鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册

收购“Manus”也治不好大厂的焦虑症

编程导航
编程导航
2026-01-07 12:32
阅读 212
编程导航
2026-01-07 12:32
阅读 212

2025年的最后一天,Meta突然宣布收购Manus。

这家成立仅三年的AI Agent创业公司,总部设在新加坡,由几位中国创业者创立。它不做基座模型,只专注于Agent层——帮助用户自动执行复杂任务的通用自主智能体。2025年3月正式发布产品,8个月内便实现了1.25亿美元的年化收入。

有报道称,扎克伯格开价20亿美元,据说Manus创始人肖弘开价多少,他就给多少,几乎是”闪电成交”。

这一交易在创投圈引发阵阵涟漪,以至于元旦假期,多家VC 加班研究自家投资组合里是否也有可被大厂收购的AI Agent创业公司。

Meta为什么这么着急高溢价收购Manus,因为它太焦虑,太需要一个能用的Agent,一个能打的团队。

同理,国内的科技大厂未必就不想也收一个“Manus”,如果过去嫌太贵,那么现在有了Meta打样,价码自然可以往上抬。

AI Agent创业者、VC 能不激动吗?

但收购消息公布后,Meta股价连续两个交易日下跌,说明资本市场并不认为这桩交易能来Meta带来多少改变。

毕竟,过去太多类似的交易被证明仅仅是针“止痛药”,不能治病。

01

Meta又又“吃药”了

在扎克伯克眼里,花20 亿美元缓解焦虑并不贵。

2025年4月5日,Meta曾满怀信心地发布了第四代大模型Llama 4系列——最高参数量达到惊人的2万亿,模型发布后,一度冲上Chatbot Arena排行榜第二,仅次于Google的Gemini Pro 2.5。

然而,高光时刻仅仅维持了72小时。

当社区开发者真正开始上手测试,问题便如潮水般涌来。多个独立评测显示,Llama 4在实际任务中的表现与排行榜成绩严重不符;更有开发者质疑Meta是否针对特定基准测试进行了"特调优化"。一时间,"Llama 4翻车”的讨论甚嚣尘上,"开源领袖难保"的标题,频繁出现在科技媒体的头版。

这一跤摔得够狠。在Llama 4之后,Meta再也没能拿出一款真正服众的基座模型。反观竞争对手:Anthropic的Claude系列持续迭代,在代码与推理任务上口碑极佳;Google的Gemini凭借多模态能力和超长上下文处理一骑绝尘;OpenAI的GPT系列虽然更新节奏放缓,但在Agent能力上不断突破——Deep Research和Operator两款智能体产品的发布,让"AI代理"的想象空间被实实在在地落地了。

而Meta呢?扎克伯格吹了整整两年的"个人超级智能助手"愿景,至今仍停留在PPT阶段。问题的根源很清楚:Agent能力差了那关键的一口气。没有足够强大的底层模型做支撑,再宏伟的产品叙事也只是空中楼阁。

于是,扎克伯格开始了疯狂的"补课"行动。

2025年6月,扎克伯格祭出大手笔:143亿美元战略投资Scale AI,并把其28岁的创始人Alexandr Wang挖来担任首席AI官。半年后,这笔交易的后遗症开始发作,Wang与扎克伯格摩擦不断,核心高管陆续跑路,连图灵奖巨头杨立昆也宣布离职。花大钱买来的人用不好,原来的人也留不住。

就是在这样的背景下,Meta动了收购Manus的心思。

从商业模式来看,Meta的收入来源高度单一,绝大部分来自广告。而传统广告模式,在AI的冲击下正变得岌岌可危。一个直观的例子是:当用户开始习惯向AI Agent提问后,用户的注意力不再被"曝光-点击-转化"的漏斗所捕获,而是被Agent的推荐逻辑所主导。这意味着,谁掌握了Agent入口,谁就掌握了用户意图的最终解释权——而这正是广告模式的命门。

