# 马克·扎克伯格：元宇宙中的首次访谈 > 扎克伯格以虚拟形象接受采访，谈元宇宙的技术构想、VR与社交的未来，以及Meta的长期投入方向。 - 原标题：#398 – Mark Zuckerberg: First Interview in the Metaverse - 期数：第 398 期 - 发布日期：2023-09-28 - 嘉宾 / 主题：马克·扎克伯格 - 网页版：https://lexfridman-cn.pages.dev/ep/mark-zuckerberg-3/ - 官方页面：https://lexfridman.com/mark-zuckerberg-3/ - 精读字数：约 8201 字（阅读约 18 分钟） > 本文为 lex.qiaomu.ai 基于原始访谈的 AI 改写中文精读，非官方翻译；引用请注明出处并链接网页版。 Lex Fridman 坐在奥斯汀一间漆黑的房间里，戴着 Quest 头显。马克·扎克伯格（Mark Zuckerberg）在几百英里外的另一间会议室，头上也戴着一个。 房间里再没有第二个人。 但 Lex 能看清对方眼角那道细纹，能看见说话时眉毛抬起的幅度，能看见笑起来时嘴角先动的是不对称的那一侧。两个人近到有点越界，Lex 为此专门道了个歉。扎克伯格回了一句：柔术都练过，之前互相锁喉的距离比这远多了。 这场对话没有画面传输。屏幕两端传的都不是视频画面。对面坐着的是一个扫描出来的人，被实时驱动着，坐在你面前。 Lex 在开场说了一句很实在的话：这是我见过最不可思议的东西。他说这话的时候声音有点抖，说自己的心跳在加速，说这几乎让他有点情绪化。 ## 隔了半个美国，近得能看清皱纹 这套东西叫 Codec Avatar（编解码器虚拟形象）。名字听着像压缩算法，事实上也确实是。 流程分两段。第一段是扫描：你走进一个布满相机阵列的棚里，做出大量不同的表情，笑起来、皱眉、抬眉、说话、闭嘴。系统把这些表情全部记录下来，为你的脸和身体建一个计算机模型，压成一个编码。 第二段是实时驱动。你戴上头显，头显上的相机盯着你的脸，捕捉此刻的表情，然后把这组参数编码发过去。对面那头收到参数，渲染出你现在的样子。 > 「它传输的是一份编码，说明你应该长什么样。所以除了照片级真实，它的带宽效率其实比传一整段视频高得多，更别说传一个完整的三维沉浸式场景了。」（马克·扎克伯格） 这句话里藏着一个反直觉的事实：**画面越真实，反而越省流量**。 视频传的是像素，几百万个像素逐帧刷新，一寸不落全部要发过去。Codec Avatar 传的是「表情参数」，本质上是「眉毛上抬 2 毫米、左嘴角上扬 3 度」这种极简指令，对面用本地算力把这张脸重新渲染出来。带宽从像素级掉到了参数级。 这也解释了它为什么能做到传统视频会议做不到的事。视频会议里，你看到的是一个被压缩算法糊过的、延迟半秒的、眼神不对焦的像素堆。而这里，你看到的是一个有立体感、有空间音频、能和你保持眼神接触的人。 ## 恐怖谷是被皱纹填平的 Lex 在对话里反复提到一个词：恐怖谷（uncanny valley）。那个「越像人越吓人」的区间。 他的判断是，这次跨过去了。 > 「完美不是带来沉浸感的东西。是那些微小的瑕疵，雀斑、颜色的细微变化、皱纹、不对称，还有眼角，你笑的时候眼睛会怎么动。」（Lex Fridman） 扎克伯格接过话头补了一个词：不对称（asymmetry）。 过去十年，做虚拟人的团队都在追求「更准」，把脸做得更对称、更光滑、更符合某种理想化的平均脸。结果是越做越假。 真实的活人脸从来不对称。