Ставка Meta в 2 миллиарда долларов на создание вашего ИИ-коллеги

Десять дней от первой серьезной беседы до подписания документов по сделке на сумму 2 миллиарда долларов звучит как опечатка. Для Meta и Manus это и была вся временная линия. Никаких затянувшихся ухаживаний, никаких годами тянувшихся регуляторных мыльных опер — просто сжатая сделка с высокой скорость, которая больше напоминала начальный раунд финансирования стартапа, чем одну из крупнейших ставок большой технологии за десятилетие.

Meta заплатила примерно 2 миллиарда долларов, сделав Manus своей третьей по величине сделкой после WhatsApp и инвестиции в Scale AI в 2025 году. Эта цена сразу же вытащила Manus из категории "перспективных стартапов" и поместила его прямо в сердце стратегии Meta, наряду с Instagram и WhatsApp, как основополагающие ставки, а не альтернативные эксперименты.

Скорость и размер сразу же вызвали шоковую волну в индустрии ИИ. Компания, которая только совсем недавно достигла около 100–125 миллионов долларов в годовом доходе и обработала более 147 триллионов токенов, только что убедила технологического гиганта действовать в экстренном темпе. Конкуренты восприняли это как сигнал: агентные системы больше не являются побочным квестом; они стали обязательным условием.

Инсайдеры отрасли, уже озабоченные «избыточными возможностями моделей», внезапно получили подтверждение своей теории на сумму 2 миллиарда долларов. Meta фактически сигнализировала, что проблема не в более умных моделях, а в инфраструктуре — слое исполнения, который позволяет ИИ-агентам писать код, запускать виртуальные машины и надежно управлять более чем 80 миллионами виртуальных компьютеров. Manus стал ответом Meta на эту недостающую составляющую.

По сравнению с знаковыми сделками, темп кажется почти абсурдным. Партнёрство Microsoft с OpenAI развивалось на протяжении многих лет; внутренние усилия Apple в области ИИ продвигаются осторожно, шаг за шагом; даже продажа Instagram Facebook в 2012 году заняла недели переговоров. Десятидневное, много миллиардное рукопожатие выделяется как новая веха для решительности в офисах крупных компаний.

Этот темп также подчеркивает срочность на границе. Meta пока не имеет ясной «модельной границы», как это утверждают OpenAI, Anthropic или Google DeepMind. Приобретая Manus, которая уже использует первоклассные внешние модели, Meta за одно действие приобрела время, таланты и слой выполнения — затем сжала весь процесс в один бурный спринт.

Универсальные AI-агенты звучат абстрактно, но идея проста: вместо чат-бота, который отвечает на вопросы, вы получаете программного работника, который может планировать, нажимать кнопки, печатать и управлять приложениями так, как это делает человек. Вы не просто говорите с ним; вы поручаете ему задачу, и он сам находит способ перейти от нечеткого запроса к готовому результату.

Manus разработала агентов, которые живут внутри полноценных виртуальных компьютеров, а не в ограниченных демонстрационных версиях. Каждый агент может открывать браузер, запускать приложения в стиле Office, управлять файлами и связывать десятки действий без необходимости, чтобы человек контролировал каждое нажатие.

Основные возможности выглядят слишком близко к тому, чем занимаются многие специалисты по знаниям весь день. Агент Manus может писать код производственного качества, модернизировать устаревшую кодовую базу, разрабатывать среду для разработчиков и запускать тесты. Затем тот же агент может переключиться на создание презентации в PowerPoint, извлекая графики из таблиц и скриншоты из макетов продуктов.

Этот переход от предсказания текста к реальной работе осуществляется благодаря тому, что Manus называет исполнительным слоем. Большие языковые модели предоставляют "мозги" — рассуждения, планирование, понимание естественного языка — но они не могут коснуться мыши или клавиатуры. Manus оборачивает эти модели в инфраструктуру, которая переводит высокоуровневые планы в конкретные действия пользовательского интерфейса на реальной машине.

Исполнение означает, что агент не просто говорит «вам следует сделать X»; он действительно выполняет X. Он может устанавливать программное обеспечение, входить в веб-панели управления, переносить данные между инструментами и восстанавливаться, когда изменяется макет веб-сайта или в скрипте возникает ошибка. Рамки вокруг модели управляют состоянием, памятью и исправлением ошибок.

