Meta（紀要）：暫不給 27 年 Capex 指引，近兩年盡力擴大算力產能

以下為海豚君整理的 $Meta(META.US) FY26Q2 的財報電話會紀要

一、財報核心信息回顧

1. 業績指引：預計 26Q3 總收入 610 億-640 億美元，指引假設匯率對總收入同比增速構成約 1 個百分點的逆風。

全年費用指引上調下限，以納入 26Q2 確認的 24 億美元法律訴訟相關計提，2026 全年總費用預計 1,650 億-1,690 億美元；

仍預計 2026 年營業利潤高於 2025 年。

2026 年資本開支（含融資租賃本金支付）指引 1,300 億-1,450 億美元，較此前 1,250 億-1,450 億美元上調下限。在税收環境不變的前提下，2026 年剩餘季度税率預計 15%-17%，高於此前 13%-16% 的指引。

2. 業績回顧：26Q2 總收入 608 億美元（+28% YoY，恆定匯率 +27%）。

Family of Apps 收入 604 億美元（+28% YoY），其中廣告收入 594 億美元（+27% YoY，恆定匯率 +26%）；

廣告展示量 +14% YoY，各區域展示量增長健康，由用户與互動增長及廣告加載優化驅動；

單條廣告均價 +12% YoY，由廣告效果提升、宏觀環境同比改善及匯率順風驅動，部分被低變現效率版位與地區的展示量高增長所抵消。

Family of Apps 其他收入單季首次突破 10 億美元（+73% YoY），主要由 WhatsApp 付費消息與訂閲收入驅動。

Reality Labs 收入 4.31 億美元（+16% YoY），AI 眼鏡收入強勁增長，部分被 Quest 頭顯銷售下滑抵消。

3. 利潤與費用：26Q2 總費用 420 億美元（+55% YoY），其中包含 24 億美元法律訴訟相關計提，以及 2026 年 5 月裁員產生的 12 億美元遣散費用；

同比增長主要來自員工薪酬、基礎設施成本、法律相關成本與第三方 AI token 成本，員工薪酬增長（剔除遣散費用後）主要來自過去一年增聘的技術人才尤其是 AI 人才，基礎設施成本增長來自折舊、數據中心運營成本與第三方雲支出。GAAP 營業利潤 188 億美元（-8% YoY），營業利潤率 31%；

剔除法律計提與遣散費用後，營業利潤同比 +9%。當季税率 16%，淨利潤 158 億美元，攤薄每股收益 6.18 美元。

4. 資本開支與融資：26Q2 資本開支（含融資租賃本金支付）311 億美元，投向服務器、數據中心與網絡基礎設施；

自由現金流 7.84 億美元。期末現金及有價證券 903 億美元，債務 837 億美元。資產負債表實力使公司能夠從廣泛市場吸引資本以補充經營現金流；

近年來資本結構中債務佔比提升以降低資本成本，並傾向於為長週期投資（尤其 AI 基礎設施）持續增加成本高效的長久期資金；同時拓寬融資形式，前一日宣佈與 BlackRock 成立戰略合資，在德州 El Paso 開發 1GW 數據中心。

5. 人員調整與法律風險：期末員工超過 7.5 萬人，較 26Q1 下降 3%，該口徑仍包含 2026 年 5 月裁員涉及的約 8,000 人，預計到 26Q3 末大部分受影響員工將不再計入人數統計。

公司持續關注可能對業務與財務結果產生重大影響的法律與監管事項，多個市場對青少年相關議題的審查仍在延續，今年在美國有多起青少年相關訴訟排期開庭，最終可能造成重大損失。

