外風景不錯，殭屍正朝你跑過來。 這種體驗的荒誕感裡藏著一個轉變：物理世界成了遊戲的一部分，不再是遊戲的敵人。 技術實現上並不輕鬆。頭顯外面有多顆相機，要從不同角度捕捉三維空間，然後把這些畫面重對映到你的視角。這裡有個細節：相機的位置不等於你眼睛的位置，每個人的瞳距、眼高都不同，所以需要實時做一次視角變換，還得做得看不出破綻。 手部追蹤是另一個被低估的進展。扎克伯格自己說，手部識別推進的速度超出了他的預期。Lex 提到了那個彈鋼琴的 demo：一張真實的桌子上，憑空出現琴鍵，手指落下去，聲音就出來，沒有手柄，沒有延遲。同時系統還追蹤著房間裡其他人的位置。 ## 十年後，房間裡的全息物體和實物一樣多 扎克伯格做了一個思想實驗。 > 「可能到這個十年結束的時候，我們走進一個房間，看到的全息物體數量會和物理物體一樣多。」（馬克·扎克伯格） 他接著列了一份清單，哪些東西適合變成全息： - 所有的螢幕。任何一塊顯示屏都可以是全息投影 - 所有的媒體。書、畫、影片、藝術品 - 所有的遊戲。桌遊、卡牌、乒乓球 乒乓球的例子最能說明問題。想要一張球桌，打個響指它就出現在客廳；不想玩了，再打個響指它消失。物理世界裡，你需要一個房間、一筆錢、一次搬運、一次組裝，然後它會一直佔著那塊地。 全息版本的優勢，除了免費，更在**可撤銷**。物理世界的一切都帶著沉沒成本，你買了就得留著，擺了就得佔地方。數字物體沒有這個負擔。 再把這兩種能力疊起來：全息物體加上 Codec Avatar，會議就變成了這樣一幅畫面：你戴著眼鏡走進會議室，幾個同事物理在場，另外幾個以照片級真實的形態坐在旁邊，看起來就是他們本人，坐在那把椅子上。 ## 會議室裡會坐著一個 AI 同事 順著這個邏輯，扎克伯格往前推了一步，這一步是很多人沒想過的。 > 「未來你開會的時候，可能你本人坐在那裡，另外幾個同事是全息形態，然後還有 Bob，一個 AI，他是你團隊裡的工程師，幫著處理一些事情，現在他也能以一個真實的虛擬形象被具身化，就這樣加入會議。」（馬克·扎克伯格） 把「AI 助手」和「虛擬形象」這兩件事接在一起，性質就變了。 現在的 AI 助手，互動介面是一個輸入框。你要打一段話，它回一段話，中間的往返有摩擦。當它有了臉、有了聲音、有了空間位置，它就從工具變成了在場者。你的大腦會自動把它當成一個人來對待，會記得它坐在哪，會在說話時下意識看向它。 這個變化的效率收益不小，問題也不少。當 AI 有了人形，人對它的信任閾值會大幅下調，很多本來會保持警惕的判斷，會因為一張臉而放鬆。 ## 哪個版本才是你 對話在這裡拐進了一個很個人化的細節。 扎克伯格說，他那天早上戴上頭顯，發現虛擬形象裡的頭髮比現實中的短一點，該理髮了。他還說，他那天早上正好颳了鬍子，但就算沒刮，虛擬形象也依然是刮乾淨的樣子。 > 「所以會開始出現這些微妙的問題：這個虛擬形象是真實的，它大體上是你在掃描那個時點的樣子，但它不一定在時間上精確對應你此刻的樣子。」（馬克·扎克伯格） 這個細節看著小，往下想很麻煩。 Lex 把它推到了更狠的地方：很多人在掃描之前會減肥、弄頭髮、拿出最好看的狀態。那麼這個「數字的你」是一個被精心修飾過的版本，它會長期存在於別人的記憶裡，甚至比真實的你更常被看到。 扎克伯格的反應挺坦誠，他說人的肉體本來也在變，體重會波動，所以「哪個版本的你」這個問題在物理世界裡也存在。