Представьте, что вы спрашиваете агента Manus: «Проверьте наши расходы на рекламу за последние 12 месяцев и скажите, что нужноcut». Он мог бы войти в Meta Ads и Google Ads, экспортировать отчеты, нормализовать данные в таблице, провести базовый анализ атрибуции, а затем подготовить сводку и презентацию с рекомендациями по изменениям бюджета.

Или представьте себе команду разработки продукта, передающую Манусу отчет об ошибках и репозиторий GitHub. Агент мог бы воспроизвести проблему в виртуальной среде, отследить проблемный коммит, предложить исправление, открыть запрос на слияние с тестами и опубликовать обновление статуса в Slack — от начала до конца, без участия человека за клавиатурой.

От нуля до легенды Манусу понадобился всего год. Компания прошла путь от скрытого запуска до потрясающего годового дохода в $125 миллионов, к которому большинство основателей SaaS стремятся достичь за пять лет, а не за двенадцать месяцев. Выручка следовала за использованием, а использование было на высоком уровне.

Scale выглядела меньше как стартап и больше как интернет-протокол. Агенты Manus обработали более 147 триллионов токенов, объём, который ставит их наравне с ведущими платформами LLM. Эти агенты также запустили более 80 миллионов виртуальных компьютеров, каждый из которых был одноразовым рабочим пространством, где программное обеспечение, файлы и инструменты находились для манипуляций ИИ.

Этот трюк с виртуальным компьютером решил настоящую проблему. Предприятиям не нужен был умный чат-бот; им нужен был искусственный интеллект, который мог бы входить в панели управления, рефакторить кодовые базы, обновлять презентации и оформлять заявки, не нарушая соблюдение норм. Manus упаковал это в подписочный продукт, который компании могли развернуть без необходимости нанимать небольшую исследовательскую лабораторию.

Рынок спроса на агентный ИИ оказался далеко не таким гипотетическим, как утверждали скептики. Команды использовали Manus для автоматизации: - Исследовательских спринтов - Очистки данных и отчетности - Рутинных задач в инженерии и DevOps - Внутренних рабочих процессов в областях финансов, HR и поддержки

Каждый успешный рабочий процесс делал платформу более привлекательной, увеличивая использование — и годовой доход — вверх и вправо.

К моменту, когда Meta позвонила, Manus больше не казался рискованной ставкой; он выглядел как уровень исполнения по умолчанию для будущей работы с ИИ. Meta увидела компанию, которая уже подтвердила спрос на агентов в масштабах, протестировала инфраструктуру на триллионах токенов и сформировала пользовательскую базу, которая воспринимала ИИ-коллег как обычное явление. Для подробного анализа прямо из источника Manus тихо изложил свою траекторию в блоге: Manus присоединяется к Meta для новой эры инноваций.

Покупка Meta компании Manus основывается на увлекательной, но важной идее: проблема «перевеса возможностей модели». Это разрыв между тем, насколько умными уже являются большие языковые модели, и тем, насколько мала часть этого интеллекта, которая на самом деле проявляется в реальной работе. Модели могут без труда проходить тесты и писать элегантные фрагменты кода, но при этом все еще не способны надежно составлять отчет по продажам или реализовывать функциональность продукта от начала до конца.

Сырые модели интеллекта отвечают на вопросы; работа требует многоступенчатого выполнения. Выпустить функцию означает изучить спецификацию, внести изменения в код, запустить тесты, обновить документацию, подать заявки и сделать сообщения в Slack. Модель в стиле чата может помочь на каждом этапе, но она не управляет рабочим процессом, не отслеживает состояние и не восстанавливается, если что-то ломается на полпути.

Manus атакует эту нишу, действуя как иррациональная основа вокруг любой фронтирной модели, которую вы подключаете. Его агенты не просто реагируют; они планируют, организуют и контролируют задачи. Они могут запустить один из более чем 80 миллионов виртуальных компьютеров, которые запустил Manus, установить инструменты, писать и выполнять скрипты, и работать в цикле, пока не будет достигнута конкретная цель.

Эта структура больше похожа не на чат-бота, а на операционную систему для ИИ-работников. Агенты Manus: - Сохраняют долговременный контекст о проекте - Вызывают инструменты, такие как браузеры, среды разработки и PowerPoint - Обрабатывают ошибки, повторы и ветвление логики между сессиями

Поставщики моделей сосредоточены на токенах; Manus акцентирует внимание на средах. Компания уже обработала более 147 триллионов токенов, но ценность заключается в том, как эти токены перемещают файлы, API и графические интерфейсы, а не только в тексте. Она превращает "ответьте на этот вопрос" в "владеете этим процессом".