二、財報電話會詳細內容

2.1 高管陳述核心信息

1. 用户與社區規模

a. 每日使用至少一個應用的用户達 36 億人；本季達成多個里程碑：Instagram 日活躍用户達 20 億，Threads 月活躍用户突破 5 億、成為史上增長最快的對話類應用，Facebook 日活躍用户已在 20 億以上維持一段時間。

b. WhatsApp 創下歷史消息量紀錄，世界盃決賽期間峯值達每秒 3,000 萬條消息；WhatsApp 新任負責人加入，此前創辦了印度最重要的支付公司之一。

c. 全應用矩陣的規模與觸達構成向數十億人交付新創新的強平台基礎。

2. 核心業務的 AI 化：推薦系統與內容

a. 對將大語言模型（LLM）整合進推薦系統的進展高度樂觀。LLM 帶來對"內容講什麼、為何有吸引力"的第一性理解，以及對用户興趣與使用目標的更深理解，因而能推送更相關、更具吸引力的內容。

b. 本季 Instagram 全球使用時長同比雙位數增長，主要由 Feed 與 Reels 推薦改進驅動；Facebook 視頻使用時長全球 +9% YoY，美國與加拿大 +10% 以上，主要由排序改進驅動。

c. LLM 在排序與推薦上的能力持續增強：一方面通過理解內容實質、生成更好的訓練數據讓既有系統變聰明；另一方面 LLM 驅動的 agent 參與工程開發，評估內容質量、識別趨勢、測試排序變更。今年早些時候達成里程碑——Instagram 上每一條公開 Reels 與 Feed 帖子都已自動經 LLM 處理，並在從主題到語調的多個維度上被分析，Facebook 側正在擴展更多版位；這些信號可下游供排序、推薦與內容政策執行使用，是走向更強個性化的關鍵基礎模塊。本季開始用 Muse 系列模型承擔視頻主題分類、摘要等內容理解任務，早期結果積極。

d. Reels 推出史上單次幅度最大的排序改進，結合更快推理與可調用更長用户歷史的新架構提升預測，帶動 Instagram session 數提升 15bp，其中轉發與使用時長表現尤為突出——兩者都是內容與用户匹配改善的強指標；該能力正在向 Feed 遷移，早期結果相當。

e. 內容新鮮度顯著提升：實時基礎設施投入與新視頻建模改進，使最大的排序模型能在內容創建時即識別高質量新 Reels；Instagram Feed 上超過一半的推薦內容為一天以內的新內容，為一年前的兩倍以上。

f. 強化用户對推薦的直接控制：Instagram 用户可在 Youralgo 頁面用自然語言 prompt 調整推薦；Facebook 上線 Shape Your Feed，早期數據顯示使用過該功能的用户留存率超過 80%。

g. 下一代推薦系統按計劃推進，包括構建可同時驅動自然內容與廣告推薦的 foundation model，以及開發 LLM 原生的推薦系統。本半年達成首個研究里程碑——用推薦數據對大規模模型做持續預訓練，並觀察到健康的 scaling law，預計下半年繼續取得進展。

h. Muse Image 與 Muse Video 模型將大幅擴展平台上可被發現的內容宇宙。此前內容有兩大來源——關注的好友與創作者、以及未關注的創作者；此後將新增一個近乎無限的個性化內容宇宙，讓服務對用户更有用、更具吸引力。

3. 廣告變現效率與營銷工具

a. 變現效率的第一部分是優化自然互動中的廣告負載，持續優化在最優時點與位置展示廣告。26Q2 擴大新版位廣告可用性，完成 Threads 的全球廣告鋪開；WhatsApp 上新增更多廣告落地類型與廣告主效果目標，全球推廣按計劃推進。

b. 變現效率的第二部分是提升商家投放效果。本季推出 Meta generative recommender，是廣告系統工作方式的範式轉變：不再逐條給每個可能的廣告打分，而是用 LLM 聯合推理廣告內容與用户偏好，直接預測對每個人最合適的廣告，使廣告匹配更智能、更精準，並對廣告主效果形成複利式提升。首個生成式模型已部署進廣告召回系統，廣告效果有明顯改善。

c. 用 LLM 更好理解用户偏好的早期試點，帶動 Instagram 應用內事件轉化 +1%；26Q2 還推進用户理解模型，同時分析廣告與自然內容行為，同步改善用户體驗與廣告主效果。上述進展與用於廣告排序的 GEM 模型、序列學習結合，在 Facebook 上帶來廣告點擊 +8.3%、轉化 +15.7%。