一边眉毛比另一边高，笑起来只有一侧有酒窝，眼角的纹路左右深浅不同。人脑识别一张脸是不是真的，靠的恰恰是这些偏差。**把偏差抹掉，等于把「人」的信号抹掉了。** 扎克伯格说，眼睛占了很大比重。人在说话的时候，绝大部分信息不在字词里，而在表情里。你笑的时候眼角会不会挤出褶子，真笑和假笑的分界线就在这里，这套机制在人脑里跑了几十万年，骗不过去。 ## 一个意外收获：让虚拟形象比本人更会表达 对话里出现了一个岔路。 Lex 说，这期播客大概会被做成梗图，标题就叫「两个最面瘫的人在元宇宙里对谈」。他承认别人常说他面无表情、像机器人，但他并非没有情绪，只是表达幅度小，主要靠眼睛。 扎克伯格顺着这个话头讲了一件很少有人公开聊的事。 > 「我经常因为表情比较僵硬被批评。我可能心里挺高兴的，但只是笑得很小。所以对我来说，我可能希望我的虚拟形象比我本人更能表达出我的感受。」（马克·扎克伯格） 这句话的重量被低估了。 它的潜台词是：虚拟形象的第一版默认值会忠实还原你真实的表情幅度，但接下来一定会出现一个滑块，用来调节「你想让虚拟形象表达得多强烈」。有人会调到 100%，有人会调到 130%。 这就打开了另一扇门：当一个人的数字形象比他本人更外向、更爱笑、更有感染力，那个形象还是他吗？这个问题的答案，会在未来十年里被几亿人各自给出不同的版本。 ## 从坐几小时扫描，到举手机两分钟 现在这套东西没法普及，卡点很具体：扫描太慢。 Lex 专程飞去匹兹堡做了完整扫描，软硬件都极其复杂，但整个过程耗时很长。扎克伯格的说法是「如果你有几个小时可以坐着」。这种产能，注定只能服务少数人。 Meta 正在做的项目，目标是把整个流程压缩到两三分钟：你举着手机在脸前晃一晃，说几句话，做一串表情，结束。产出的质量和现在这个几小时的版本一样。 > 「这个难题还没解决。现在只要有时间坐着，我们就能给你做扫描。但用非常高效的方式生产这些扫描，是我们还需要真正攻下来的最后几块拼图之一。」（马克·扎克伯格） 这里的因果关系很值得看。Codec Avatar 卡住的地方既不在渲染，也不在算力，而在「数据采集的人口门槛」。限制一项技术变成产品的，常常是它最笨重的那部分能不能被砍掉；最惊艳的部分反倒容易。 扎克伯格强调「渐进式铺开」，也是同一个逻辑：先让更多人被扫描进系统，再把它接进各个 App，先用在会议、远程协作这类刚需场景，再慢慢渗透到别的地方。 ## 499 美元的头显，芯片比 1500 美元的还强 对话中途从元宇宙切到了硬件。Quest 3 是这期播客录制的背景。 扎克伯格给了一组数字：Quest Pro 去年上市，售价 1500 美元。Quest 3 售价 500 美元，薄了 40%，混合现实的相机和传感器分辨率提升了好几倍，某些方面体验甚至比 Pro 还好。 更值得看的是芯片。高通这一代面向 VR 和 MR 的芯片，Meta 参与了定制，但这款芯片今年才量产。Quest Pro 上市时用不上，Quest 3 用上了。 > 「所以说，Quest 3 虽然不是 Pro 产品线，但它里面的芯片比 Pro 那一代更强，价格只有三分之一。」（马克·扎克伯格） 这个错位有产品节奏上的必然。**谁先上市，谁就要用过时的芯片。** 一个品类在快速迭代期，晚一年发布的「低端款」经常打败早一年的「高端款」。手机行业早年也这样，现在不这样了，因为手机已经没什么可迭代的了。 扎克伯格专门点了这一层：手机每年发新机，你几乎看不出和上一代的区别。而头显每发一代，都带着一个全新的能力。这一代是混合现实。 ## 混合现实最先解决的问题：别把台灯打碎 Lex 描述了他体验 Quest 3 的场景：周围坐着朋友，房间里摆满家具。你能看见沙发，能看见朋友，能看见朋友看着你挥胳膊时憋笑的表情。 扎克伯格讲了一个更朴素的价值点。 > 「今天有很多 VR 体验并不需要完全沉浸。你在玩射击游戏或者做健身，有时候人会担心挥胳膊会不会打到台灯、会不会撞到什么。把这些放进混合现实里，人就会舒服很多。」（马克·扎克伯格） 行业宣传里，MR 的关键词都是「把数字内容叠加到现实」，听着很炫。但用户第一次戴上之后真正在意的，是**我能不能看见我家客厅**。 Lex 补了一个画面：僵尸从墙里冲出来，你躲到自家真沙发后面去。房间里没有窗户，你可以在墙上开一扇窗，窗外风景不错，僵尸正朝你跑过来。 这种体验的荒诞感里藏着一个转变：物理世界成了游戏的一部分，不再是游戏的敌人。 技术实现上并不轻松。头显外面有多颗相机，要从不同角度捕捉三维空间，然后把这些画面重映射到你的视角。这里有个细节：相机的位置不等于你眼睛的位置，每个人的瞳距、眼高都不同，所以需要实时做一次视角变换，还得做得看不出破绽。 手部追踪是另一个被低估的进展。扎克伯格自己说，手部识别推进的速度超出了他的预期。Lex 提到了那个弹钢琴的 demo：一张真实的桌子上，凭空出现琴键，手指落下去，声音就出来，没有手柄，没有延迟。同时系统还追踪着房间里其他人的位置。 ## 十年后，房间里的全息物体和实物一样多 扎克伯格做了一个思想实验。 > 「可能到这个十年结束的时候，我们走进一个房间，看到的全息物体数量会和物理物体一样多。」（马克·扎克伯格） 他接着列了一份清单，哪些东西适合变成全息： - 所有的屏幕。任何一块显示屏都可以是全息投影 - 所有的媒体。书、画、视频、艺术品 - 所有的游戏。桌游、卡牌、乒乓球 乒乓球的例子最能说明问题。想要一张球桌，打个响指它就出现在客厅；不想玩了，再打个响指它消失。物理世界里，你需要一个房间、一笔钱、一次搬运、一次组装，然后它会一直占着那块地。 全息版本的优势，除了免费，更在**可撤销**。物理世界的一切都带着沉没成本，你买了就得留着，摆了就得占地方。数字物体没有这个负担。 再把这两种能力叠起来：全息物体加上 Codec Avatar，会议就变成了这样一幅画面：你戴着眼镜走进会议室，几个同事物理在场，另外几个以照片级真实的形态坐在旁边，看起来就是他们本人，坐在那把椅子上。 ## 会议室里会坐着一个 AI 同事 顺着这个逻辑，扎克伯格往前推了一步，这一步是很多人没想过的。 > 「未来你开会的时候，可能你本人坐在那里，另外几个同事是全息形态，然后还有 Bob，一个 AI，他是你团队里的工程师，帮着处理一些事情，现在他也能以一个真实的虚拟形象被具身化，就这样加入会议。」（马克·扎克伯格） 把「AI 助手」和「虚拟形象」这两件事接在一起，性质就变了。 现在的 AI 助手，交互界面是一个输入框。你要打一段话，它回一段话，中间的往返有摩擦。当它有了脸、有了声音、有了空间位置，它就从工具变成了在场者。你的大脑会自动把它当成一个人来对待，会记得它坐在哪，会在说话时下意识看向它。 这个变化的效率收益不小，问题也不少。当 AI 有了人形，人对它的信任阈值会大幅下调，很多本来会保持警惕的判断，会因为一张脸而放松。 ## 哪个版本才是你 对话在这里拐进了一个很个人化的细节。 扎克伯格说，他那天早上戴上头显，发现虚拟形象里的头发比现实中的短一点，该理发了。他还说，他那天早上正好刮了胡子，但就算没刮，虚拟形象也依然是刮干净的样子。 > 「所以会开始出现这些微妙的问题：这个虚拟形象是真实的，它大体上是你在扫描那个时点的样子，但它不一定在时间上精确对应你此刻的样子。」（马克·扎克伯格） 这个细节看着小，往下想很麻烦。 Lex 把它推到了更狠的地方：很多人在扫描之前会减肥、弄头发、拿出最好看的状态。那么这个「数字的你」是一个被精心修饰过的版本，它会长期存在于别人的记忆里，甚至比真实的你更常被看到。 扎克伯格的反应挺坦诚，他说人的肉体本来也在变，体重会波动，所以「哪个版本的你」这个问题在物理世界里也存在。他补了一句观察：很多人心里认同的自己，可能是最好版本的那个，而日常状态和最好版本、最差版本都对不上。 这段讨论没有结论，但它可能比整场对话里任何一个技术参数都更值得琢磨。**当一个人拥有了一个可控的、恒定的、可修饰的数字形象，他与自己的关系会被重新校准。** ## 逝者的数字分身，和一条还没划完的线 Lex 提出了整场最沉重的一个问题。他说自己戴上头显之后，第一个念头是想和爱的人聊天。第二个念头是：那些已经不在的人呢。 父母、祖父母，如果他们已经去世，但还能以这个形态坐在你面前，和你说话。 扎克伯格的回答不算漂亮，但很实际。 > 「这中间大概有个平衡。如果一个人失去了亲人、正在哀悼，能互动或者重温某些记忆，可能是有帮助的。但它也可能走到一个不健康的地步。我不是这方面的专家，我们需要研究它、更细致地理解它。」（马克·扎克伯格） 他接着讲了 Meta 已经在做的事。每天都有用户去世，家属往往想要回账号，公司有一整套流程：一部分内容做成纪念状态，账号不会立刻消失；但另一部分内容坚决不给，比如私信。 这条线其实已经有先例：**公开的表达可以保留，私密的交流不能移交。** 麻烦的地方在于，Codec Avatar 会把这条线搅乱。一个能说会笑的数字分身，不只是一堆静态内容，它会生成新的对话、新的表情、新的回应。那些回应从来不属于逝者本人，但它们带着逝者的脸和声音。这已经超出了纪念的范畴，进入了续写的范畴。 ## 给创作者造一个赛博分身，比造新角色难十倍 Meta 最近放出了一批 AI 人格，可以在 WhatsApp、Messenger、Instagram 里对话。扎克伯格把它们分了类。 第一类是纯工具型，叫 Meta AI，没有脸，比较中性、事实导向，负责查东西、答问题。 第二类是商业型。你想联系一家小店，店里也不想专门雇人接电话，你也不想在电话里等着。有个能自然对话的对象，帮你处理退换货、订位、下单，两边都省事。 第三类是娱乐型。扎克伯格提到内部测试里最受欢迎的一个，是一个文字冒险类的「地下城主」（dungeon master）。他们还找了真人来扮演，Snoop Dogg 演地下城主。另外还有简·奥斯汀（Jane Austen）和马可·奥勒留（Marcus Aurelius）的版本。 > 「我们做了一个简·奥斯汀，一个马可·奥勒留，我很好奇会怎么样。」（马克·扎克伯格） 这里的技术分层，扎克伯格讲得很清楚。 做一个全新角色，比做一个真人分身容易得多。因为新角色不需要对某个具体的人负责，Snoop Dogg 在这件事里就是个演员，他演的是地下城主，不是他自己。 但要让一个 AI 真正代表一个活着的创作者，难度完全是另一个量级。你要保证它不说创作者不想说的话，要保证它知道创作者知道的事，要保证它在超出边界时能自己收住。 > 「你不是像写普通程序那样去编程它，你是在训练它。它们是 AI 模型，不是普通计算机程序。但你要把它训练得足够可预测，这样你才能给它设定一些边界。」（马克·扎克伯格） 这句话点出了大模型走向产品时最真实的困境。