Ставка Meta в 2 миллиарда долларов говорит о том, что следующая гонка вооружений в области ИИ будет не только о более крупных ЯП, но и о том, кто контролирует уровень выполнения над ними. Manus в настоящее время работает на сторонних фронтирных моделях; Meta все еще отстает от OpenAI и других в этом отношении. Покупка Manus позволяет Meta конкурировать в области приложений, даже пока она пытается догнать по мощности сырых моделей.

Meta только что приобрела компанию, которая работает на моделях, которых у нее на самом деле нет. Manus построила свою платформу агентов с годовым доходом 125 миллионов долларов на фронтирных моделях от конкурентов, а не на собственном стеке Meta. Теперь Meta владеет уровнем агентов, но все равно отстает в гонке за поставку мозга, который это поддерживает.

OpenAI, Google и Anthropic представляют модели, которые широко считаются передовыми: GPT-4 и GPT-4o, Gemini 1.5 Pro и Claude 3.5 Opus. Эти системы уже работают в качестве помощников в Office, Workspace и корпоративных рабочих процессах, обеспечивая своим создателям замкнутый цикл между инновациями моделей и данными их реального использования. Meta, в свою очередь, предлагает Llama 3 как семью с открытым весом, которая высоко оценена за стоимость и открытость, а не за абсолютную передовую способность.

Шаг Meta эффективно разделяет её стратегию в области ИИ на два направления. С одной стороны, Manus становится попыткой овладеть слоем агентов: планированием, использованием инструментов и "виртуальной компьютерной" средой, которая превращает сырые модели в работоспособные системы. С другой стороны, Meta должна срочно преобразовать Llama из мощной открытой модели в нечто, что сможет правдоподобно заменить проприетарные технологии, на которые сегодня зависит Manus.

Эта двусторонняя стратегия вводит реальные риски выполнения. По сообщениям, агенты Manus создали более 80 миллионов виртуальных машин и обработали свыше 147 триллионов токенов, опираясь на ту модель, которая лучше всего подходила для выполнения задачи. Если Meta вынудит преждевременно перейти на Llama, прежде чем она сможет достичь производительности уровня GPT-4, то приобретение за 2 миллиарда долларов рискует стать ухудшением для существующих клиентов Manus.

Давление теперь сосредоточено на команде Llama так, как Meta раньше не сталкивалась. Manus нужно не просто приличная открытая модель; ему нужен первоклассный движок рассуждений, который сможет справляться с долгосрочным планированием, многошаговым использованием инструментов и сложными рабочими процессами, не приводя к ошибкам. Каждый пропущенный эталон по сравнению с GPT-4, Gemini или Claude теперь напрямую подрывает ценность новой платформы агентов Meta.

Конкуренты Meta пользуются более чистыми стеками. OpenAI контролирует как ChatGPT, так и его основные модели; Google объединяет Gemini с Поиском, документами и Android; Anthropic сосредоточен на Claude как на ассистенте, ориентированном на API. Вместо этого Meta делает ставку на то, что сочетание быстро развивающегося дорожного плана Llama с инфраструктурой агентов Manus позволит ей не просто догнать, но и обойти конкурентов.

Если эта ставка провалится, Manus останется блестящим интерфейсом, подключенным к мозгу кого-то другого. Если она сработает, Meta получит нечто более опасное: AI-коллегу, который живет на платформах Meta, полностью обеспечиваемый стеком Meta и больше не зависимый от чужих границ.

Чат-боты реагируют. Вы пишете, они отвечают. Агенты переворачивают этот сценарий: они ставят цели, разрабатывают планы, взаимодействуют с API, открывают приложения и продолжают работать даже после того, как вы закроете вкладку, больше похожие на младшего коллегу, чем на умный поисковый интерфейс.

Реактивные системы, такие как современные боты службы поддержки клиентов или помощники на сайтах, существуют в рамках одного окна общения. Они не запоминают ваш календарь, не работают с вашими файлами и не координируются между инструментами. Проактивные агенты располагаются поверх вашей электронной почты, документов, CRM и внутренних панелей управления, принимая решения о следующих действиях без ожидания вашей команды.