d. AI 驅動的 Advantage+ 端到端解決方案持續增長，本季年化收入運行率超過 750 億美元；由於使用多個工具的廣告主可獲得複利式效果增益，正在推動更深的採用。案例上，一家印度線上服飾品牌此前需在 Facebook 與 Instagram 上手動搭建每個廣告計劃，採用 Advantage+ 銷量廣告併疊加受眾版位與預算優化後，購買量增量提升 13%、加購轉化 +16%。

e. 生成式 AI 廣告創意工具採用持續擴大，超過 900 萬家中小企業至少使用一項 AI 創意工具；圖片生成（現支持從已有素材乃至視頻素材批量生成創意）本季採用率翻倍以上。新推出端到端創意方案，為廣告主提供把真實效果信號轉化為下一步創意決策的 AI 基礎設施，同時保留品牌調性；產品自 Day 1 即集成代理商工作流，團隊無需離開既有流程即可診斷、生成並放量高效創意。隨着 Muse Image 鋪開，預計廣告主規模化生成高質量、符合品牌的創意的能力將進一步擴展。

4. 新產品與新收入線：個人 agent、商業 agent、訂閲與 API

a. 三大機會層次：第一，AI 投入正在加速核心業務的各個主要環節——改善用户體驗、提升廣告主效果、幫助團隊更快構建與發佈；第二，正在開發的個人 agent 將成為下一波產品與收入線的基礎；第三，面向企業存在很大機會，包括 API、商業 agent、可能的算力直銷及其他面向大客户的服務。

b. 個人 agent：即將推出可 24/7 代表用户工作、幫助達成目標的 agent，覆蓋健康、人際關係、財務等領域。agent 首個真正跑通的領域是編碼，但工程師技術性更強、更願意花時間調通；面向數十億人的個人 agent 必須是開箱即用、足夠簡單的消費產品。

c. 消息應用與隱私：在多 agent 交互的未來，WhatsApp 與其他消息服務的重要性將持續上升；WhatsApp 已是用户使用 Meta AI 的第一大入口。本季在 WhatsApp 與 Meta AI 應用上線 Incognito 模式，用户與助手的私密對話連 Meta 也無法查看；強隱私與安全將成為所構建 agent 的基礎組成部分。

d. 商業 agent：本季在 WhatsApp 與 Messenger 全球開放 Meta 商業 agent，已有超過 100 萬家企業每週用其與客户溝通或完成銷售，正在 Instagram 上鋪開。本月推出 Meta Business Agent 平台，為企業提供在 WhatsApp 上大規模構建、定製與部署商業 agent 的基礎設施，內置企業級管控、護欄與度量能力，企業可自定義規則並在客户已使用的消息應用內提供個性化體驗。案例上，巴西最大租車公司之一 Movita（近 400 個網點）在 WhatsApp 上部署商業 agent，在單次對話中完成從選車、報價到支付的全流程，老客户最少三條消息即可完成預訂；一個月週期內其 WhatsApp 渠道日預訂量同比 +44%，且該渠道 85% 的會話完全由 AI agent 解決、無需人工介入。

e. agent 每天與客户對話會持續學習，可把洞察反哺商家；正在構建匯總會話、消化隔夜進展、呈現客户訴求的能力，後續還將進一步給出增長建議、競爭情報與實時的效果反饋。長期希望做成"business in a box"服務，讓商家能在 Meta 平台上開辦並運營一整個生意。變現將是訂閲與按量定價的組合，並預計更多產品會向廣告系統的模式演進——只有在為商家實現結果時才收費，長期看這能讓公司在自身算力上運行一套高效拍賣，與今天對廣告主的做法類似。

f. 訂閲：上線 Meta One，在全應用矩陣提供更多工具與 AI 功能；隨需求增長將提供多檔位與多種定價方案。Meta One 是訂閲產品組合的一次演進，面向普通用户、企業與創作者創造更多價值。

g. 模型對外與 API：近期以有競爭力的價格推出高智能水平模型 API，初步結果令人鼓舞；已向美國開發者開放 Muse Spark，拓寬分發、降低採用門檻；後續將擴展到更多分發渠道與更多國家，並向企業客户開放。同時在構建便於企業採用 Muse Spark 的功能，這是會持續投入的方向。

