meta对人工智能平台Manus的收购计划正遭遇合规审查，这一消息引发了业界广泛关注。据金融时报报道，相关审查重点聚焦于Manus团队及其技术从中国转移至新加坡的过程，是否涉及敏感技术外流以及是否符合国家安全标准。尽管审查尚处于初期阶段，但若被认定存在违规风险，相关部门可能采取限制措施或要求调整交易条款。
回溯至2025年末，meta宣布以超过20亿美元的价格完成对Manus的收购，这一交易成为其历史上第三大并购案。彼时，meta正持续加码Llama模型研发，并不断扩大算力投入。在此背景下，一支以Agent工程见长的中国背景团队加入meta核心体系，引发了行业对meta战略意图的诸多猜测：为何选择外部收购而非内部孵化？
近年来，硅谷AI领域呈现出明显的战略转向趋势。过去几年，头部企业普遍围绕Scaling Law展开竞争，通过扩大模型参数、提升训练成本和算力消耗来追求模型能力的突破。然而，随着大模型进入商业落地阶段，行业逐渐意识到，模型能力的提升并不等同于产品能力的稳定交付。实验室环境中的优异表现，在真实业务场景中往往因稳定性不足、流程不可控等问题而大打折扣。
这一转变在硅谷大厂的并购和人才流动中体现得尤为明显。OpenAI通过推出Plugins、Function Calling等工具调用体系，Anthropic在Claude中强化Tool Use功能，均旨在补齐模型与应用之间的断层。meta自身也面临类似挑战：尽管Llama系列在开源社区表现亮眼，但当模型嵌入真实产品时，如何处理长流程任务、避免中途失败、确保结果收敛，仍高度依赖工程系统的支撑。
meta的AI战略并非一帆风顺。2025年6月，该公司曾以约143亿美元收购ScaleAI，并组建“超级智能实验室”，试图通过集中投入算力、数据和人才来缩小与OpenAI的差距。然而，这一激进策略很快暴露出内部结构性矛盾。AI部门内部围绕算力分配形成派系分化，ScaleAI团队、原FAIR体系及后续引入的外部力量长期处于资源竞争状态，导致算力优先级、项目话语权和研究方向频繁引发内耗。
2025年末，矛盾集中爆发，包括杨立昆在内的多位核心研究人员相继离职或被边缘化，LLaMA论文作者中超过半数选择离开，FAIR实验室被拆解重组。数据显示，meta AI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显著：meta放弃代号为“Behemoth”的前沿模型方向，转而启动闭源模型项目“Avocado”，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。
在模型研究尚未取得决定性突破的背景下，meta的组织成本却急剧上升。2025年，其资本开支达到约720亿美元，相当于上一年度净利润的1.2倍，但AI业务的商业化路径仍未清晰。在此情况下，20亿美元收购Manus，被视为meta从基础研究转向应用层和工程层的止损式转向。Manus的核心价值不在于与meta争夺“更聪明的模型”，而在于解决如何让通用模型真正“干活”这一更具挑战性的问题。
AI智能体领域的竞争，正从概念阶段迈向工程化深度。尽管硅谷在学术层面提出多智能体协作、工具调用等概念的时间略早于中国，但在工程落地阶段，双方逐渐显现出分野。硅谷企业长期将智能体视为一种能力展示工具，强调多轮对话、工具调用和复杂推理路径的演示效果，但在真实业务中往往因稳定性不足而受限。相比之下，中国团队从一开始就将智能体视为工程系统，目标是在复杂、不确定的环境中稳定完成任务。
Manus的实践体现了这种高度工程化的思路。其将复杂任务拆解为多个可验证的子步骤，并为每个步骤预设失败处理机制，以提高整体系统的成功率。这种设计并非追求“更强的智能”，而是确保系统在现实场景中的可靠性。这种差异源于环境塑造：在中国市场，AI产品需在极短时间内证明价值，否则将被迅速淘汰。这种“生存压力”迫使开发者将Agent从前沿概念转化为解决现实问题的工具。
在算力受限的背景下，中国AI团队在工程方法论上形成了独特优势。如何减少推理阶段的无效消耗、如何用更少的Tokens完成复杂任务，成为开发者必须面对的问题。这促使团队在任务拆解、逻辑控制和结果验证上投入更多精力，将复杂问题转化为多个小规模、低风险的子任务，每个子任务均具备清晰的输入、输出和验证标准。这种“保守”设计极大提高了系统的可控性。
meta收购Manus的决策，验证了全球AI竞争的新逻辑：当算力和模型成为基础设施，真正决定竞争力的不再是资源规模，而是如何将这些资源组织成稳定、可扩展、可落地的系统。中国AI企业通过绕开昂贵的算力竞赛，在工程系统和应用层构建不可替代性，或将成为掌握竞争主动权的关键变量。