Представьте себе рабочий день, когда ИИ-агент просыпается раньше вас. Он проверяет электронную почту за ночь, сортирует письма, составляет ответы и резервирует время в вашем календаре для всего, что выглядит как настоящая работа. К моменту вашего входа в систему вы получаете короткий брифинг, а не переполненный почтовый ящик.

В течение дня тот же агент может: - Извлекать данные из Salesforce и внутренних баз данных - Создавать презентацию с диаграммами в PowerPoint - Оформлять тикеты, обновлять документы в Notion и писать сообщения коллегам в Slack

Теперь масштабируйте это на уровне компании. Исследовательские аналитики передают литературные обзоры и сбор данных агентам, которые одновременно читают сотни PDF-документов и панели управления. Менеджеры по продуктам позволяют агентам отслеживать пользовательские метрики, фиксировать ошибки и предлагать изменения в дорожной карте. Команды HR используют агентов для поиска кандидатов, планирования интервью и создания индивидуализированных планов введения в должность.

Знания работы начинают выглядеть не как статичные описания вакансий, а скорее как оркестровка. Люди задают цели, ограничения и вкусы; агенты ИИ выполняют рутинную работу, которая в настоящее время занимает 30–50% рабочего времени офисных сотрудников — отчеты о статусе, копирование и вставка между системами, ручное контроль качества, "Тетрис" с календарем.

Корпоративные структуры подстраиваются под это. Команды уменьшаются, но выполняют больше задач. Один менеджер может “контролировать” небольшую группу людей и множество специалистов, занимающихся проверкой соответствия, финансовым моделированием или исследованием пользователей. Оценка работы начинает измерять, насколько хорошо вы проектируете, контролируете и отлаживаете свой цифровой персонал.

Покупка Meta компании Manus за 2 миллиарда долларов является самым ясным сигналом о том, что это агентное будущее не относится к 2030 году. Manus уже управляет агентами, которые создают более 80 миллионов виртуальных компьютеров и обрабатывают 147 триллионов токенов, тихо выполняя настоящую работу для платящих клиентов. Для более глубокого анализа того, как Meta позиционирует эту ставку, смотрите статью Meta Acquires Manus for $2B to Boost Autonomous AI Agents.

Meta получает долю акций; Сяо Хун настаивает на том, чтобы Manus сохранила контроль над управлением. В своем сообщении после покупки она подчеркивает, что Manus сохраняет «операционную независимость» и что сделка «не меняет принципов работы Manus и процесса принятия решений». Это обещание имеет значение, потому что ценность Manus заключается в тесной обратной связи между ее агентной технологией и требовательными корпоративными клиентами, а не в включении в разветвленную бюрократию Meta.

Запуск Manus из Сингапура — это не просто сентиментальный выбор. Компания уже обслуживает глобальную клиентскую базу через свое приложение по подписке и веб-сайт, и эти пользователи ожидают непрерывности, а не принудительной миграции на аккаунты Meta или входа через Instagram. Сохранение тех же URL, процессов выставления счетов и каналов поддержки сигнализирует о том, что это остается продуктом, который можно купить, а не просто демонстрацией внутри Meta AI.

История продолжает предостерегать о том, что происходит, когда гиганты поглощают стартапы. Nest от Google, приобретения Facebook, связанные с Instagram, и множество более мелких сделок демонстрируют, как интеграция может замедлять скорость разработки продукта, отчуждать ранних пользователей и истощать ключевые таланты. Похоже, Meta пытается применить иную стратегию: финансировать Manus как внутренний стартап, избегая медленных цепочек зависимостей между командами, которые убивают экспериментирование в стиле агента.

«Более прочный и устойчивый фундамент» звучит как PR-казибаза, пока вы не развернете дорожную карту. Для Manus это, вероятно, означает гарантированный доступ к GPU в центрах обработки данных Meta, более глубокую интеграцию с первичными платформами, такими как Facebook, WhatsApp и Instagram, а также наличие финансовых ресурсов для реализации более амбициозных возможностей агентов, вместо оптимизации под краткосрочные поступления. Открытый вопрос: означает ли «устойчивый» более медленный прогресс?

Сильные основы также приходят с невидимыми ограждениями. Правила конфиденциальности Meta, политики обеспечения безопасности бренда и регуляторные риски будут определять, что агенты Manus могут автоматизировать, какие инструменты им доступны и насколько активно они могут развивать рискованные функции. Manus сохраняет свою сущность только в том случае, если Хонг сможет использовать инфраструктуру Meta, не унаследовав инстинкты Meta к централизованной, упорядоченной и стандартизированной системе.