5. 模型與 Meta Superintelligence Labs

a. Meta Superintelligence Labs 成立一年多，發展軌跡良好。近一個月發佈 Muse Spark 1.1 與 Muse Image。

b. Meta AI 重建並接入 Muse Spark 後，每日與助手互動的人數增長 60%，並在周環比維度持續快速增長。

c. Muse Spark 1.1 是一款效率很高的編碼（coding）模型，在 computer use、tool use 與多模態理解上表現突出；已通過新的公開 API 提供，未來數週將通過合作渠道與更多編碼 agent 加速分發。之所以聚焦於把 Muse Spark 的能力做強，是因為看到發佈若干與自身使命和業務契合的 agent 存在很大機會。

d. AI 也在加速內部產品開發。今年早些時候上線 Instagram Instance，近期又推出 Forum（獨立羣組應用）與 Seller（獨立市場應用）；預計發佈新應用會變得容易得多，因此計劃做出更多想法，並借推薦系統把它們分發給會感興趣的用户——與 Threads 的路徑一致。

6. 硬件與眼鏡

a. 越接近個人超級智能，越需要能與之無縫交互的硬件。眼鏡是理想形態：可全天佩戴，且能在不把人從當下情境中拉走的前提下提供協助。

b. 眼鏡仍是史上增長最快的消費電子產品之一，產品線持續擴充。與 EssilorLuxottica 合作推出自有產品線，包含與 Kylie Jenner 聯名設計的款式，是首批出廠即搭載 Muse Spark 的眼鏡，能理解用户所見並給出更有幫助的回答。早期銷售強勁、超出預期，9 月 23 日的 Connect 大會將披露更多眼鏡產品線信息。

7. 算力、基礎設施與戰略取向

a. 隨着 AI 在產品與業務中的使用持續放量，將繼續大力投資基礎設施以滿足需求。產能規劃受幾個關鍵因素影響：其一，基礎設施建設的外部環境在近期與長期都高度動態且不確定，行業歷史上對這一波 AI 採用是建設不足的，這使包括自有產能在內的現有產能極為寶貴；長期看，供應鏈需要進一步建設，以支撐自身與他人對 AI 體驗所需的產能。

b. 其二，對填滿並在既有體驗之上疊加使用產能有高度信心，同時會繼續投資將創造大量新機會的基礎模型。因此當前計劃以最大化 2026 與 2027 年產能為目標——歷史上每當獲得增量產能，在體驗規模化上都被證明極有價值，相信這一次同樣成立。

c. 更長期看，使用量的確切放量曲線難以預測，但分發優勢將帶來為所有人（36 億用户與數百萬商家）提供有價值 AI 產品的機會；這一點無論模型是否處在前沿都成立，但處在前沿會解鎖新的市場與機會，也可能因此需要額外算力。因此長期產能策略着眼於保留 2028 年及以後繼續擴張算力的彈性——先鋪設數據中心與網絡地基以適配未來的服務器決策；這類長壽命資產本身即提供彈性，使投資節奏可以隨 AI 採用速度調整。

d. 同時在自研芯片等方向做戰略投入，以獲得長期戰略彈性與供應鏈議價能力，有助於改善長期投資回報。

e. 判斷行業整體算力在可預見的未來仍將緊張。所構建的模型、消費體驗與企業級產品被認為是自身基礎設施最優、ROI 最高的用途；企業級產品可能有多種形態——工具、API，或在市場需求極旺時直接變現算力。對這些機會保持靈活，有助於更高效地為建設提供資金，同時保留在需要時手握算力的戰略彈性，並提供多條投入資本回報路徑。目前收到的對外算力報價明顯高於自身取得算力的成本。