这就是Meta焦虑的真正根源:模型能力落后,产品叙事无法落地,而收入结构又没有给试错留出足够的缓冲空间。  

同样,虽然Manus实现了1.25亿美元的年化收入,但自身不研发底层大模型,其产品体验高度依赖调用Anthropic的Claude等第三方模型API,这带来了巨大的可变成本和供应链风险。

如果继续独立运营,一方面要面对OpenAI、Google等巨头自建Agent能力的竞争压力;另一方面,地缘博弈的不确定性,始终是悬在头顶的达摩克利斯之剑,作为一家创始团队和早期研发都在中国的公司,即便将总部迁至新加坡、清退中国业务和资本,但要获得美国市场的完全信任和接纳还是异常艰难。

但Manus一开始就采取了彻底决绝的“搬家”措施,就是奔着满足像Meta这样的美国科技巨头的并购审查要求而去的。

在Manus的产品刚刚在全球范围内引发热潮、年度经常性收入突破1亿美元、处于估值高点时,果断选择与Meta联姻,实现了商业价值的最大化,也证明了肖弘及其团队对时机有着精准的把握。

此时被收购,堪称一次“功成身退”。

对于肖弘和核心团队而言,不但实现了财富自由,也进入Meta体系,Manus的产品将有机会深度集成到Meta旗下如Facebook、Instagram、WhatsApp等每日有数十亿用户活跃的平台中。更重要的是,Meta主导的Llama开源大模型生态,为Manus提供了稳定、可控且低成本的底层技术支撑。

这种各取所需的设想,很美好,但未来真的会一帆风顺吗?

02

中美大厂的"同病异症"

在科技行业的博弈中,人们见过太多"大鱼吃小鱼"的戏码。

从雅虎豪掷十亿美金收购Broadcast,到微软以262亿美元吞下LinkedIn,每一笔巨额收购背后,都藏着某种难以言说的焦虑,——每一笔重磅交易的背后,都交织着对技术演进的预判、对生态话语权的争夺,以及对自身能力边界的重构—— 既是为了规避“技术代差” 带来的生存风险,更是为了在不确定的变革中,锁定未来十年的核心增长曲线。

但无法否认的是,并不是每一场收购,都能迎来圆满的结局。

但2025年末Meta收购Manus这一幕,着实让人有些唏嘘——当扎克伯格以超过20亿美元的价格,仅用十余天就敲定了这笔交易,但众人分明嗅到了一种久违的味道:恐慌。

这不是一场深思熟虑的战略布局,而更像是掩盖失利的止痛药。

如果把视野拉宽,你会发现"焦虑"并非Meta的专利。太平洋两岸的科技巨头们,几乎都在经历同样的困惑:AI时代来得太快,底层能力建设跟不上产品化需求,于是纷纷祭出"买人、买团队、买时间"的法宝。

但有意思的是,同样是焦虑,不同公司的症状表现却大相径庭。这种"同病异症"的对比,或许能帮我们看清他们是否找准了症结。

从腾讯、阿里、字节这三家巨头的表现来看,腾讯集中在一个字:守。月活13亿的微信是腾讯的命脉,但这个超级入口内置的混元助手使用率还未达到预期,元宝App的DAU也有待提升。所以,2025年12月,腾讯高价从OpenAI挖来27岁的姚顺雨担任首席AI科学家,同时整合分散的大模型研发力量,即以"花大钱买人才、用组织调整抢时间",集中力量谋求突破。

阿里面临的是两线作战:B端,阿里云份额被火山引擎觊觎;C端,AI应用存在感一度偏弱。2025年11月,阿里密集推出千问和灵光两款App,双双杀入App Store免费榜前六。但与腾讯、Meta不同的是,阿里没有大规模外部挖人,而是选择"内部封闭研发+投资初创"的组合拳,可控性更强。

字节表面上是这场混战中最从容的玩家:豆包DAU破亿,火山引擎拿下春晚独家AI云合作,日均处理50万亿token。2025年初,字节也挖来了谷歌DeepMind副总裁吴永辉,但它没有把全部赌注压在一个人身上,而是让吴永辉专注长期基础研究,应用层和模型层各有独立团队并行推进。