Meta только что изменил текущую ситуацию в гонке ИИ. Вместо того чтобы соревноваться с OpenAI и Google по показательным рейтингам, компания потратила около 2 миллиардов долларов на Manus, компанию, которая утверждает: модели достаточно хороши, недостающее звено — это агент, который действительно может выполнять работу. Этот шаг атакует слабую сторону стратегий обоих соперников — запутанную и непривлекательную задачу превращения сырой модельной интеллекции в надежные, комплексные рабочие процессы.

Google и OpenAI по-прежнему продают видение, в котором граничная модель является платформой. GPT-4, Gemini и их преемники находятся в центре, окруженные плагинами, действиями и API. Meta фактически утверждает противоположное: настоящая платформа — это слой выполнения, который может организовывать любую модель, любой инструмент, любую среду, и Manus уже делает это на миллионах виртуальных машин.

Агенты Manus могут писать код, манипулировать PowerPoint, управлять полными рабочими столами и координировать сложные исследовательские задачи, используя ту модель, которая работает лучше всего. Это делает Manus опасно портативным: сегодня можно подключить OpenAI, завтра — модель будущего от Meta, возможно, затем Mistral. Если Meta сможет встроить это в Facebook, Instagram и WhatsApp, она будет контролировать агента, с которым пользователи взаимодействуют каждый день, даже если под капотом работает модель конкурента.

Google и OpenAI теперь сталкиваются с неудобным вопросом: стоит ли им сосредоточиться на превосходстве моделей или ускориться, чтобы соответствовать агентам в стиле Manus? Очевидные шаги для противодействия включают: - Приобретение стартапов-конкурентов, работающих над аналогичными «AI-коллегами» - Интеграция более агрессивных автономных агентов в Workspace и конкуренты Office - Жесткая привязка агентов к своим моделям, чтобы предотвратить абстракцию в стиле Meta

Стратегически это выглядит как финальная игра платформы. Если Meta владеет предпочтительным рабочим агентом, встроенным в социальные сети, мессенджеры и корпоративные рабочие процессы, она может обесценить базовые модели так же, как Android обесценил производителей телефонов. Google и OpenAI рискуют стать взаимозаменяемой инфраструктурой, в то время как Meta контролирует отношения, данные и распределение.

Meta делает ставку на то, что через несколько лет никто не будет спрашивать: «Какую модель это сделало?» Они будут спрашивать: «Какой агент выполняет мою задачу?» С Manus Meta хочет, чтобы этот ответ был их собственным, заставляя всех остальных играть по этим правилам.

Meta не потратила 2 миллиарда долларов только для того, чтобы прикрепить еще один чат-бот к Facebook. Она купила Manus, чтобы вооружить Llama. На протяжении нескольких лет Meta вложила миллиарды в модели с открытым кодом, выпустив Llama 2 и Llama 3 в мир, в то время как OpenAI и Google захватили большую часть доходов. Manus — это недостающий элемент, который может превратить эти свободно доступные веса в платформу для бизнеса, способную приносить прибыль.

Прямо сейчас Llama — это мощный интеллект в поисках тела. Manus уже рассматривает крупные языковые модели как взаимозаменяемые движки в своей агенто-ориентированной системе, интегрируя их в виртуальные машины, браузеры и инструменты SaaS. Подключите эту инфраструктуру к Llama, и Meta внезапно получает полный агентский фреймворк, который она действительно контролирует, от кремния до интерфейса.

Представьте себе рекламные объявления в Instagram, созданные агентом Manus на основе Лламы, который может: - Собирать информацию о вашем каталоге продукции - Генерировать тексты, изображения и видео-варианты - Запускать A/B тесты - Мониторить производительность и автоматически обновлять данные ежедневно

Этот рабочий процесс переходит от "пообщайтесь с Meta AI о идеях для рекламы" к "ваша кампания запущена, тратит средства и оптимизируется, пока вы спите". То же самое касается написания сценариев для Reels, аналитики создателей и автоматизированного взаимодействия с брендами, которые работают внутри собственных инструментов Meta.