8. 戰略與價值觀定位

a. 公司一貫以"把力量交到用户手中"為技術出發點，長期聚焦讓產品對所有人可負擔、可獲取，這一策略同時服務了社區與商業。進入 AI 這一新階段，同一理念指導着 AI 的開發路徑。

b. 是唯一一家以"把超級智能直接交到人們手中"為首要目標構建 AI 的大型公司：不集中化超級智能，而是廣泛分發、讓每個人有能力把它導向自身最重要的事，這也是社會長期取得進步的方式。

2.2 Q&A 問答

Q：在消費級產品、商業 agent、API 工具、算力租賃等一系列新機會中，哪些有望在 2026-2027 年率先規模化，向投資者展示可量化的實質 ROIC？

A：從算力分配看，相當大一部分投向模型訓練，以保持領先實驗室的位置，這是重要投資。其餘投向一組不同的產品與收入機會：優化並改善核心業務、即將發佈的新消費產品、API、商業 agent、路線圖上的開發者工具，以及直接對外銷售算力——目前收到的算力報價明顯高於自身取得算力的成本。

在思考這件事時的判斷是：賣智能（intelligence）的毛利率會持續顯著高於直接賣算力，但直接賣算力顯然也是很大的機會。至於哪一塊規模化幅度最大，實際上對所有這些方向都相當樂觀，預計都會有實質增長，其中若干方向近期會披露更多信息。

Q：市場上有關於 2027 年產能翻倍的公開討論，能否給出 2027 年資本開支的早期看法，或者説明上下行驅動因素、以及這輪多年建設的融資思路？

A：目前不提供 2027 年資本開支的具體展望。基礎設施規劃仍高度動態，即便是今年的展望，內部也嵌入了一個較寬的結果區間。

當前基礎設施規劃以最大化 2026 與 2027 年產能為目標，同時保留 2028 年及以後繼續增長的彈性，並保留在真正能夠評估 2028 年及以後實際需求時再做服務器決策的能力。未來幾年的產能需求仍在測算中。總體判斷是近期產能比遠期產能更有價值，規劃過程本身仍非常動態。

Q：企業級機會中，有多少是基於既有廣告與營銷業務的 go-to-market 能力今天就能承接的，有多少需要新建銷售通路？

A：企業級會是兩部分的組合。一部分是現有業務的延伸——本質上是賣給營銷方和麪向消費者、試圖直接觸達並銷售給客户的企業，這在 Facebook 與 Instagram 上構成業務的絕大部分。

相信有機會用消息應用與其他服務上的商業 agent 延伸這塊業務，繼續與客户互動；與廣告系統同理，為商家交付結果時才收費。因此把它視為與數百萬廣告主、數億使用平台的中小企業既有銷售與合作關係的延伸，這一塊是相當自然的機會。執行上不追求短期把銷售最大化，而是最大化用户與商家得到的結果、把穩健的拍賣機制建起來——歷史上這才是長期對業務有利的做法。

另一部分是會日益服務的其他企業客户。之所以在做編碼與內部生產力工具，一部分原因是自身就需要、且需要為自身工作流調優的工具；現在這些工具已經具備，無論對中小企業還是大企業，都存在很大的服務機會。這是與歷史上不同的一塊"肌肉"，後續會分享更多建設計劃。

整體上，外界關於算力側的新聞很多，但企業級機會是所有這些的加總——不只是賣算力，還包括 API 服務、生產力服務，以及營銷之外其他業務環節的商業 agent，都屬於整體供給的一部分。這是一個非常大的機會，也是公司需要新建但很重要的能力。

Q：未來幾年的資金來源如何考慮，債務與股權的組合怎麼看，以及如何在維持激進投入與資本需求之間取得平衡？

A：資金來源是財務規劃中一直在審慎思考的問題。強勁的經營現金流本身已使公司在為基礎設施建設提供資金上處於有利位置。同時，近年來一直在演進資本結構，提高債務佔比以降低資本成本。

對於本身具有長週期特徵的投資——尤其是 AI 基礎設施項目——繼續增加成本高效的長久期資金，通常是審慎的做法。此外也在拓寬融資視野，納入前一日宣佈的與 BlackRock 的合作這類形式，並會隨未來項目評估繼續審慎選擇合適的資金來源。