但如果深入一层,其实这三者中,与Meta最为相似的,莫过于字节,因为二者的命脉,其实都是流量和广告。

这一点上,字节和Meta几乎是同一物种。

然而,在三巨头中,字节恰恰是最清醒的那一个。它没有陷入"大模型竞赛"的执念,而是把主要精力放在模型能力的产品化变现上;它也没有追求全栈自研,而是老老实实地在分发渠道上积累优势。TikTok+抖音+豆包的组合,让字节在"AI能力如何触达用户"这个关键环节上,比任何竞争对手都更有先发优势。

反观Meta,问题恰恰是把顺序搞反了:先高调画饼,再发现模型能力跟不上;先花大钱买人,再发现整合不起来。这种"先画饼再补课"的打法,在技术迭代高度不确定的AI时代,几乎注定要碰壁。

03

收购,真能治愈焦虑症吗?

写到这里,一个更本质的问题浮出水面:对于大厂来说,收购真的能解决问题吗?

历史上最成功的AI收购案例,无疑是Google在2014年以约5亿美元收购DeepMind。这笔交易之所以成功,有几个关键因素:Google给予DeepMind高度自治权,让Demis Hassabis团队保持独立运作;Google提供了长期、稳定的资源投入,没有急于追求短期商业回报;双方在技术理念上存在共识,都相信"通用人工智能"的长期愿景。

十年后的今天,DeepMind已经成为全球最顶尖的AI研究机构之一。AlphaFold对蛋白质结构预测的突破,为Google赢得了难以估量的科学声誉和技术储备。

但更多的AI收购案例,结局并不美好。

微软2007年以63亿美元收购数字广告公司aQuantive,试图在AI驱动的精准营销领域对抗Google,五年后确认62亿美元资产减值,几乎血本无归。

苹果多年来悄悄收购了Emotient、Turi、Tuplejump等十余家AI初创公司,但这些团队并入苹果后几乎销声匿迹,Siri的智能化进展反而被ChatGPT们远远甩开。

Meta目前的困境,几乎是这一模式的教科书案例。

Alexandr Wang带着光环入场,却很快发现自己处处掣肘。扎克伯格是出了名的控制欲强的创始人——从产品细节到战略方向,甚至连椅子的位置,他都要亲自拍板。结果是:跟随Wang来的高管陆续跑路,原有的老臣也心生不满;整个超级智能实验室在成立半年内已经经历了四次架构调整,内耗严重。

这样的现状,不禁让人疑虑:将来Manus并入Meta后,前景真的会明朗吗?

或许,真正的解药不在于"买什么",而在于怎样让能力自己长出来。

不妨看看那些真正把收购"长"成自身能力的案例。

2019年,英伟达以69亿美元收购以色列高性能网络公司Mellanox,这是当时英伟达历史上最大的一笔收购。但黄仁勋没有急于"消化"这家公司,而是让Mellanox的团队保持相对独立,继续专注于他们最擅长的InfiniBand和高速互联技术。

几年后,当AI训练对GPU集群间的通信带宽提出爆炸性需求时,Mellanox的技术恰好成为英伟达数据中心业务的核心竞争力之一。黄仁勋的策略很清晰:收购是为了"填缝",把自己版图中缺失的关键能力补上,而不是为了控制一切。被收购的团队继续做他们最擅长的事,英伟达则负责把这些能力整合进更大的平台化战略中。

同为科技狂人,马斯克的做法则更加激进。2016年,特斯拉以28亿美元收购濒临困境的太阳能公司SolarCity(其表兄弟创办),外界一片哗然,认为这是马斯克在"自救"自家亲戚创办的企业。

但马斯克的真实意图是:将太阳能发电、储能电池和电动汽车整合成一个垂直一体化的能源闭环。收购完成后,SolarCity的品牌被逐步淡化,但它的技术能力被深度融入特斯拉的Powerwall和Solar Roof产品线。