На стороне предприятий Manus превращает Llama в полноценного многофункционального помощника для продуктивности Meta. Агент Llama может работать внутри Workplace, читать документы, создавать слайды, оформлять заявки и обновлять панели управления. Manus уже обеспечивал работу более 80 миллионов виртуальных компьютеров и обработал более 147 триллионов токенов; интегрированные с Llama, эти цифры становятся нативным использованием Meta, а не счетом за API от кого-то другого.

Монетизация наконец выходит на первый план. Вместо того чтобы просто открыто публиковать модели и надеяться на добрую волю экосистемы, Meta может продавать: - Управляемый сервис на базе Llama и Manus-агентов - Локальные агентские стеки для регулируемых отраслей - API с оплатой за использование, которые объединяют модель, инструменты и оркестрацию

Это преобразует Llama из исследовательского проекта в платформенное решение. Manus предоставляет уровень исполнения, Meta обеспечивает модели, данные и распределение среди миллиардов пользователей. Если Meta справится с этим, Llama перестанет быть «бесплатной альтернативой GPT» и станет основной операционной системой для автоматизированной работы.

Офисная работа получила нового сотрудника, который не спит, не забывает и уже знает, как использовать ваши инструменты. Meta потратила 2 миллиарда долларов на Manus не для создания более умного чат-бота; она приобрела движок для AI-коллег, который может открывать приложения, нажимать кнопки, писать код и выполнять задачи на виртуальных машинах в больших объемах.

Для отдельных работников знаний это превращает ИИ из «ко-пилота в текстовом окне» в «параллельного товарища», работающего в фоновом режиме. Manus уже развернул более 80 миллионов виртуальных компьютеров и обработал более 147 триллионов токенов, что намекает на то, что происходит, когда каждый аналитик, маркетолог и инженер получает всегда включенного цифрового оператора.

Сегодняшний ChatGPT или Meta AI в основном ждут команды; агенты в стиле Manus охотятся за задачами. Представьте себе ИИ, который: - Читает ваш почтовый ящик, составляет ответы и планирует встречи - Входит в внутренние панели управления, извлекает метрики и обновляет слайды - Оформляет заявки, пишет интеграционный код и проверяет развертывание

Это уже не научная фантастика; это буквально дорожная карта продукта Manus, теперь встроенная в инфраструктуру Meta. Для руководителя проекта это означает, что отчеты о статусе пишутся сами собой. Для продавца последующие действия, обновления CRM и презентационные материалы становятся фоновыми процессами. Для младшего инженера универсальный агент начинает выглядеть слишком похоже на прямого конкурента.

Подготовка перестаёт быть необязательной. Профессионалы, которые рассматривают агентов как объекты для переноса рутинных рабочих процессов, будут двигаться быстрее своих коллег, игнорирующих их. Устойчивыми навыками становятся: - Проектирование систем и процессное мышление - Четкие письменные спецификации и инструкции - Оценка в конкретной области, оценка рисков и ответственность

Переобучение сейчас означает изучение того, как управлять агентами, а не только как запрашивать модели. Если вы можете описать свою работу как последовательность кликов в браузере, API-вызовов и редактирования документов, предположите, что агент может это освоить. Ваше преимущество заключается в том, чтобы знать, какие задачи автоматизировать, как проверять результаты и когда сказать "нет".

Ставка Meta в 2 миллиарда долларов на Manus сокращает временные рамки. Интеграция ИИ в повседневную работу больше не находится на неопределенном горизонт 5–10 лет; компания, которая закрыла многомиллиардную сделку за десять дней, сигнализирует о срочности. Агентное рабочее пространство не появится когда-нибудь. Оно только что было приобретено.

Что такое Manus AI?

Manus AI создает универсальные искусственные интеллектуальные агенты, предназначенные для выполнения сложных задач, таких как программирование, анализ данных и использование программных приложений в реальных компьютерных средах.

Сколько Meta заплатила за приобретение Manus?

Meta приобрела Manus за 2 миллиарда долларов. Сделка отличалась своей скоростью, она была завершена всего за десять дней.

Почему Meta купила Manus?

Meta приобрела Manus, чтобы ускорить разработку автономных AI-агентов, решая проблему того, что, хотя модели ИИ мощные, им не хватает "каркасного" подхода для эффективного выполнения сложных задач в реальном мире.

Будет ли сервис Manus продолжать работу после приобретения?

Да, Manus продолжит осуществлять свою подписную службу из Сингапура. Компания заявила, что приобретение обеспечивает более прочную основу, не изменяя при этом способ работы или принятия решений.