当Meta试图通过收购，把一家中国背景的AI团队纳入核心体系时，这已经不是一笔单纯的并购，而是一种战略选择。
近日，据金融时报报道，Meta对人工智能平台Manus的收购交易正面临相关部门的合规审查。据知情人士透露，相关审查聚焦于Manus团队及其技术从中国转移至新加坡，其过程是否涉及敏感技术转移及是否符合国家安全要求。尽管审查仍处早期阶段，但若认定存在违规风险，相关部门或采取限制措施或要求调整交易条款。
当把时间拨回2025年末，彼时Meta宣布完成对AI初创公司Manus的收购,交易对价超过20亿美元(约合人民币140亿元)，成为Meta史上第三大并购案。在Meta持续加码Llama、不断扩张算力投入的背景下，这样一支以Agent工程见长的中国背景团队进入核心体系，引发了行业的猜测：这到底是一种怎样的能力？为什么不是通过内部孵化完成？
虽然审查让Manus的收购案充满了不确定性，但在如今硅谷如今对于华人AI人才与团队的青睐，隐隐显现出近几年硅谷AI商业化进程，正深陷于结构性困境中。
当Scaling Law不再回答所有问题，需求开始反向塑造能力
过去几年，硅谷AI的发展路径高度一致，几乎所有头部公司都围绕Scaling Law（尺度法则）展开竞争。模型参数越来越大，训练成本越来越高，算力消耗以指数级增长。这套逻辑在“模型能力快速提升”的阶段，几乎没有遇到真正的挑战。
然而，在大模型逐渐进入商业落地阶段后，行业发现：模型能力的提升，并不会自动转化为稳定、可交付的产品能力。在实验室环境中表现出色的模型，进入真实业务场景后，往往会暴露出稳定性不足、流程不可控、失败成本过高等一系列问题。
因此，近两年来，硅谷大厂的并购和人才流动，正在明显从“模型研究”转向“工程执行”。
这一点在行业中并不鲜见。OpenAI在推出Plugins、Function Calling以及后续的工具调用体系时，本质上也是在补齐模型到应用之间的断层。Anthropic在Claude体系中持续强化Tool Use，同样是出于对复杂任务可控性的考虑。
Meta自身也面临类似问题。Llama在开源社区的表现毋庸置疑，但当模型被嵌入真实产品时，如何处理长流程任务、如何避免中途失败、如何在不确定性中收敛结果，仍然高度依赖工程系统。
在很多外界人看来，Meta“似乎”并不缺模型。Llama系列已经在开源社区中反复证明了其性能和可扩展性；Meta也不缺算力，其长期资本投入和基础设施建设，决定了它在算力层面始终处于全球第一梯队。真正的短板在于：如何把这些能力组织成一个可以反复执行、持续交付结果的系统。
但事实真的是这样吗？
在所有结构性问题之上，Meta自身的AI战略失序，也是一个无法回避的现实背景。
豪掷20亿美元，Meta AI战略被迫转向
从公开时间线看，收购Manus并不是Meta在AI领域的首次重押。2025年6月，扎克伯格曾以约143亿美元的价格收购ScaleAI，并在此基础上组建所谓的“超级智能实验室”，试图以算力、数据与顶级人才的集中投入，快速拉平与OpenAI的差距。
但这一激进策略很快暴露出内部结构性问题。根据多方披露，AI部门内部围绕算力分配形成了事实上的派系分化：ScaleAI团队、原FAIR体系、以及后续引入的外部研究力量之间，长期处于资源竞争状态。算力优先级、项目话语权与研究方向选择，频繁引发内耗。
随着2025年末矛盾集中爆发，包括杨立昆（Yann LeCun）在内的多位核心研究人员相继离开或被边缘化，LLaMA论文作者中超过半数离职，FAIR实验室事实上被拆解重组。内部统计显示，2025年MetaAI相关团队员工保留率仅约64%，成为同期硅谷人才流失最严重的大型科技公司之一。
与此同时，战略层面的摇摆同样明显。Meta一方面放弃代号为“Behemoth”的前沿模型方向，另一方面又选择从头启动闭源模型项目“Avocado”，原本服务于通用人工智能的基础研究团队被解散，近一半资源被重新分配给目标尚不清晰的新实验室。