他補了一句觀察：很多人心裡認同的自己，可能是最好版本的那個，而日常狀態和最好版本、最差版本都對不上。 這段討論沒有結論，但它可能比整場對話裡任何一個技術引數都更值得琢磨。**當一個人擁有了一個可控的、恆定的、可修飾的數字形象，他與自己的關係會被重新校準。** ## 逝者的數字分身，和一條還沒劃完的線 Lex 提出了整場最沉重的一個問題。他說自己戴上頭顯之後，第一個念頭是想和愛的人聊天。第二個念頭是：那些已經不在的人呢。 父母、祖父母，如果他們已經去世，但還能以這個形態坐在你面前，和你說話。 扎克伯格的回答不算漂亮，但很實際。 > 「這中間大概有個平衡。如果一個人失去了親人、正在哀悼，能互動或者重溫某些記憶，可能是有幫助的。但它也可能走到一個不健康的地步。我不是這方面的專家，我們需要研究它、更細緻地理解它。」（馬克·扎克伯格） 他接著講了 Meta 已經在做的事。每天都有使用者去世，家屬往往想要回賬號，公司有一整套流程：一部分內容做成紀念狀態，賬號不會立刻消失；但另一部分內容堅決不給，比如私信。 這條線其實已經有先例：**公開的表達可以保留，私密的交流不能移交。** 麻煩的地方在於，Codec Avatar 會把這條線攪亂。一個能說會笑的數字分身，不只是一堆靜態內容，它會生成新的對話、新的表情、新的回應。那些回應從來不屬於逝者本人，但它們帶著逝者的臉和聲音。這已經超出了紀念的範疇，進入了續寫的範疇。 ## 給創作者造一個賽博分身，比造新角色難十倍 Meta 最近放出了一批 AI 人格，可以在 WhatsApp、Messenger、Instagram 裡對話。扎克伯格把它們分了類。 第一類是純工具型，叫 Meta AI，沒有臉，比較中性、事實導向，負責查東西、答問題。 第二類是商業型。你想聯絡一家小店，店裡也不想專門僱人接電話，你也不想在電話裡等著。有個能自然對話的物件，幫你處理退換貨、訂位、下單，兩邊都省事。 第三類是娛樂型。扎克伯格提到內部測試裡最受歡迎的一個，是一個文字冒險類的「地下城主」（dungeon master）。他們還找了真人來扮演，Snoop Dogg 演地下城主。另外還有簡·奧斯汀（Jane Austen）和馬可·奧勒留（Marcus Aurelius）的版本。 > 「我們做了一個簡·奧斯汀，一個馬可·奧勒留，我很好奇會怎麼樣。」（馬克·扎克伯格） 這裡的技術分層，扎克伯格講得很清楚。 做一個全新角色，比做一個真人分身容易得多。因為新角色不需要對某個具體的人負責，Snoop Dogg 在這件事裡就是個演員，他演的是地下城主，不是他自己。 但要讓一個 AI 真正代表一個活著的創作者，難度完全是另一個量級。你要保證它不說創作者不想說的話，要保證它知道創作者知道的事，要保證它在超出邊界時能自己收住。 > 「你不是像寫普通程式那樣去程式設計它，你是在訓練它。它們是 AI 模型，不是普通計算機程式。但你要把它訓練得足夠可預測，這樣你才能給它設定一些邊界。」（馬克·扎克伯格） 這句話點出了大模型走向產品時最真實的困境。傳統軟體的行為是確定的，你可以審計每一行程式碼。模型的行為是機率的，你能做的只有「大機率不會越界」。所以創作者分身的釋出時間被推到了明年，而那些原創角色、助手、小商家客服，今年就會放出來。 扎克伯格還提到一個平臺，叫 AI Studio，目標是讓任何人都能像發一條普通 UGC 內容一樣，造一個自己的 AI。