Meta（纪要）：暂不给 27 年 Capex 指引，近两年尽力扩大算力产能

以下为海豚君整理的 $Meta(META.US) FY26Q2 的财报电话会纪要

一、财报核心信息回顾

1. 业绩指引：预计 26Q3 总收入 610 亿-640 亿美元，指引假设汇率对总收入同比增速构成约 1 个百分点的逆风。

全年费用指引上调下限，以纳入 26Q2 确认的 24 亿美元法律诉讼相关计提，2026 全年总费用预计 1,650 亿-1,690 亿美元；

仍预计 2026 年营业利润高于 2025 年。

2026 年资本开支（含融资租赁本金支付）指引 1,300 亿-1,450 亿美元，较此前 1,250 亿-1,450 亿美元上调下限。在税收环境不变的前提下，2026 年剩余季度税率预计 15%-17%，高于此前 13%-16% 的指引。

2. 业绩回顾：26Q2 总收入 608 亿美元（+28% YoY，恒定汇率 +27%）。

Family of Apps 收入 604 亿美元（+28% YoY），其中广告收入 594 亿美元（+27% YoY，恒定汇率 +26%）；

广告展示量 +14% YoY，各区域展示量增长健康，由用户与互动增长及广告加载优化驱动；

单条广告均价 +12% YoY，由广告效果提升、宏观环境同比改善及汇率顺风驱动，部分被低变现效率版位与地区的展示量高增长所抵消。

Family of Apps 其他收入单季首次突破 10 亿美元（+73% YoY），主要由 WhatsApp 付费消息与订阅收入驱动。

Reality Labs 收入 4.31 亿美元（+16% YoY），AI 眼镜收入强劲增长，部分被 Quest 头显销售下滑抵消。

3. 利润与费用：26Q2 总费用 420 亿美元（+55% YoY），其中包含 24 亿美元法律诉讼相关计提，以及 2026 年 5 月裁员产生的 12 亿美元遣散费用；

同比增长主要来自员工薪酬、基础设施成本、法律相关成本与第三方 AI token 成本，员工薪酬增长（剔除遣散费用后）主要来自过去一年增聘的技术人才尤其是 AI 人才，基础设施成本增长来自折旧、数据中心运营成本与第三方云支出。GAAP 营业利润 188 亿美元（-8% YoY），营业利润率 31%；

剔除法律计提与遣散费用后，营业利润同比 +9%。当季税率 16%，净利润 158 亿美元，摊薄每股收益 6.18 美元。

4. 资本开支与融资：26Q2 资本开支（含融资租赁本金支付）311 亿美元，投向服务器、数据中心与网络基础设施；

自由现金流 7.84 亿美元。期末现金及有价证券 903 亿美元，债务 837 亿美元。资产负债表实力使公司能够从广泛市场吸引资本以补充经营现金流；

近年来资本结构中债务占比提升以降低资本成本，并倾向于为长周期投资（尤其 AI 基础设施）持续增加成本高效的长久期资金；同时拓宽融资形式，前一日宣布与 BlackRock 成立战略合资，在德州 El Paso 开发 1GW 数据中心。

5. 人员调整与法律风险：期末员工超过 7.5 万人，较 26Q1 下降 3%，该口径仍包含 2026 年 5 月裁员涉及的约 8,000 人，预计到 26Q3 末大部分受影响员工将不再计入人数统计。

公司持续关注可能对业务与财务结果产生重大影响的法律与监管事项，多个市场对青少年相关议题的审查仍在延续，今年在美国有多起青少年相关诉讼排期开庭，最终可能造成重大损失。

