專題：聚焦美股2026年第二季度財報

　　Meta給出的本季度營收展望令人失望，加劇了投資者對該公司史無前例的人工智能支出的擔憂。這家社交媒體巨頭表示，第三季度營收預計為610億至640億美元，彭博彙編的數據顯示，該區間中值低於分析師平均預期的632億美元。

　　詳見：Meta第三財季營收展望遜於預期 上調全年資本開支預估下限

　　財報發布後，Meta首席執行官馬克·扎克伯格（Mark Zuckerberg）、首席財務官蘇珊·李（Susan Li）等高管召開了分析師電話會議，回答了相關業務的問題。

　　以下是電話會議實錄：

　　摩根士丹利分析師Brian Nowak：我的第一個問題想問馬克。在啱啱的簡報中，您詳細為我們介紹了消費端和企業端智能體、API 工具以及算力租賃等新產品，新品線非常龐大。這些領域也都蘊含着很多機會。我的問題是，展望這些機會，並結合當前產品、算力供給等方面的發展情況來看，您認為哪些業務最有可能率先實現規模化？哪些領域大概會在2026年、2027年取得突破，從而能向投資者展示可以量化、具有實質意義的投資資本回報率（ROIC）？

　　我的第二個問題想問蘇珊。此前管理層曾公開談到2027年的產能規劃，以及產能將實現翻倍，我也很感謝您剛纔對資本支出的詳細說明。對於2027年的資本支出，您是否還可以與我們分享一些初步看法？哪怕只是介紹一下整體思路也可以，比如你們認為有哪些推動資本支出進一步增加的因素？以及有哪些可能帶來下行壓力的因素？另外，在推進這一項跨年度的大規模建設計劃時，管理層是否會考慮不同的孖展方式？以及公司在2027年有哪些資本支出安排？

　　馬克·扎克伯格：我先回答第一個問題，即關於這些不同的業務機會，以及我們如何配置算力資源。

　　總體來說，相當一部分算力會用於模型訓練，以保持我們作為行業領先AI實驗室的競爭力。我認為，這是一項非常重要的投資。剩餘的算力則會投入到多項產品和收入機遇中，包括持續優化和提升我們的核心業務能力、推出我們即將發布的新消費級產品、支持API業務、企業智能體業務、我剛纔提到的開發者工具產品，以及直接對外提供算力服務等等。我剛纔也提到，目前已經有不少客戶表示願意購買我們的算力，而且給出的價格遠高於我們的成本。

　　面對這些業務機會時，我們的判斷是，相比直接出售算力，提供AI智能服務的利潤率會高得多，而且這種優勢還會持續。當然，我們也認為，直接提供算力服務同樣存在非常大的市場機會。

　　你剛纔的問題提到，哪一項業務最有可能率先實現大規模增長。實際上，我對所有這些業務的發展前景都相當樂觀。我認為它們都有望實現顯著增長。其中不少業務的具體進展，相信我們很快就會有新消息與大家分享。

　　蘇珊·李：關於你的第二個問題，目前我們還不會對2027年的資本支出給出具體指引。我們仍在持續評估未來幾年的基礎設施建設規劃，因此相關計劃還有較大的調整空間。即使是今年，我們給出的資本支出預期本身也涵蓋了多種可能的情形。

　　我剛纔也提到，我們當前的基礎設施規劃主要圍繞兩個目標展開：一是儘可能滿足2026年和2027年的算力需求；二是在支持2028年及未來持續增長的同時，保留足夠的靈活性，以便等到我們對未來實際需求有了更清晰的判斷後，再決定服務器的具體部署方案。

　　未來幾年我們究竟需要多大的算力，目前公司仍在評估之中。總體而言，我們認為：與幾年後的算力相比，能夠儘快投入使用的算力對我們更重要。因此，我們整體的基礎設施規劃仍在持續調整和優化。

　　高盛分析師Eric Sheridan：我的第一個問題想請教馬克。您之前談到了企業業務的機會。我想了解的是，目前憑藉你們已經建立起來的市場拓展體系，包括依託現有廣告和營銷業務延伸出來的銷售渠道，你們已經能夠覆蓋多大的市場機會？還有多少機會需要通過建立新的市場拓展模式和銷售體系，才能真正把握住？

　　我的第二個問題想請教蘇珊。我有一個關於資金的跟進問題。展望未來幾年公司的資金來源，您剛纔也提到了昨天宣佈的那筆交易（Meta聯合貝萊德成立合資企業，計劃投資140億美元建設得州AI數據中心），認為這是提前為未來資金需求做準備的一種孖展方式。與此同時，也一直有投資者問我們，Meta未來會如何安排孖展結構？比如債務孖展和股權孖展各自會佔多大比重？以及整體資金來源會如何配置？