他的原話是，社群的創造力全開之前，這件事的潛力看不全。 ## Llama 2 開源：贏面大於風險 聊到開源，扎克伯格給了一個明確的覆盤。 > 「上次我們做播客的時候，正在爭論要不要開源 Llama 2。我很高興我們做了。在我看來，開源一個像 Llama 2 這樣的基礎模型，價值顯著大於風險。」（馬克·扎克伯格） 他提到團隊做了很嚴格的評估和紅隊測試。結果超出預期：下載量和使用量比他原本就樂觀的估計還要高。 關於 Llama 3，他的說法很剋制，沒有釋出時間。他的重心在於，Llama 2 本身不是消費品，它是基礎設施。現在的優先事項是把它和它的分支做成幾十億人能用的產品。 > 「就像我們當初圍繞 Llama 2 開源有過一場辯論，下一個版本我們也會需要類似的辯論和紅隊流程，確保它是安全的。我希望到時候也能開源。但這件事離做成還早，我們還在早期階段。」（馬克·扎克伯格） 這段話的資訊量在於「同樣的辯論會再來一次」。開源是一次次決策疊加出來的姿態，並非一次性動作，每個版本都要重新過一遍程式。這個程式本身，比任何一次具體結論都重要。 ## 匿名，是數字世界最大的漏洞 Lex 問了一個社會層面的問題：物理世界裡違法的事，在元宇宙裡怎麼劃線。 扎克伯格的回答從一個小場景切入。 > 「我和朋友進到某個世界裡，我們乾的第一件事就是互相開槍。這在物理世界裡顯然不會做，因為會傷到對方。但在遊戲裡就是好玩。哪怕在遊戲大廳裡，這和遊戲本身都沒關係，就是一種搞笑的舉動。這有問題嗎？我不覺得，因為你在那個世界裡沒有造成傷害。」（馬克·扎克伯格） 他由此推出一個判斷框架：先看傷害。物理世界裡很多限制存在，是因為會造成實質傷害，數字世界裡這些限制可以放開。數字世界也有物理世界沒有的新傷害來源。 他挑了一個最要命的：匿名。 > 「你去餐廳吃飯，所有規範都建立在最後買單這件事上，因為你只有一個身份。你要是逃單，生活會懲罰你，這是一場重複博弈。但在數字世界裡，你可以匿名，可以換著身份出現，做一個好公民的動機就會弱很多，這會引發大量有害行為。這件事必須解決。」（馬克·扎克伯格） 這個類比很精準。現實社會的秩序，很大程度上不靠警察，靠的是「你還會再遇到這些人」。重複博弈讓守規矩變成理性選擇。匿名把這個前提抽走了。 元宇宙把這個問題放大了。在這裡，身份不只是一個使用者名稱，而是一張臉、一個聲音、一整套身體語言。偽造一張臉的難度，會決定這個空間的秩序成本。 扎克伯格沒有給出解法，只說了這件事必須被解決。 ## 物理世界很重要，但「真實世界」是兩者之和 整場對話裡，扎克伯格講得最有哲學味的一段，是他對「真實」的重新定義。 > 「很多人把物理世界叫作真實世界。我越來越覺得，物理世界當然極其重要，但真實世界其實是物理世界和數字世界合在一起。在這項技術之前，這兩者是分開的。你透過一塊螢幕進入數字世界，螢幕可能是兜裡的小屏，也可能是桌上更大的屏。但它們本質上是割裂的。」（馬克·扎克伯格） 他給出的替代方案是：真實世界是兩者的合併。物理不能丟，因為人是物理的存在。數字內容不該被鎖在一塊螢幕裡。 他還補了一句關於身體的話，這句可能是他少見的袒露： > 「人和人不該是坐著不動的。你和我都喜歡運動、武術這類東西，我們一直在動。人是物理的存在，不是一顆腦子加一個罐子。人的經驗是物理的。」（馬克·扎克伯格） 這段放在整場對話的語境裡很有意思。