扎克伯格详解Meta AI投资回报逻辑：三条变现路径与算力战略

在Meta最新一季的财报电话会议上，投资者最关心的问题只有一个：那些天文数字般的AI资本开支，究竟何时、以何种方式转化为实实在在的回报？CEO马克·扎克伯格（Mark Zuckerberg）与CFO苏珊·李（Susan Lee）用近一个小时的时间，系统性地回答了这个核心质疑。

本文基于这场财报电话会议的完整实录，梳理Meta当前的业务基本面、AI变现路径，以及扎克伯格对巨额投资的战略辩护。

强劲的基本面：AI已在改造Meta核心业务

先看数据。本季度Meta旗下应用日活用户达到36亿，Instagram日活突破20亿，Threads月活跃用户超过5亿，成为「史上增长最快的对话类应用」。

Meta所称的「应用家族」（Family of Apps）包括Facebook、Instagram、WhatsApp和Messenger四大产品。36亿日活用户这个数字意味着全球约45%的人口每天至少使用其中一款应用。Threads是Meta于2023年7月推出的文字社交平台，直接对标Twitter（现X），其增长速度之所以被称为「史上最快」，部分原因在于它允许用户直接用Instagram账户登录，借助了Instagram庞大的现有用户网络。

财务表现同样亮眼：应用家族总营收604亿美元，同比增长28%；广告营收594亿美元，同比增长27%。扎克伯格特别强调，「按美元计算，我们的广告业务同比增速快于任何一家公开披露的广告业务」。这一对标对象包括Google（Alphabet）、Amazon广告业务、以及TikTok的母公司字节跳动。在数字广告领域，Meta与Google长期形成「双寡头」格局，但近年来Amazon凭借电商搜索广告的高转化率异军突起。Meta能在如此大的基数上维持27%的同比增长，说明AI驱动的广告效率提升正在转化为真实的广告主预算份额增长。

说个细节，AI并非只是未来的故事，它已经在切实提升现有业务效率。管理层给出了几个具体数字：

• 推荐系统：Instagram全球用户时长本季度实现两位数同比增长；Facebook视频时长全球增长9%，北美地区超过10%。
• 广告排序：通过部署更复杂的预测模型，Facebook上广告点击量提升8.3%，转化率提升15.7%。
• AI创意工具：已有900万小企业至少使用一款AI广告创意工具，Advantage Plus端到端方案年化营收运转率已超过750亿美元。

Advantage Plus是Meta推出的端到端AI广告投放方案，它将传统广告投放中需要广告主手动完成的多个环节——受众选择、版位分配、创意组合、预算优化——全部交由AI系统自动完成。750亿美元的年化营收运转率意味着通过这一自动化方案投放的广告已占Meta总广告收入的相当比例。这种「全托管」模式降低了中小企业的广告投放门槛，让没有专业营销团队的商家也能获得接近专业水平的广告效果。

扎克伯格反复强调，将大语言模型（LLM）融入推荐系统带来了「第一性原理」层面的内容理解能力。传统推荐系统主要依赖协同过滤和基于特征的排序模型，通过用户历史行为数据（点击、停留时长、互动等）来预测兴趣偏好。这类方法的局限在于它本质上是在做「行为模式匹配」，而非真正理解内容本身。当LLM被引入推荐系统后，系统获得了对内容语义的深层理解能力——它能解析一条视频讨论的是什么话题、传达怎样的情绪、属于哪种叙事风格，而不仅仅知道「看过这条视频的人还看了什么」。这种从统计相关性到语义理解的跃迁，正是「第一性原理」层面升级的含义。

Instagram上每一条公开的Reels和Feed帖子，如今都会经过LLM处理，从话题到语气进行多维度分析——这为更深层次的个性化推荐奠定了基础。

三条AI变现路径：从核心广告到企业级市场

面对摩根士丹利分析师关于「哪块业务能率先展示可量化ROIC」的尖锐提问，扎克伯格没有正面给出单一答案，而是勾勒出一个多元变现的投资组合。

ROIC（Return on Invested Capital，投入资本回报率）是衡量企业将资本转化为利润效率的核心财务指标，计算方式为税后营业利润除以投入资本总额。对于Meta这样年度资本开支超过千亿美元的公司，投资者对ROIC的关注本质上是在追问：每一美元的AI投资，最终能产生多少美分的增量利润？

路径一：优化核心广告与内容业务

这是最直接、也最确定的回报路径。Meta推出的Generative Recommender标志着广告系统的范式转变——不再逐一给每条广告打分，而是用LLM同时推理广告内容和用户偏好，为每个人预测最合适的广告。

这一架构代表了广告排序从「判别式」到「生成式」的根本转变。传统广告系统采用逐一评分模式：对候选池中的每条广告分别计算点击率或转化率预估值，然后按分数排序。这种方式计算复杂度随候选集线性增长，且难以捕捉广告之间的组合效应。生成式推荐器则借鉴了大语言模型的自回归生成范式，将用户上下文和广告库作为统一输入，直接「生成」最优的广告序列。这意味着模型能同时考虑用户当前意图、广告内容语义以及广告之间的互补或冲突关系，实现全局最优而非局部最优的推荐决策。