二、财报电话会详细内容

2.1 高管陈述核心信息

1. 用户与社区规模

a. 每日使用至少一个应用的用户达 36 亿人；本季达成多个里程碑：Instagram 日活跃用户达 20 亿，Threads 月活跃用户突破 5 亿、成为史上增长最快的对话类应用，Facebook 日活跃用户已在 20 亿以上维持一段时间。

b. WhatsApp 创下历史消息量纪录，世界杯决赛期间峰值达每秒 3,000 万条消息；WhatsApp 新任负责人加入，此前创办了印度最重要的支付公司之一。

c. 全应用矩阵的规模与触达构成向数十亿人交付新创新的强平台基础。

2. 核心业务的 AI 化：推荐系统与内容

a. 对将大语言模型（LLM）整合进推荐系统的进展高度乐观。LLM 带来对"内容讲什么、为何有吸引力"的第一性理解，以及对用户兴趣与使用目标的更深理解，因而能推送更相关、更具吸引力的内容。

b. 本季 Instagram 全球使用时长同比双位数增长，主要由 Feed 与 Reels 推荐改进驱动；Facebook 视频使用时长全球 +9% YoY，美国与加拿大 +10% 以上，主要由排序改进驱动。

c. LLM 在排序与推荐上的能力持续增强：一方面通过理解内容实质、生成更好的训练数据让既有系统变聪明；另一方面 LLM 驱动的 agent 参与工程开发，评估内容质量、识别趋势、测试排序变更。今年早些时候达成里程碑——Instagram 上每一条公开 Reels 与 Feed 帖子都已自动经 LLM 处理，并在从主题到语调的多个维度上被分析，Facebook 侧正在扩展更多版位；这些信号可下游供排序、推荐与内容政策执行使用，是走向更强个性化的关键基础模块。本季开始用 Muse 系列模型承担视频主题分类、摘要等内容理解任务，早期结果积极。

d. Reels 推出史上单次幅度最大的排序改进，结合更快推理与可调用更长用户历史的新架构提升预测，带动 Instagram session 数提升 15bp，其中转发与使用时长表现尤为突出——两者都是内容与用户匹配改善的强指标；该能力正在向 Feed 迁移，早期结果相当。

e. 内容新鲜度显著提升：实时基础设施投入与新视频建模改进，使最大的排序模型能在内容创建时即识别高质量新 Reels；Instagram Feed 上超过一半的推荐内容为一天以内的新内容，为一年前的两倍以上。

f. 强化用户对推荐的直接控制：Instagram 用户可在 Youralgo 页面用自然语言 prompt 调整推荐；Facebook 上线 Shape Your Feed，早期数据显示使用过该功能的用户留存率超过 80%。

g. 下一代推荐系统按计划推进，包括构建可同时驱动自然内容与广告推荐的 foundation model，以及开发 LLM 原生的推荐系统。本半年达成首个研究里程碑——用推荐数据对大规模模型做持续预训练，并观察到健康的 scaling law，预计下半年继续取得进展。

h. Muse Image 与 Muse Video 模型将大幅扩展平台上可被发现的内容宇宙。此前内容有两大来源——关注的好友与创作者、以及未关注的创作者；此后将新增一个近乎无限的个性化内容宇宙，让服务对用户更有用、更具吸引力。

3. 广告变现效率与营销工具

a. 变现效率的第一部分是优化自然互动中的广告负载，持续优化在最优时点与位置展示广告。26Q2 扩大新版位广告可用性，完成 Threads 的全球广告铺开；WhatsApp 上新增更多广告落地类型与广告主效果目标，全球推广按计划推进。

b. 变现效率的第二部分是提升商家投放效果。本季推出 Meta generative recommender，是广告系统工作方式的范式转变：不再逐条给每个可能的广告打分，而是用 LLM 联合推理广告内容与用户偏好，直接预测对每个人最合适的广告，使广告匹配更智能、更精准，并对广告主效果形成复利式提升。首个生成式模型已部署进广告召回系统，广告效果有明显改善。

c. 用 LLM 更好理解用户偏好的早期试点，带动 Instagram 应用内事件转化 +1%；26Q2 还推进用户理解模型，同时分析广告与自然内容行为，同步改善用户体验与广告主效果。上述进展与用于广告排序的 GEM 模型、序列学习结合，在 Facebook 上带来广告点击 +8.3%、转化 +15.7%。