传统软件的行为是确定的，你可以审计每一行代码。模型的行为是概率的，你能做的只有「大概率不会越界」。所以创作者分身的发布时间被推到了明年，而那些原创角色、助手、小商家客服，今年就会放出来。 扎克伯格还提到一个平台，叫 AI Studio，目标是让任何人都能像发一条普通 UGC 内容一样，造一个自己的 AI。他的原话是，社区的创造力全开之前，这件事的潜力看不全。 ## Llama 2 开源：赢面大于风险 聊到开源，扎克伯格给了一个明确的复盘。 > 「上次我们做播客的时候，正在争论要不要开源 Llama 2。我很高兴我们做了。在我看来，开源一个像 Llama 2 这样的基础模型，价值显著大于风险。」（马克·扎克伯格） 他提到团队做了很严格的评估和红队测试。结果超出预期：下载量和使用量比他原本就乐观的估计还要高。 关于 Llama 3，他的说法很克制，没有发布时间。他的重心在于，Llama 2 本身不是消费品，它是基础设施。现在的优先事项是把它和它的分支做成几十亿人能用的产品。 > 「就像我们当初围绕 Llama 2 开源有过一场辩论，下一个版本我们也会需要类似的辩论和红队流程，确保它是安全的。我希望到时候也能开源。但这件事离做成还早，我们还在早期阶段。」（马克·扎克伯格） 这段话的信息量在于「同样的辩论会再来一次」。开源是一次次决策叠加出来的姿态，并非一次性动作，每个版本都要重新过一遍程序。这个程序本身，比任何一次具体结论都重要。 ## 匿名，是数字世界最大的漏洞 Lex 问了一个社会层面的问题：物理世界里违法的事，在元宇宙里怎么划线。 扎克伯格的回答从一个小场景切入。 > 「我和朋友进到某个世界里，我们干的第一件事就是互相开枪。这在物理世界里显然不会做，因为会伤到对方。但在游戏里就是好玩。哪怕在游戏大厅里，这和游戏本身都没关系，就是一种搞笑的举动。这有问题吗？我不觉得，因为你在那个世界里没有造成伤害。」（马克·扎克伯格） 他由此推出一个判断框架：先看伤害。物理世界里很多限制存在，是因为会造成实质伤害，数字世界里这些限制可以放开。数字世界也有物理世界没有的新伤害来源。 他挑了一个最要命的：匿名。 > 「你去餐厅吃饭，所有规范都建立在最后买单这件事上，因为你只有一个身份。你要是逃单，生活会惩罚你，这是一场重复博弈。但在数字世界里，你可以匿名，可以换着身份出现，做一个好公民的动机就会弱很多，这会引发大量有害行为。这件事必须解决。」（马克·扎克伯格） 这个类比很精准。现实社会的秩序，很大程度上不靠警察，靠的是「你还会再遇到这些人」。重复博弈让守规矩变成理性选择。匿名把这个前提抽走了。 元宇宙把这个问题放大了。在这里，身份不只是一个用户名，而是一张脸、一个声音、一整套身体语言。伪造一张脸的难度，会决定这个空间的秩序成本。 扎克伯格没有给出解法，只说了这件事必须被解决。 ## 物理世界很重要，但「真实世界」是两者之和 整场对话里，扎克伯格讲得最有哲学味的一段，是他对「真实」的重新定义。 > 「很多人把物理世界叫作真实世界。我越来越觉得，物理世界当然极其重要，但真实世界其实是物理世界和数字世界合在一起。在这项技术之前，这两者是分开的。你通过一块屏幕进入数字世界，屏幕可能是兜里的小屏，也可能是桌上更大的屏。但它们本质上是割裂的。」（马克·扎克伯格） 他给出的替代方案是：真实世界是两者的合并。物理不能丢，因为人是物理的存在。数字内容不该被锁在一块屏幕里。 他还补了一句关于身体的话，这句可能是他少见的袒露： > 「人和人不该是坐着不动的。你和我都喜欢运动、武术这类东西，我们一直在动。