2019年,特斯拉又以2.18亿美元收购电池技术公司Maxwell,获得了干电极技术这一关键专利,为后来的4680电池研发奠定了基础。

这两个案例的共同点在于:收购方有清晰的战略主线,知道自己缺什么、要什么;被收购方的核心能力得到尊重和发挥空间;整合的目标不是"控制",而是"共生"。

而现在Meta收购Manus,就像是一个焦虑的富豪,看到别人跑得快,就去买了一双昂贵的跑鞋。

但他忘了,自己腿部的肌肉(组织能力)已经萎缩了,鞋子再好,穿在无力的脚上,也跑不出世界纪录。而且因为鞋子太紧,可能还会磨破脚(文化冲突)。

Manus团队确实拥有顶尖的工程技术实力,但在Meta这块"板结"的土壤里,它能不能长成参天大树,真的要打一个巨大的问号。

毕竟,真正的能力,永远是长出来的,不是买回来的。(林书)。

原文链接: 收购“Manus”也治不好大厂的焦虑症
站长:程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
🔥 热门文章
1
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
480
2
Vibe Coding 实战:从零构建现代专业级 AI 搜索引擎
430
3
我的第一个出海产品!7 天 2 万
370
4
又一个国产版 Codex 神器,也来卷办公了!
370
5
day3-如何写出一个高质量的 Skill(组内分享) 高质量 Skill 不是“一个调得很顺的巨型 Prompt”,而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”,再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子,但方法是通用的。 --- 一、先想清楚:Skill 到底是什么 一个 Skill 至少包含四部分: 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做,每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办,而不是硬编一个看似合理的结果 高质量 Skill 的共同点:职责单一、接口清晰、规则可定位、输出可验证。 反例:把几十条经验全塞进一个主 Prompt,改一条规则要重调整个 Prompt,评估时也不知道是哪条规则退化。 --- 二、核心方法:先建评估,再写 Skill 不要先写转换器再补测试。正确顺序是: 1. 定义输出契约:什么算合法、什么算合格; 2. 建金标准集:一小批人工认可“可放行”的样本; 3. 先写评估 Skill:让它在金标准集上跑出基线; 4. 再迭代生成 Skill:每次修改跑同一套评估,无退化且目标维度提升才算正向。 这就是评估驱动开发:评估是 Skill 的单元测试,金标准集是回归锚点。 --- 三、评估 Skill:三层门禁,逐层递进 前一层不过,后一层不跑。每层留可追溯证据。 第 1 层:确定性硬门禁 用解析器、Schema、校验器完成,不消耗模型成本。 · 输出可解析; · 必填字段齐全,类型/枚举合法; · 引用目标存在,无悬空引用、无不可达节点; · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层:语义断言 用脚本 + 结构遍历检查“逻辑对不对”,仍然保持确定性。 通用检查项: · 覆盖率:源材料里的关键步骤、分支、条件,输出里是否都有对应? · 完整性:每个判断节点是否都有明确出口?有没有死胡同? · 可达性:每条路径是否都能到达预期终点?有没有无出口循环? · 顺序与依赖:有先后依赖的操作,是否保留了顺序?有没有被拍平成无序列表? 例子:故障诊断转换中,检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层:LLM-as-Judge 只处理解析器表达不了的维度:忠实度、完整性、可执行性。 但 Judge 会漂移,不能单独放行,必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化,换模型必须用金标准集重新校准。 通用 Judge 维度: 维度 问什么 忠实度 输出是否忠实源材料意图?有没有自行发明内容? 完整性 关键步骤、条件、证据是否保留?隐式知识有没有被压成空话? 收敛性 输出是否仍指向原目标,而不是发散? 可执行性 下游不依赖源材料能否直接使用? --- 四、金标准集:回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子,扩到 15~30 份,覆盖失败模式而非随机抽样: · 完整正例:典型流程; · 边界/异常分支:异常路径、循环、前置失败回退; · 已知易错模式:实际踩过的坑; · 留出集:不参与调优,只用于最终验收,防过拟合。 