d. AI 驱动的 Advantage+ 端到端解决方案持续增长，本季年化收入运行率超过 750 亿美元；由于使用多个工具的广告主可获得复利式效果增益，正在推动更深的采用。案例上，一家印度线上服饰品牌此前需在 Facebook 与 Instagram 上手动搭建每个广告计划，采用 Advantage+ 销量广告并叠加受众版位与预算优化后，购买量增量提升 13%、加购转化 +16%。

e. 生成式 AI 广告创意工具采用持续扩大，超过 900 万家中小企业至少使用一项 AI 创意工具；图片生成（现支持从已有素材乃至视频素材批量生成创意）本季采用率翻倍以上。新推出端到端创意方案，为广告主提供把真实效果信号转化为下一步创意决策的 AI 基础设施，同时保留品牌调性；产品自 Day 1 即集成代理商工作流，团队无需离开既有流程即可诊断、生成并放量高效创意。随着 Muse Image 铺开，预计广告主规模化生成高质量、符合品牌的创意的能力将进一步扩展。

4. 新产品与新收入线：个人 agent、商业 agent、订阅与 API

a. 三大机会层次：第一，AI 投入正在加速核心业务的各个主要环节——改善用户体验、提升广告主效果、帮助团队更快构建与发布；第二，正在开发的个人 agent 将成为下一波产品与收入线的基础；第三，面向企业存在很大机会，包括 API、商业 agent、可能的算力直销及其他面向大客户的服务。

b. 个人 agent：即将推出可 24/7 代表用户工作、帮助达成目标的 agent，覆盖健康、人际关系、财务等领域。agent 首个真正跑通的领域是编码，但工程师技术性更强、更愿意花时间调通；面向数十亿人的个人 agent 必须是开箱即用、足够简单的消费产品。

c. 消息应用与隐私：在多 agent 交互的未来，WhatsApp 与其他消息服务的重要性将持续上升；WhatsApp 已是用户使用 Meta AI 的第一大入口。本季在 WhatsApp 与 Meta AI 应用上线 Incognito 模式，用户与助手的私密对话连 Meta 也无法查看；强隐私与安全将成为所构建 agent 的基础组成部分。

d. 商业 agent：本季在 WhatsApp 与 Messenger 全球开放 Meta 商业 agent，已有超过 100 万家企业每周用其与客户沟通或完成销售，正在 Instagram 上铺开。本月推出 Meta Business Agent 平台，为企业提供在 WhatsApp 上大规模构建、定制与部署商业 agent 的基础设施，内置企业级管控、护栏与度量能力，企业可自定义规则并在客户已使用的消息应用内提供个性化体验。案例上，巴西最大租车公司之一 Movita（近 400 个网点）在 WhatsApp 上部署商业 agent，在单次对话中完成从选车、报价到支付的全流程，老客户最少三条消息即可完成预订；一个月周期内其 WhatsApp 渠道日预订量同比 +44%，且该渠道 85% 的会话完全由 AI agent 解决、无需人工介入。

e. agent 每天与客户对话会持续学习，可把洞察反哺商家；正在构建汇总会话、消化隔夜进展、呈现客户诉求的能力，后续还将进一步给出增长建议、竞争情报与实时的效果反馈。长期希望做成"business in a box"服务，让商家能在 Meta 平台上开办并运营一整个生意。变现将是订阅与按量定价的组合，并预计更多产品会向广告系统的模式演进——只有在为商家实现结果时才收费，长期看这能让公司在自身算力上运行一套高效拍卖，与今天对广告主的做法类似。

f. 订阅：上线 Meta One，在全应用矩阵提供更多工具与 AI 功能；随需求增长将提供多档位与多种定价方案。Meta One 是订阅产品组合的一次演进，面向普通用户、企业与创作者创造更多价值。

g. 模型对外与 API：近期以有竞争力的价格推出高智能水平模型 API，初步结果令人鼓舞；已向美国开发者开放 Muse Spark，拓宽分发、降低采用门槛；后续将扩展到更多分发渠道与更多国家，并向企业客户开放。同时在构建便于企业采用 Muse Spark 的功能，这是会持续投入的方向。