他在論證一個用頭顯才能進入的世界，理由卻是「人應該動起來」。邏輯上說得通：現在的計算裝置把人釘在椅子上，頭顯至少讓人站著、揮胳膊、在房間裡走動。 他也承認這套東西的當前形態很笨重。但他給了一個判斷：這會是迄今為止最像人、最社交的計算平臺。這個判斷對不對，要看未來五年 Quest 能不能瘦到一副眼鏡的樣子。他自己給的時間線是五年左右。 ## 關於遠端工作，他談的是地理自由 對話裡有一段關於遠端辦公的推論，被大多數報道略過了。 > 「現在的爭論是遠端工作還是大家待在一起。這個東西能把我們帶到一種更接近的狀態：人在物理上分散各地，但感覺像是在一起。夢想是有一天人們可以想住哪就住哪，同時還能獲得所有機會，因為你能感覺自己和同事物理上在一起。」（馬克·扎克伯格） 他給「在一起」下了一個具體的功能定義：建立文化、建立關係、建立信任。這三件事在純文字的遠端協作裡損耗最大。視訊會議補了一部分，但補不了眼神、微表情、身體距離這些東西。 如果 Codec Avatar 真能把這幾項補回來，受影響的就不只是辦公方式，還有房價、城市人口分佈、家庭和工作的地理取捨。技術問題的下游，往往是一連串社會學問題。 Lex 在結尾處說了一段挺動人的話。他經歷過網際網路出現之前的年代，經歷過語音通訊、影片通訊，一直以為這條路上有個天花板。這次體驗讓他覺得，天花板可能不存在，物理和數字的融合才是終點。 他還說，那些抱怨「網際網路不是現實、你應該關掉手機去親近自然」的人，可能會喜歡這個東西。因為它感覺是真的，連瑕疵都是真的。 ## 給讀者的幾件可操作的事 這場對話裡的技術細節，對大多數人不構成當下去做什麼的理由。但有幾件事，現在就能做，而且做了會有回報。 - **做產品的人，去研究一下「頻寬逆向最佳化」這個模式。** Codec Avatar 的核心洞察是：傳引數比傳畫素省得多。任何需要實時傳輸的場景，先問一遍「我是不是在傳原始資料，而實際上傳指令就夠了」。 - **做數字人、虛擬形象或任何擬人化介面的人，優先保留不對稱和不完美。** 完美化處理是恐怖谷的成因之一。皺紋、色差、左右不對稱，這些是大腦判定「真」的訊號，不需要被修掉。 - **創作者現在就該想清楚，你的 AI 分身邊界在哪裡。** 扎克伯格明確說，訓練一個能代表真人的 AI，比造一個新角色難得多，卡點是可預測性。在技術成熟之前，先想清楚哪些話它絕對不能替你說。 - **家裡有長輩或親人的，趁現在錄一段高質量的影片。** 未來這類技術的第一批真實需求，會來自失去親人的人。今天的普通影片素材，可能就是明天的建模原料。 - **關心開源模型走向的，把 Llama 系列當成一個「每版都要重新辯論一次」的過程來看。** 一次開源決策代表不了長期承諾，下一個版本依然會走一遍紅隊和評估。關注這個流程，比關注某一次結論更有價值。 - **做社群或平臺的人，把匿名機制當成一級問題。** 扎克伯格自己承認，數字世界最大的漏洞是換身份的成本太低，導致重複博弈失效。任何社群治理方案，繞不開這一條。 訪談快結束時，Lex 說了一句很實在的話：我大概會一直用這個，用了就不想回去了。 扎克伯格回得更實在：我確實在這裡，我們只是不在同一個物理位置。你也不是在和一個 AI 說話。 那間會議室裡只有他一個人，那個漆黑的虛擬空間裡只有兩個人。但 Lex 說，他有好幾段時間完全忘了對面的人不在同一個房間。 技術成熟的標誌，往往是使用者已經忘了它的存在。