Q：消費者對 AI 的實際使用仍停留在"更高級的搜索工具"，消費級採用能否彌合這一 AI 效用鴻溝——是即將突破，還是需要更多耐心？

A：有些部分已經突破。AI 相較其他技術有一個有意思的特點：大約每年（週期還可能加快）就會出現新的能力，從而催生新的可能產品線。既有面向消費者的 AI 助手市場，Meta AI 在做這件事，競爭對手在這一領域也有產品。

過去一年，編碼 agent 市場增長非常快，這是第一個真正的 agentic 市場。編碼率先跑通有幾個原因：客户本身是技術人羣，願意花時間把工具調通；編碼天然是數字化、閉環的活動，從某種意義上是相對更容易訓練的系統。而這裏下的一個賭注是：面向消費者的個人 agent 最終會成為一個極其重要、體量巨大的市場。

往後看五年，幾乎不可能出現"沒有數十億人擁有個人 agent"的情形——這個 agent 理解你的目標，24/7 代你行動，無論是健康、愛好、個人財務、把家庭運轉得更好、改善人際關係，還是職業發展，這是一組非常深的用例。

但為消費者做產品與為開發者做產品不同。如果目標不是數百萬人在用、而是數十億人在用，產品必須"就是能用"、必須足夠簡單。今天所見的很多 agent、尤其是各類 proto agent，都需要大量折騰，甚至要進終端才能配好；某個用例跑通時看起來很神奇，但用久了可能就崩了。能交付"開箱即用"的個人 agent 的公司，將抓住 AI 的下一個重大機會。這與 Meta AI、商業 agent 以及持續推進新能力、催生新產品線的模型研發並行推進。

產品會在不久之後發佈，但目前尚未發佈，因此在電話會上能説的有限。這是一個很大的機會，也幾乎必然會有人做成。它相當契合公司的強項：做面向數十億人的消費產品，把跑通的產品快速規模化，以及構建支撐這類高強度應用的基礎設施。因此對這件事感覺很好，關鍵是要為社區把它交付出來。

Q：LLM 在排序與推薦上的路線圖還有多長，"用更好的模型加更多算力"這條路目前走到了哪一步？

A：推薦系統在今年餘下時間到 2027 年仍有明確的提升空間，並預計會繼續帶動 Facebook 與 Instagram 的互動增長。有幾點值得強調。

第一，推薦會更加個性化、更貼合用户興趣，途徑之一是推進推薦模型與架構，更精確地捕捉用户興趣、更快響應用户在特定時刻所關心的內容。AI 投入在實現這一願景中作用顯著，包括擴展基於 LLM 的內容理解，更深入地理解用户看重的帖子與創作者，並用 AI 把高質量、新鮮、正在流行的內容推到前面，同時降低低質內容的佔比。

第二，持續改進數據基礎設施，讓模型能在更多數據上訓練、並更有效地利用這些數據。具體包括：更細緻地描述用户過去互動過的內容，用更細粒度的內容豐富歷史交互序列，使模型能更精確地學到哪些互動對用户更有價值；同時在 Facebook 與 Instagram 上同步擴大訓練所用的用户交互序列長度與模型架構複雜度，以匹配更大的數據集。

第三，在用 LLM 做內容理解上已取得顯著進展，接下來會進一步把它嵌入推薦與內容政策執行兩套體系，因為 LLM 在深度理解內容上更有能力，整體對這塊工作非常樂觀。此外還在用基於 LLM 的 agentic 方法改造推薦系統，本半年來自排序 agent 的發佈數量有所增加，這也提升了工程師的產出效率，是另一條令人期待的路徑。

Q：一方面收到大量對外變現算力的報價，另一方面又在從多個第三方採購產能，兩者如何統一——是時點與過渡性安排的問題，還是訓練與推理、以及不同芯片適配不同任務的問題？