5. 模型与 Meta Superintelligence Labs

a. Meta Superintelligence Labs 成立一年多，发展轨迹良好。近一个月发布 Muse Spark 1.1 与 Muse Image。

b. Meta AI 重建并接入 Muse Spark 后，每日与助手互动的人数增长 60%，并在周环比维度持续快速增长。

c. Muse Spark 1.1 是一款效率很高的编码（coding）模型，在 computer use、tool use 与多模态理解上表现突出；已通过新的公开 API 提供，未来数周将通过合作渠道与更多编码 agent 加速分发。之所以聚焦于把 Muse Spark 的能力做强，是因为看到发布若干与自身使命和业务契合的 agent 存在很大机会。

d. AI 也在加速内部产品开发。今年早些时候上线 Instagram Instance，近期又推出 Forum（独立群组应用）与 Seller（独立市场应用）；预计发布新应用会变得容易得多，因此计划做出更多想法，并借推荐系统把它们分发给会感兴趣的用户——与 Threads 的路径一致。

6. 硬件与眼镜

a. 越接近个人超级智能，越需要能与之无缝交互的硬件。眼镜是理想形态：可全天佩戴，且能在不把人从当下情境中拉走的前提下提供协助。

b. 眼镜仍是史上增长最快的消费电子产品之一，产品线持续扩充。与 EssilorLuxottica 合作推出自有产品线，包含与 Kylie Jenner 联名设计的款式，是首批出厂即搭载 Muse Spark 的眼镜，能理解用户所见并给出更有帮助的回答。早期销售强劲、超出预期，9 月 23 日的 Connect 大会将披露更多眼镜产品线信息。

7. 算力、基础设施与战略取向

a. 随着 AI 在产品与业务中的使用持续放量，将继续大力投资基础设施以满足需求。产能规划受几个关键因素影响：其一，基础设施建设的外部环境在近期与长期都高度动态且不确定，行业历史上对这一波 AI 采用是建设不足的，这使包括自有产能在内的现有产能极为宝贵；长期看，供应链需要进一步建设，以支撑自身与他人对 AI 体验所需的产能。

b. 其二，对填满并在既有体验之上叠加使用产能有高度信心，同时会继续投资将创造大量新机会的基础模型。因此当前计划以最大化 2026 与 2027 年产能为目标——历史上每当获得增量产能，在体验规模化上都被证明极有价值，相信这一次同样成立。

c. 更长期看，使用量的确切放量曲线难以预测，但分发优势将带来为所有人（36 亿用户与数百万商家）提供有价值 AI 产品的机会；这一点无论模型是否处在前沿都成立，但处在前沿会解锁新的市场与机会，也可能因此需要额外算力。因此长期产能策略着眼于保留 2028 年及以后继续扩张算力的弹性——先铺设数据中心与网络地基以适配未来的服务器决策；这类长寿命资产本身即提供弹性，使投资节奏可以随 AI 采用速度调整。

d. 同时在自研芯片等方向做战略投入，以获得长期战略弹性与供应链议价能力，有助于改善长期投资回报。

e. 判断行业整体算力在可预见的未来仍将紧张。所构建的模型、消费体验与企业级产品被认为是自身基础设施最优、ROI 最高的用途；企业级产品可能有多种形态——工具、API，或在市场需求极旺时直接变现算力。对这些机会保持灵活，有助于更高效地为建设提供资金，同时保留在需要时手握算力的战略弹性，并提供多条投入资本回报路径。目前收到的对外算力报价明显高于自身取得算力的成本。