人是物理的存在，不是一颗脑子加一个罐子。人的经验是物理的。」（马克·扎克伯格） 这段放在整场对话的语境里很有意思。他在论证一个用头显才能进入的世界，理由却是「人应该动起来」。逻辑上说得通：现在的计算设备把人钉在椅子上，头显至少让人站着、挥胳膊、在房间里走动。 他也承认这套东西的当前形态很笨重。但他给了一个判断：这会是迄今为止最像人、最社交的计算平台。这个判断对不对，要看未来五年 Quest 能不能瘦到一副眼镜的样子。他自己给的时间线是五年左右。 ## 关于远程工作，他谈的是地理自由 对话里有一段关于远程办公的推论，被大多数报道略过了。 > 「现在的争论是远程工作还是大家待在一起。这个东西能把我们带到一种更接近的状态：人在物理上分散各地，但感觉像是在一起。梦想是有一天人们可以想住哪就住哪，同时还能获得所有机会，因为你能感觉自己和同事物理上在一起。」（马克·扎克伯格） 他给「在一起」下了一个具体的功能定义：建立文化、建立关系、建立信任。这三件事在纯文字的远程协作里损耗最大。视频会议补了一部分，但补不了眼神、微表情、身体距离这些东西。 如果 Codec Avatar 真能把这几项补回来，受影响的就不只是办公方式，还有房价、城市人口分布、家庭和工作的地理取舍。技术问题的下游，往往是一连串社会学问题。 Lex 在结尾处说了一段挺动人的话。他经历过互联网出现之前的年代，经历过语音通信、视频通信，一直以为这条路上有个天花板。这次体验让他觉得，天花板可能不存在，物理和数字的融合才是终点。 他还说，那些抱怨「互联网不是现实、你应该关掉手机去亲近自然」的人，可能会喜欢这个东西。因为它感觉是真的，连瑕疵都是真的。 ## 给读者的几件可操作的事 这场对话里的技术细节，对大多数人不构成当下去做什么的理由。但有几件事，现在就能做，而且做了会有回报。 - **做产品的人，去研究一下「带宽逆向优化」这个模式。** Codec Avatar 的核心洞察是：传参数比传像素省得多。任何需要实时传输的场景，先问一遍「我是不是在传原始数据，而实际上传指令就够了」。 - **做数字人、虚拟形象或任何拟人化界面的人，优先保留不对称和不完美。** 完美化处理是恐怖谷的成因之一。皱纹、色差、左右不对称，这些是大脑判定「真」的信号，不需要被修掉。 - **创作者现在就该想清楚，你的 AI 分身边界在哪里。** 扎克伯格明确说，训练一个能代表真人的 AI，比造一个新角色难得多，卡点是可预测性。在技术成熟之前，先想清楚哪些话它绝对不能替你说。 - **家里有长辈或亲人的，趁现在录一段高质量的视频。** 未来这类技术的第一批真实需求，会来自失去亲人的人。今天的普通视频素材，可能就是明天的建模原料。 - **关心开源模型走向的，把 Llama 系列当成一个「每版都要重新辩论一次」的过程来看。** 一次开源决策代表不了长期承诺，下一个版本依然会走一遍红队和评估。关注这个流程，比关注某一次结论更有价值。 - **做社区或平台的人，把匿名机制当成一级问题。** 扎克伯格自己承认，数字世界最大的漏洞是换身份的成本太低，导致重复博弈失效。任何社区治理方案，绕不开这一条。 访谈快结束时，Lex 说了一句很实在的话：我大概会一直用这个，用了就不想回去了。 扎克伯格回得更实在：我确实在这里，我们只是不在同一个物理位置。你也不是在和一个 AI 说话。 那间会议室里只有他一个人，那个漆黑的虚拟空间里只有两个人。但 Lex 说，他有好几段时间完全忘了对面的人不在同一个房间。 技术成熟的标志，往往是使用者已经忘了它的存在。