A：高層次的觀察是：相對全部需求，算力遠遠不夠。因此一方面會收到大量針對現有算力的報價，另一方面內部也有很多價值很高的用途。

在經營層面，一個常見的權衡是：今天變現多少，還是為未來培育資產。這始終是一個組合問題——不能只做長期的事、不去驗證近期就已存在的市場；但把全部算力賣掉、賺取短期利潤同樣是不明智的，因為當有機會在算力之上構建智能時，那會是一個乘數，進一步放大算力的價值。

所以答案就是當前的做法：用大量資本建設算力，確信在合適的時候有能力直接變現算力，同時也清楚在算力之上有相當多變現智能的用例——包括前面討論的企業級場景、部分消費級場景，以及核心業務本身；後者甚至不必是尚未公開的新產品，僅是用算力繼續增強核心服務的排序、推薦與廣告。

這也帶來一個時間差的動態：現在投入建設的數據中心要到未來某個時點才上線，上線之前顯然拿不到價值。但需求非常大，因此要儘可能把這些不同的業務都做起來。

Q：AI 實驗室核心團隊組建已一年，實驗室表現如何，市場何時能看到模型、芯片等方面產品節奏的提速，實驗室在構建什麼可持續的競爭優勢？

A：對當前的軌跡相當滿意。已發佈的幾個模型在所處的早期 scaling 階梯上表現相當出色，目前正在向更大、更先進的模型規模化，對此也很期待。

這裏既有智能的維度，也有數據的維度。任何想進入的產品品類，都會存在某種飛輪：從社區行為與使用方式中學習，做得越好、反饋越多，產品必然越好。這個領域大家可以理解地執着於智能本身，但為了服務好用户，數據與知識同樣非常重要。如果談的是個人超級智能，那麼對一個人生活中所有事情與目標建立清晰的心智模型，將是極為重要的一環。不同公司在不同市場、不同環節的起點優勢本就不同。

提前在多條線上同時投入還有一個原因：技術本身是通用的，智能建成後可以應用到很多不同用途；但仍需要在每條線上把飛輪建起來，因為這才是長期可持續優勢的來源。公司已經證明，只要產品形態跑通，把這些體驗規模化到數十億人這件事——可以説是全球做得最好的。

因此對個人 agent 的工作感覺不錯；對商業 agent 更有信心，因為已有廣告主與中小企業的客户基礎，具備把它鋪開的能力。這些連同正在其上構建的數據飛輪，都是持久優勢。研究側則要把文化建好——把團隊管理好、保持低內耗、長期複利，這類事情或許沒有清晰的數學解釋，但商業大體就是這樣運轉的。

Q：Muse Spark 1.1 已接近前沿但定位在低成本一端，是否認為必須同時在低成本端與高性能端競爭？

A：從科學過程看，訓練大模型時每個訓練階段都會出現新的行為，因此做法是從訓練較小模型逐級搭建到更大模型。目前已發佈的模型對應 scaling 階梯上的某個規模，後續會繼續向更大模型放量。就 Muse Spark 1 與 Muse Spark 1.1 而言，考慮到模型規模與實驗室所處的發展階段，它們是相當出色的模型。

同時也需要更先進的模型，這是繼續擴大模型規模、並圍繞此搭建大量研究基礎設施的原因；另一方面也需要高效的好模型，面向消費者大規模服務的很多請求會由它們承載。當服務數十億人時，既要有能力用更先進的模型解決很難的問題，也要有能力用更簡單高效的模型處理絕大多數 prompt。效率確實非常重要，但同時也希望能為全球的企業與客户解決最難的問題，因此兩端都很重要。

Q：實驗室層面提到要回到開源，這與圍繞 AI 產品和模型的變現策略如何協調？

A：一直認為開源是生態的重要組成部分，對世界有益，也會形成對自身有利的正反饋——讓社區投入到我們的基礎設施棧與工作中，並貢獻改進。但一貫的表述是會採用開源與閉源的組合，這一點仍然成立。