8. 战略与价值观定位

a. 公司一贯以"把力量交到用户手中"为技术出发点，长期聚焦让产品对所有人可负担、可获取，这一策略同时服务了社区与商业。进入 AI 这一新阶段，同一理念指导着 AI 的开发路径。

b. 是唯一一家以"把超级智能直接交到人们手中"为首要目标构建 AI 的大型公司：不集中化超级智能，而是广泛分发、让每个人有能力把它导向自身最重要的事，这也是社会长期取得进步的方式。

2.2 Q&A 问答

Q：在消费级产品、商业 agent、API 工具、算力租赁等一系列新机会中，哪些有望在 2026-2027 年率先规模化，向投资者展示可量化的实质 ROIC？

A：从算力分配看，相当大一部分投向模型训练，以保持领先实验室的位置，这是重要投资。其余投向一组不同的产品与收入机会：优化并改善核心业务、即将发布的新消费产品、API、商业 agent、路线图上的开发者工具，以及直接对外销售算力——目前收到的算力报价明显高于自身取得算力的成本。

在思考这件事时的判断是：卖智能（intelligence）的毛利率会持续显著高于直接卖算力，但直接卖算力显然也是很大的机会。至于哪一块规模化幅度最大，实际上对所有这些方向都相当乐观，预计都会有实质增长，其中若干方向近期会披露更多信息。

Q：市场上有关于 2027 年产能翻倍的公开讨论，能否给出 2027 年资本开支的早期看法，或者说明上下行驱动因素、以及这轮多年建设的融资思路？

A：目前不提供 2027 年资本开支的具体展望。基础设施规划仍高度动态，即便是今年的展望，内部也嵌入了一个较宽的结果区间。

当前基础设施规划以最大化 2026 与 2027 年产能为目标，同时保留 2028 年及以后继续增长的弹性，并保留在真正能够评估 2028 年及以后实际需求时再做服务器决策的能力。未来几年的产能需求仍在测算中。总体判断是近期产能比远期产能更有价值，规划过程本身仍非常动态。

Q：企业级机会中，有多少是基于既有广告与营销业务的 go-to-market 能力今天就能承接的，有多少需要新建销售通路？

A：企业级会是两部分的组合。一部分是现有业务的延伸——本质上是卖给营销方和面向消费者、试图直接触达并销售给客户的企业，这在 Facebook 与 Instagram 上构成业务的绝大部分。

相信有机会用消息应用与其他服务上的商业 agent 延伸这块业务，继续与客户互动；与广告系统同理，为商家交付结果时才收费。因此把它视为与数百万广告主、数亿使用平台的中小企业既有销售与合作关系的延伸，这一块是相当自然的机会。执行上不追求短期把销售最大化，而是最大化用户与商家得到的结果、把稳健的拍卖机制建起来——历史上这才是长期对业务有利的做法。

另一部分是会日益服务的其他企业客户。之所以在做编码与内部生产力工具，一部分原因是自身就需要、且需要为自身工作流调优的工具；现在这些工具已经具备，无论对中小企业还是大企业，都存在很大的服务机会。这是与历史上不同的一块"肌肉"，后续会分享更多建设计划。

整体上，外界关于算力侧的新闻很多，但企业级机会是所有这些的加总——不只是卖算力，还包括 API 服务、生产力服务，以及营销之外其他业务环节的商业 agent，都属于整体供给的一部分。这是一个非常大的机会，也是公司需要新建但很重要的能力。

Q：未来几年的资金来源如何考虑，债务与股权的组合怎么看，以及如何在维持激进投入与资本需求之间取得平衡？

A：资金来源是财务规划中一直在审慎思考的问题。强劲的经营现金流本身已使公司在为基础设施建设提供资金上处于有利位置。同时，近年来一直在演进资本结构，提高债务占比以降低资本成本。

对于本身具有长周期特征的投资——尤其是 AI 基础设施项目——继续增加成本高效的长久期资金，通常是审慎的做法。此外也在拓宽融资视野，纳入前一日宣布的与 BlackRock 的合作这类形式，并会随未来项目评估继续审慎选择合适的资金来源。