Generative Recommender的核心创新在于将推荐问题重新定义为序列生成问题。传统推荐系统的工作流程是：召回阶段从数百万候选中筛选出数千条、排序阶段逐一打分、重排序阶段考虑多样性等业务规则。每个阶段独立优化，存在信息损失。生成式推荐器则试图用一个统一的Transformer模型端到端完成整个流程，通过自注意力机制同时建模用户历史序列和候选内容之间的复杂交互关系，理论上能捕捉到分阶段系统无法感知的全局模式。

路径二：消费级个人智能体

这是扎克伯格最兴奋、也最押注的方向。他认为编程是智能体率先爆发的领域，因为「工程师是技术型客户，愿意投入精力去调试」，且编程本身是数字化的闭环任务。

这里需要理解AI智能体（Agent）与传统聊天机器人的本质区别。一个完整的AI智能体通常包含四个关键组件：感知模块（理解用户指令和环境状态）、规划模块（将复杂任务分解为子步骤）、工具调用模块（执行搜索、编程、API调用等操作）和记忆模块（维持长期上下文和用户偏好）。编程之所以是智能体率先爆发的领域，是因为代码任务具有天然的「可验证性」——程序能否运行、测试能否通过都有明确的反馈信号，使得智能体可以通过自我迭代快速提升。而消费级智能体面临的挑战要大得多：现实世界任务的成功标准模糊、用户容错度低、且需要与大量第三方服务集成。

但真正的巨大机会在于消费级个人智能体。「如果展望五年后，你很难想象没有数十亿人拥有一个理解你目标、24小时为你工作的个人智能体」，扎克伯格说。他坦言，为消费者构建产品与为开发者构建产品截然不同——面向数十亿人的产品必须「开箱即用、足够简单」，而当前许多「原型智能体」还需要大量调试。他相信，谁能率先交付「真正能用」的个人智能体，谁就能抓住AI的下一个重大机遇。

路径三：企业级AI服务市场

这被扎克伯格视为Meta需要锻炼的「全新肌肉」。它包括API服务、商业智能体、生产力工具，甚至直接出售算力。数据显示，已有超过100万家企业每周使用Meta的商业智能体与客户对话或完成销售。巴西租车公司Movida部署WhatsApp商业智能体后，日订单量增长44%，85%的对话完全由AI处理而无需人工介入。

WhatsApp在巴西、印度、印尼等新兴市场拥有压倒性的市场份额，是这些地区事实上的商业通讯基础设施。Movida案例展示的不仅是单一企业的效率提升，更代表了Meta在「对话式商务」（Conversational Commerce）领域的战略布局。在这一模式下，消费者无需下载专门的App或访问网站，直接在熟悉的聊天界面完成从咨询到下单到售后的全流程。这对于互联网基础设施相对薄弱、消费者习惯通过即时通讯完成交易的新兴市场尤为重要。

算力的战略取舍：卖智能还是卖算力？

在算力分配问题上，管理层的表述颇具深意。苏珊·李明确表示，Meta当前及可预见的未来都处于「需求受限」（demand constrained）状态——「即便有更多算力，我们仍有大量ROI为正的用途可以投入」。

在云计算和AI基础设施领域，「需求受限」和「供给受限」（supply constrained）是描述市场状态的两个关键概念。供给受限意味着算力供不应求，企业有明确需求但无法获得足够的GPU或数据中心容量——这是2023年至2024年初整个AI行业的普遍状态，NVIDIA的GPU一度需要提前数月排队预订。而Meta声称自己处于「需求受限」状态，意味着即便它已经拥有或即将拥有大量算力，仍然能找到投资回报为正的内部应用场景。这个表述的战略含义是：Meta的资本开支不是盲目军备竞赛，而是有明确的内部需求支撑。

扎克伯格透露，Meta收到了大量以「显著溢价」购买其算力的报价。但他给出了清晰的战略判断：卖智能的利润率会显著高于直接卖算力。这一逻辑可以类比为「卖成品vs卖原材料」——直接出售GPU算力时，算力是同质化商品，利润率受市场竞争挤压；但在算力之上构建差异化的AI服务，则可以享受品牌溢价和网络效应带来的高毛利。因此Meta不会「只做长期的事而不验证近期市场」，也不会「把所有算力卖掉换取短期利润」，而是选择用资本自建算力，同时保留直接变现算力和在算力之上构建智能这两条路径。

在资本开支上，Meta将全年CapEx指引收窄至1300亿至1450亿美元区间。值得关注的是，公司宣布与贝莱德（BlackRock）合作，在德州El Paso建设一座1吉瓦的数据中心。

1吉瓦（GW）等于1000兆瓦（MW），大约相当于一座中等规模核电站的满负荷输出功率，可以为约75万个美国家庭供电。作为对比，传统的大型数据中心功率通常在50-100兆瓦范围内。吉瓦级数据中心的出现标志着AI训练负载对算力密度的需求已经达到了前所未有的级别。这些超大规模设施不仅需要解决电力供应问题，还面临散热、供水、电网接入审批等一系列工程挑战，建设周期通常需要3-5年。