在加速推進 Meta Superintelligence Labs 的階段，有一點某種程度上反直覺：做開源模型其實更費功夫。

如果只做閉源系統、只服務自身用例，模型在能力上可以更"參差"；而一旦開源、會被用於各種場景，就必須把模型做得更全面均衡。此前希望確保 MSL 團隊在構建儘可能強的模型時不受額外牽制。預計不久之後會重新發布一些開源模型。但一貫立場是不教條：認為開源重要、願意為這個生態做貢獻，計劃採用開源與閉源模型的組合。

Q：如果開放權重（open weight）模型持續擴散，這會改變自研閉源前沿模型的判斷嗎，是否存在不必自研前沿模型的可能？

A：關於"能否因為存在一些開放權重模型就直接依賴它們"——目前開源模型的能力不及前沿模型，所以基本答案是否定的。此外還始終存在關於其他公司行為的政策爭論與不確定性，一家像 Meta 這樣的公司能否依賴這些，是很棘手的問題。因此從這兩方面看，相信自研能做得更好，而依賴外部存在風險，這不是正確的做法。

退一步看：很多人看到的表層是做了一些社交媒體應用、有一塊廣告業務，實際上這是一家全棧技術公司——自建數據中心、自建基礎設施、自研芯片、自研底層軟件。Facebook 當年之所以跑通，很大原因是它"真的能跑"，在其他社交網絡無法快速高效運行時它做到了。因為打通了整條棧，才有能力做出更個性化、更優化、更高效的產品，某些質量層面的體驗其他公司根本做不出來。由此看，對自有模型擁有主權顯然會是這條棧裏越來越重要的一環——這對 Meta 重要，也解釋了為什麼其他公司在意開源：即便沒有能力自建模型，它們也不希望只能依賴少數幾家閉源實驗室。

世界上確實需要有開源模型的位置。要説清楚的是，這並不削弱 API 機會或前面提到的其他業務，因為總要有人運行模型、做推理，能高效運行模型並具備相應算力，將持續構成商業優勢，因此這些事並不必然矛盾。而放眼全球，有辨識力的客户與企業會希望掌握自己的命運、信任自己所用的模型、確保數據安全、不把數據送到競爭對手那裏。所以開源會很重要，但對公司自身而言，自研模型同樣是關鍵一環。

還有一點：模型都在一套通用評測集上被評估，最後被歸納成"某個模型與另一個模型只差幾分"，但它們實際的能力組合確有不同，就像人一樣——各有長板、各有"性格"，擅長與不擅長的領域不同。如果要為個人構建超級智能，或者為中小企業構建商業 agent，所需的技能組合可能與其他實驗室在調優的方向不同。正如在 Instagram 推薦和廣告系統上做全棧工作，才拿到了今天的結果，做全棧的模型也會構成長期的優勢，是構建個人超級智能 agent、商業 agent 以及服務各類客户的基礎。加上既有的分發能力與規模化成功產品的能力，這些構成了持久優勢。

這確實是一筆大投入、一個大賭注，但技術正在跑通，對實驗室的軌跡滿意，對即將推出的產品感到興奮，相信這會是一件大事。就整個行業而言，個人的判斷是：投入其中的人會獲得回報，並在長期感覺很好。

Q：主發言中提到"最大化 2026 與 2027 年產能"，這是需求側還是供給側的表述——是指計劃把 2027 年前建成的產能全部自用，還是指 2028 年及以後的建設會依據自身產品與服務的需求來評估？

A：有兩個因素。第一，當前、並且預計在可預見的未來都處於需求受限（demand constrained）狀態，這也包括核心業務——如果有更多算力，仍有大量 ROI 為正的投放場景可用。第二，長期產能建設的約束存在不確定性，前面也談到供應鏈仍需進一步建設。

因此看向 2027 年之後、尤其是 2028 年及更遠，世界會發生很多變化，內部需求也會演進，到那時很多牌都已經翻開。所以今天為 2028 年做規劃的重點是彈性：先拿到土地與電力，把買芯片等大額支出的實際決策放到更靠後的時點。就目前而言，2026 與 2027 年的產能有大量優質用例，這也是當前建設所指向的目標。

<正文結束>

本文的風險披露與聲明：海豚研究免責聲明及一般披露