Q：消费者对 AI 的实际使用仍停留在"更高级的搜索工具"，消费级采用能否弥合这一 AI 效用鸿沟——是即将突破，还是需要更多耐心？

A：有些部分已经突破。AI 相较其他技术有一个有意思的特点：大约每年（周期还可能加快）就会出现新的能力，从而催生新的可能产品线。既有面向消费者的 AI 助手市场，Meta AI 在做这件事，竞争对手在这一领域也有产品。

过去一年，编码 agent 市场增长非常快，这是第一个真正的 agentic 市场。编码率先跑通有几个原因：客户本身是技术人群，愿意花时间把工具调通；编码天然是数字化、闭环的活动，从某种意义上是相对更容易训练的系统。而这里下的一个赌注是：面向消费者的个人 agent 最终会成为一个极其重要、体量巨大的市场。

往后看五年，几乎不可能出现"没有数十亿人拥有个人 agent"的情形——这个 agent 理解你的目标，24/7 代你行动，无论是健康、爱好、个人财务、把家庭运转得更好、改善人际关系，还是职业发展，这是一组非常深的用例。

但为消费者做产品与为开发者做产品不同。如果目标不是数百万人在用、而是数十亿人在用，产品必须"就是能用"、必须足够简单。今天所见的很多 agent、尤其是各类 proto agent，都需要大量折腾，甚至要进终端才能配好；某个用例跑通时看起来很神奇，但用久了可能就崩了。能交付"开箱即用"的个人 agent 的公司，将抓住 AI 的下一个重大机会。这与 Meta AI、商业 agent 以及持续推进新能力、催生新产品线的模型研发并行推进。

产品会在不久之后发布，但目前尚未发布，因此在电话会上能说的有限。这是一个很大的机会，也几乎必然会有人做成。它相当契合公司的强项：做面向数十亿人的消费产品，把跑通的产品快速规模化，以及构建支撑这类高强度应用的基础设施。因此对这件事感觉很好，关键是要为社区把它交付出来。

Q：LLM 在排序与推荐上的路线图还有多长，"用更好的模型加更多算力"这条路目前走到了哪一步？

A：推荐系统在今年余下时间到 2027 年仍有明确的提升空间，并预计会继续带动 Facebook 与 Instagram 的互动增长。有几点值得强调。

第一，推荐会更加个性化、更贴合用户兴趣，途径之一是推进推荐模型与架构，更精确地捕捉用户兴趣、更快响应用户在特定时刻所关心的内容。AI 投入在实现这一愿景中作用显著，包括扩展基于 LLM 的内容理解，更深入地理解用户看重的帖子与创作者，并用 AI 把高质量、新鲜、正在流行的内容推到前面，同时降低低质内容的占比。

第二，持续改进数据基础设施，让模型能在更多数据上训练、并更有效地利用这些数据。具体包括：更细致地描述用户过去互动过的内容，用更细粒度的内容丰富历史交互序列，使模型能更精确地学到哪些互动对用户更有价值；同时在 Facebook 与 Instagram 上同步扩大训练所用的用户交互序列长度与模型架构复杂度，以匹配更大的数据集。

第三，在用 LLM 做内容理解上已取得显著进展，接下来会进一步把它嵌入推荐与内容政策执行两套体系，因为 LLM 在深度理解内容上更有能力，整体对这块工作非常乐观。此外还在用基于 LLM 的 agentic 方法改造推荐系统，本半年来自排序 agent 的发布数量有所增加，这也提升了工程师的产出效率，是另一条令人期待的路径。

Q：一方面收到大量对外变现算力的报价，另一方面又在从多个第三方采购产能，两者如何统一——是时点与过渡性安排的问题，还是训练与推理、以及不同芯片适配不同任务的问题？