金标准不需要完美,只需要当前标准下认可可放行。 回归指标:关键路径用 pass^k(k 次全过),稳定性用 pass@k。 --- 五、工程约束:让批量产出可重放 · 幂等:同输入 + 同 Skill 版本 + 同规则 → 输出一致,否则无法判断变好是 Skill 改了还是随机波动; · 隔离不阻断:单份失败进隔离队列,记录失败层和原因,不阻塞其余; · 版本绑定:规则、rubric、金标准集进 Git;每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”; · 抽样人工复核:Judge 临界样本 + 易错模式,人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅,写清:输入约定、输出契约、分步流程、硬规则、降级策略; · 经验规则放 references/ 或 rules/,按失败模式分类,不要全塞进主 Prompt; · 不确定时标 needs_review: true,不要硬编看似合理的结果; · 迭代由评估报告驱动:报告告诉你哪层挂了、哪类失败模式,你改对应规则文件,而不是漫无目的调 Prompt。 --- 七、落地顺序(不要反过来) 1. 固化输出契约:Schema + 结构约束; 2. 建金标准集:从已认可的 + 最易出错的样本开始; 3. 先写评估 Skill:跑出基线报告; 4. 再迭代生成 Skill:每次修改对比逐项通过率,无退化且目标提升才算正向; 5. 批量运行 + 隔离回放:失败进队列,结束后人工抽检; 6. 评估 Skill 自身版本化:换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”:每次修改必须附评估报告对比,逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数:前两层挂了,Judge 分数没有意义。 3. 不许把规则堆进主 Prompt:规则按失败模式分文件,评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”,评估 Skill 决定“敢不敢用”。 先让评估体系站稳,再让生成器迭代。这样交付的不是一堆“看起来还行”的产出,而是一套可证明、可回归、可交接的 Skill 质量体系。
340
6
DeepSeek 重磅开源的超级 Agent,到底是个啥?
330
7
最近在落地 AI Native 项目,卡在团队资产协同这块,想请教下社区各位有实际落地经验的同学: 我们现在的资产分为三块:项目文档(PRD/ADR/ 运行手册)、Agent Skill(业务技能、执行 SOP、提示词包)、MCP 工具服务定义。 目标是做到:人和多 Agent 共用一套可信资料源,Skill、MCP 配置、项目文档能够版本化、同步、共享、可评审。 目前我们初步方案是用 Git 做底层版本主线: - 文档:Markdown + ADR,带元信息,支持 RAG 检索 - Skill:单技能包目录化,带版本、评估用例、依赖声明 - MCP:项目级声明文件纳入 Git 但实际协作里遇到不少疑问,想参考大家成熟的实践: 1. 大家团队里,文档、Skill、MCP 三者是怎么组织目录和版本管理的?有没有稳定的仓库结构模板? 2. 多人协作时,Skill 的变更评审、灰度升级、依赖管理怎么做?如何避免本地版本不一致、“本地能跑别人不行”? 3. MCP 是统一中心化网关模式,还是大家各自本地启动 + git 同步配置?权限白名单、调用审计这块有什么好方案? 4. 有没有成熟工具链做自动同步(类似 agentmeld /teamai-cli)、变更校验、eval 回归门禁? 5. 文档和 Agent 的打通:哪些文档放进 Git 作为可信真值,哪些放外部知识库,边界怎么划分? 如果有现成的仓库样例、目录规范、团队协作流程,非常希望能分享参考,感谢!
280
8
PHP 被曝两大致命漏洞,请所有程序员抓紧做这件事!
280
9
人工智能前沿部署工程师(FDE) · 概 览 与 方 法 论
270
10
QuireKit 编辑器的 AI-Native 是如何设计的?谈谈我对真正 AI-Native 的理解
250
11
告别“金鱼记忆”:我开发了一款能当“第二大脑”的浏览器 AI 助手
250
12
ARTS 1101: 最长回文串与子序列匹配、一次 URL 请求的来回之旅与如何验证 AI 的交付
230
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
朱雀AI检测助手朱雀AI检测助手