模型研究尚未形成决定性突破，组织成本却急剧上升。2025年Meta的资本开支达到约720亿美元，相当于其上一年度净利润的1.2倍，但AI业务的商业化路径仍未清晰。
因此，20亿美元收购Manus，很难被视为一次“顺周期”的能力补强。而是当基础模型路线短期内难以自证成功，Meta需要一个可以快速指向应用层、工程层和可交付结果的锚点。
也正是在这个层面，Manus找到了自己的位置。它并不是在与Meta争夺“更聪明的模型”，而是在解决一个更具体、也更难规模化的问题：如何让通用模型真正“干活”。
对于Meta而言，这一选择与其说是对某种技术路线的笃信，不如说是一种止损式转向——从难以被短期验证的基础研究，回撤到更容易被组织和市场评估的执行体系。
Agent 的分水岭，不在概念，而在工程化深度
从学术和概念层面看，AI智能体概念的提出，中国与硅谷在学术层面的的进入并没有明显的“时间差”，而关于多智能体协作、工具调用，还是长链路推理的系统性讨论，硅谷研究机构和学术界甚至还要略早于国内。
然而，中国企业与硅谷企业在AI智能体领域真正迎来分水岭，并不是现在概念阶段，而是在工程落地阶段。
在硅谷，智能体很长一段时间被视为一种“能力展示”：它可以完成多轮对话，可以调用不同工具，可以生成复杂的推理路径。这些能力在演示层面极具吸引力，但在真实业务中，往往面临一个共同的问题——不稳定。
而在中国团队的实践中，智能体从一开始就被当作一种工程系统来设计，其目标非常明确：在复杂、不确定的现实环境中，尽可能稳定地完成任务。
Manus在智能体工作流上的实践，体现的正是这种高度工程化的思路。复杂任务被拆解为多个可验证的子步骤，每一个步骤都被假设为可能失败，并提前设计了对应的处理机制。这种设计并非为了展示“更强的智能”，而是为了提高整体系统的成功率。
这种差异并不是技术路线的高下之分，而是环境塑造的结果。在AI应用日新月异的中国市场，AI产品往往更需要在极短时间内证明价值，否则就会被迅速淘汰。在这种“生存压力”下，开发者Agent不仅停留于前沿概念，更是需要充当解决现实问题的工具，以向行业客户与投资人展示价值。
中国AI创新的优势，正在模型之外显现
在英伟达最先进架构GPU受限的背景下，中国的AI团队很难沿着“无限堆算力”的路径前进。
这种逆境下的成长，反而在很大程度上塑造了中国AI团队的工程方法论：如何在推理阶段减少无效消耗，如何让模型使用更少的Tokens完成复杂任务，都成为开发者必须面对的问题。
这迫使团队在任务拆解、逻辑控制和结果验证上投入更多精力。复杂问题被拆分为多个小规模、低风险的子任务，每个子任务都有清晰的输入、输出和验证标准。这种设计方式，看似“保守”，却极大提高了系统的可控性。
在长期算力约束的环境中，中国AI企业反而在工程化路径上积累了独特优势。这种优势可以归结为三点：对复杂业务场景的理解能力、对工程确定性的高度重视，以及对资源约束的系统性适应。
这也解释了为什么Manus并非计划以“高级外包团队”身份进入Meta。传统意义上的外包，输出的是标准化、可替代的劳动；而Manus输出的，是一套可复用的Agent架构思路，以及围绕真实场景打磨出的工程经验。在底座模型逐渐商品化的趋势下，真正具备长期价值的，不再是单一模型能力，而是连接模型与真实世界的中间层系统。这一层，恰恰是中国AI企业最有机会建立优势的地方。
Meta选择“闪电收购”Manus，它更像是一次清晰的验证：在全球AI竞争中，中国AI企业完全可以绕开最昂贵的战场，在工程系统和应用层建立不可替代性。
当算力和模型逐渐成为基础设施，真正决定竞争力的，不是谁拥有最多资源，而是谁能把这些资源组织成稳定、可扩展、可落地的系统。中国在这场全球的AI发展中充分利用好自身的独到优势，或将成为在竞争中掌握主动的关键变量。