A：高层次的观察是：相对全部需求，算力远远不够。因此一方面会收到大量针对现有算力的报价，另一方面内部也有很多价值很高的用途。

在经营层面，一个常见的权衡是：今天变现多少，还是为未来培育资产。这始终是一个组合问题——不能只做长期的事、不去验证近期就已存在的市场；但把全部算力卖掉、赚取短期利润同样是不明智的，因为当有机会在算力之上构建智能时，那会是一个乘数，进一步放大算力的价值。

所以答案就是当前的做法：用大量资本建设算力，确信在合适的时候有能力直接变现算力，同时也清楚在算力之上有相当多变现智能的用例——包括前面讨论的企业级场景、部分消费级场景，以及核心业务本身；后者甚至不必是尚未公开的新产品，仅是用算力继续增强核心服务的排序、推荐与广告。

这也带来一个时间差的动态：现在投入建设的数据中心要到未来某个时点才上线，上线之前显然拿不到价值。但需求非常大，因此要尽可能把这些不同的业务都做起来。

Q：AI 实验室核心团队组建已一年，实验室表现如何，市场何时能看到模型、芯片等方面产品节奏的提速，实验室在构建什么可持续的竞争优势？

A：对当前的轨迹相当满意。已发布的几个模型在所处的早期 scaling 阶梯上表现相当出色，目前正在向更大、更先进的模型规模化，对此也很期待。

这里既有智能的维度，也有数据的维度。任何想进入的产品品类，都会存在某种飞轮：从社区行为与使用方式中学习，做得越好、反馈越多，产品必然越好。这个领域大家可以理解地执着于智能本身，但为了服务好用户，数据与知识同样非常重要。如果谈的是个人超级智能，那么对一个人生活中所有事情与目标建立清晰的心智模型，将是极为重要的一环。不同公司在不同市场、不同环节的起点优势本就不同。

提前在多条线上同时投入还有一个原因：技术本身是通用的，智能建成后可以应用到很多不同用途；但仍需要在每条线上把飞轮建起来，因为这才是长期可持续优势的来源。公司已经证明，只要产品形态跑通，把这些体验规模化到数十亿人这件事——可以说是全球做得最好的。

因此对个人 agent 的工作感觉不错；对商业 agent 更有信心，因为已有广告主与中小企业的客户基础，具备把它铺开的能力。这些连同正在其上构建的数据飞轮，都是持久优势。研究侧则要把文化建好——把团队管理好、保持低内耗、长期复利，这类事情或许没有清晰的数学解释，但商业大体就是这样运转的。

Q：Muse Spark 1.1 已接近前沿但定位在低成本一端，是否认为必须同时在低成本端与高性能端竞争？

A：从科学过程看，训练大模型时每个训练阶段都会出现新的行为，因此做法是从训练较小模型逐级搭建到更大模型。目前已发布的模型对应 scaling 阶梯上的某个规模，后续会继续向更大模型放量。就 Muse Spark 1 与 Muse Spark 1.1 而言，考虑到模型规模与实验室所处的发展阶段，它们是相当出色的模型。

同时也需要更先进的模型，这是继续扩大模型规模、并围绕此搭建大量研究基础设施的原因；另一方面也需要高效的好模型，面向消费者大规模服务的很多请求会由它们承载。当服务数十亿人时，既要有能力用更先进的模型解决很难的问题，也要有能力用更简单高效的模型处理绝大多数 prompt。效率确实非常重要，但同时也希望能为全球的企业与客户解决最难的问题，因此两端都很重要。

Q：实验室层面提到要回到开源，这与围绕 AI 产品和模型的变现策略如何协调？

A：一直认为开源是生态的重要组成部分，对世界有益，也会形成对自身有利的正反馈——让社区投入到我们的基础设施栈与工作中，并贡献改进。但一贯的表述是会采用开源与闭源的组合，这一点仍然成立。