贝莱德是全球最大的资产管理公司，管理资产超过10万亿美元。这次合作代表了AI基础设施融资的一种新兴模式：传统上科技巨头完全依靠自有现金流和企业债务为数据中心建设融资，但随着AI时代数据中心的单体规模从数百兆瓦飙升至吉瓦级别，单个项目的资本需求可能达到数十亿甚至上百亿美元。通过与资产管理机构合作，Meta可以将部分资本密集型基础设施「表外化」，利用机构投资者对长期稳定收益的偏好来降低综合资金成本——类似于房地产领域的REITs模式，基础设施的所有权和运营权可以分离。管理层强调，后续规划的核心原则是「灵活性」：先铺设土地和电力基础设施，把芯片采购等大额决策留到能够准确评估需求时再定。

开源与闭源：Meta的双轨模型策略

针对开源模型的问题，扎克伯格重申了Meta「不教条」的立场：将持续采用开源与闭源相结合的策略，并预计「很快会重新发布一些开源模型」。

Meta的开源策略（以Llama系列模型为代表）并非单纯的技术理想主义，而是经过深思熟虑的竞争策略。通过开源基础模型，Meta实现了多重战略目标：第一，建立行业标准，让整个开发者生态围绕Llama构建工具链和应用层，形成事实上的「平台锁定」；第二，削弱竞争对手通过闭源模型建立的护城河——如果开源模型的能力足够接近闭源模型，那么OpenAI等公司收取高额API费用的定价权就会被压缩；第三，通过社区贡献加速模型改进，降低自身研发成本。这一策略可以类比Android对iOS的竞争：Google通过开源Android操作系统，虽然放弃了直接的操作系统授权收入，但成功将移动互联网的价值捕获层从操作系统转移到了搜索和广告——Meta试图用类似逻辑，将AI价值的捕获层从模型本身转移到应用和分发。

他坦言了一个反直觉的事实：做开源模型其实需要投入更多精力，因为闭源模型只服务自己的用例可以「参差不齐」，而开源模型要被广泛采用就必须更加「全面完善」。一旦发布就要面对千差万别的使用场景，任何短板都会被社区暴露并影响口碑。为了不束缚Meta超级智能实验室（MSL）打造最强模型的手脚，团队此前优先聚焦于闭源方向。

Meta Super Intelligence Lab（MSL）是Meta于2024年初成立的专注于通用人工智能（AGI）研究的实验室，由前DeepMind研究员领导。MSL的成立标志着Meta将AGI研究从原来的FAIR（Facebook AI Research）中独立出来，赋予其更高的资源优先级和更明确的产品化目标。这一组织架构调整反映了扎克伯格的判断：前沿AI研究已经从「发论文」阶段进入「造产品」阶段，需要不同于学术研究的管理方式和激励机制。

对于「既然有开源模型是否还需自建前沿模型」的质疑，扎克伯格的回答非常明确：不能依赖外部。原因有二：一是当前开源模型仍不及前沿模型强大；二是依赖其他公司的模型存在不可控风险。他将Meta定位为一家「全栈技术公司」——自建数据中心、基础设施、芯片和底层软件，「拥有构建自己模型的主权，将是未来技术栈的重要一环」。

一场关于「分发」的大赌注

扎克伯格在会议尾声坦承，这是一笔「巨大的投资和赌注」，但他的信心来自Meta独特的优势组合：36亿用户的分发能力、将可用产品规模化到数十亿人的执行力，以及支撑密集型AI应用的基础设施能力。

「分发」（Distribution）在科技行业是一个被低估但极其关键的竞争维度。历史上，拥有最好技术的公司并不总是赢家——Google+的社交功能并不逊色于Facebook，但缺乏分发渠道；Microsoft的搜索引擎Bing在技术上与Google差距不大，但无法突破Google在浏览器默认搜索引擎上的分发壁垒。Meta拥有36亿日活用户，意味着任何新的AI功能都可以在数天内触达地球上近一半人口，而无需额外的获客成本。这种分发优势在AI时代尤为重要：当基础模型能力逐渐趋同时，谁能将AI体验最快速、最低摩擦地送到用户手中，谁就能积累最多的使用数据和用户反馈，形成「分发→数据→模型改进→更好体验→更多用户」的飞轮效应。

「我个人的赌注是，那些在这方面投资的人，随着时间推移会获得回报并感觉良好」，他这样总结Meta的AI战略。

与OpenAI、Google等「集中化超级智能」的路线不同，Meta将自己定位为「唯一一家以将超级智能直接交到人们手中为首要目标的主要公司」。这场财报会议传递出的核心信息是：AI投资的回报不是单点爆发，而是通过核心广告业务优化、消费级智能体、企业级服务三条路径同时展开的组合拳——而支撑这一切的，正是Meta赖以起家的「分发」能力。

核心要点

核心要点