在加速推进 Meta Superintelligence Labs 的阶段，有一点某种程度上反直觉：做开源模型其实更费功夫。

如果只做闭源系统、只服务自身用例，模型在能力上可以更"参差"；而一旦开源、会被用于各种场景，就必须把模型做得更全面均衡。此前希望确保 MSL 团队在构建尽可能强的模型时不受额外牵制。预计不久之后会重新发布一些开源模型。但一贯立场是不教条：认为开源重要、愿意为这个生态做贡献，计划采用开源与闭源模型的组合。

Q：如果开放权重（open weight）模型持续扩散，这会改变自研闭源前沿模型的判断吗，是否存在不必自研前沿模型的可能？

A：关于"能否因为存在一些开放权重模型就直接依赖它们"——目前开源模型的能力不及前沿模型，所以基本答案是否定的。此外还始终存在关于其他公司行为的政策争论与不确定性，一家像 Meta 这样的公司能否依赖这些，是很棘手的问题。因此从这两方面看，相信自研能做得更好，而依赖外部存在风险，这不是正确的做法。

退一步看：很多人看到的表层是做了一些社交媒体应用、有一块广告业务，实际上这是一家全栈技术公司——自建数据中心、自建基础设施、自研芯片、自研底层软件。Facebook 当年之所以跑通，很大原因是它"真的能跑"，在其他社交网络无法快速高效运行时它做到了。因为打通了整条栈，才有能力做出更个性化、更优化、更高效的产品，某些质量层面的体验其他公司根本做不出来。由此看，对自有模型拥有主权显然会是这条栈里越来越重要的一环——这对 Meta 重要，也解释了为什么其他公司在意开源：即便没有能力自建模型，它们也不希望只能依赖少数几家闭源实验室。

世界上确实需要有开源模型的位置。要说清楚的是，这并不削弱 API 机会或前面提到的其他业务，因为总要有人运行模型、做推理，能高效运行模型并具备相应算力，将持续构成商业优势，因此这些事并不必然矛盾。而放眼全球，有辨识力的客户与企业会希望掌握自己的命运、信任自己所用的模型、确保数据安全、不把数据送到竞争对手那里。所以开源会很重要，但对公司自身而言，自研模型同样是关键一环。

还有一点：模型都在一套通用评测集上被评估，最后被归纳成"某个模型与另一个模型只差几分"，但它们实际的能力组合确有不同，就像人一样——各有长板、各有"性格"，擅长与不擅长的领域不同。如果要为个人构建超级智能，或者为中小企业构建商业 agent，所需的技能组合可能与其他实验室在调优的方向不同。正如在 Instagram 推荐和广告系统上做全栈工作，才拿到了今天的结果，做全栈的模型也会构成长期的优势，是构建个人超级智能 agent、商业 agent 以及服务各类客户的基础。加上既有的分发能力与规模化成功产品的能力，这些构成了持久优势。

这确实是一笔大投入、一个大赌注，但技术正在跑通，对实验室的轨迹满意，对即将推出的产品感到兴奋，相信这会是一件大事。就整个行业而言，个人的判断是：投入其中的人会获得回报，并在长期感觉很好。

Q：主发言中提到"最大化 2026 与 2027 年产能"，这是需求侧还是供给侧的表述——是指计划把 2027 年前建成的产能全部自用，还是指 2028 年及以后的建设会依据自身产品与服务的需求来评估？

A：有两个因素。第一，当前、并且预计在可预见的未来都处于需求受限（demand constrained）状态，这也包括核心业务——如果有更多算力，仍有大量 ROI 为正的投放场景可用。第二，长期产能建设的约束存在不确定性，前面也谈到供应链仍需进一步建设。

因此看向 2027 年之后、尤其是 2028 年及更远，世界会发生很多变化，内部需求也会演进，到那时很多牌都已经翻开。所以今天为 2028 年做规划的重点是弹性：先拿到土地与电力，把买芯片等大额支出的实际决策放到更靠后的时点。就目前而言，2026 与 2027 年的产能有大量优质用例，这也是当前建设所指向的目标。

<正文结束>

本文的风险披露与声明：海豚研究免责声明及一般披露