　　從更長期的角度來看，我理解你們希望保持積極投入、持續加大投資力度，同時又需要滿足龐大的資金需求。在這兩者之間，公司的整體孖展思路和資金規劃是怎樣考慮的？

　　馬克·扎克伯格：我認為，企業業務未來的發展會來自兩個方面：一方面是在現有業務基礎上的延伸。我們目前主要服務的是廣告主和企業客戶，幫助那些面向消費者的商家觸達用戶，並直接向他們銷售產品。實際上，這也是Facebook和Instagram絕大部分業務的基礎。

　　我們認為，未來可以通過企業智能體進一步拓展這一模式，讓企業通過消息應用以及其他產品場景持續與客戶進行互動。這個邏輯和廣告系統類似：只要我們幫助企業實現業務效果，就能從中獲得收入。我們也把這看作是現有銷售體系和商業合作關係的延伸。目前，我們已經與數百萬廣告主以及數億使用我們平台的小企業建立了合作關係，因此，這對我們來說是一個非常自然的發展方向。

　　在推進這項業務時，我們關注的重點並不是短期內儘可能地提高銷售規模，而是幫助企業用戶獲得最好的業務效果，並建立一個成熟有效的競價體系。從長期來看，我們過去的廣告業務已經證明，這種模式能夠很好地推動業務發展。

　　除此之外，我們未來也會服務更多類型的企業客戶。比如，我們正在開發代碼工具和內部生產力工具，一方面是因為我們自身需要這些工具，也需要確保這些工具能夠真正滿足我們的內部需求；另一方面，當這些能力成熟後，我們認為，無論是對於小企業還是大型企業，這些能力都意味着非常大的服務機會。

　　當然，這與我們過去擅長的業務模式有所不同，需要我們培養新的能力。關於未來如何建設這一業務體系，我們很快會與大家分享更多信息。

　　總體來看，我認為企業市場存在着非常巨大的機會。最近外界有很多關於算力業務的討論，但我認為，企業業務的機遇實際上來自多個方向的結合，而不僅僅是出售算力。具體而言，其中包括算力服務、API服務、生產力工具，以及面向非營銷場景的企業智能體服務，這些共同構成了我們整體的企業解決方案。我認為，這裏面蘊含着非常大的市場空間，我們也正在重點投入。

　　對於公司來說，這會是一項新的能力建設。但我認為，這也是我們必須建立的重要能力，只有這樣，我們才能更好地抓住未來巨大的市場機會。

　　蘇珊·李：關於你的第二個問題，也就是資金來源方面，我們一直在認真評估未來財務規劃中的相關安排。

　　首先，公司強勁的經營現金流為我們推進基礎設施建設提供了非常有力的資金保障。近年來，我們也在不斷優化資本結構，逐步提高債務孖展的比例，以降低整體資金成本。總體而言，在投資那些本身具有長期周期的項目時，尤其是AI基礎設施項目，我們認為持續引入成本較低、期限較長的資金來源是一種更加穩健的做法。

　　此外，我們也在不斷拓展孖展方式，包括探索諸如昨天宣佈的與貝萊德（BlackRock）合作這樣的模式。未來，在評估新的投資項目時，我們會繼續審慎考慮不同資金來源的組合方式，以選擇最合適的孖展方案。

　　伯恩斯坦研究所分析師Mark Shmulik：馬克，很多人都有類似的經歷：有人從硅谷回來，花大量時間寫代碼、開發AI智能體，然後回家告訴父母，他們現在使用AI的方式其實還不對——很多人只是把AI當成一個「加強版的搜索工具」。

　　消費者行為一直都很難預測。結合您前幾天發表的《The AI Future is for Everyone》這篇文章，我想請教，您如何看待消費者使用習慣的變化？他們是否會逐漸挖掘出AI的更多價值，從而解決目前AI能力很強、但用戶實際使用還比較有限的問題？我們現在是否正處於一個AI應用即將迎來突破的階段？還是說這仍然需要更多時間和耐心？

　　馬克·扎克伯格：其實已經有一些領域開始實現突破了。與其他技術相比，AI技術有一個很有意思的特點：它的發展周期可能會不斷加快。大約每隔一年，我們都會看到新的能力出現，而這些新能力又會催生出新的產品方向。

　　目前，面向消費者的AI助手就是一個明顯的方向。Meta AI正在探索這一領域，其他競爭對手也推出了類似產品。過去一年裏，我認為AI編程智能體市場發展也非常迅速，這也是第一個真正形成規模的智能體應用市場。AI編程智能體之所以率先發展起來，有幾個原因。首先，它面向的是技術用戶，這類用戶願意投入時間和精力去嘗試和完善產品；其次，編程本身是一項高度數字化、結果反饋明確的任務，從某種程度上來說，也是相對更容易訓練AI的場景。

　　我們目前的一個重要判斷是：面向消費者的個人智能體最終會成為一個非常重要、規模巨大的市場。

　　如果展望未來五年，我認為幾乎可以確定的是，會有數十億人擁有自己的個人智能體。這些智能體能夠理解你的目標，全天候代表你完成任務，無論是在你關注的哪個領域，比如健康管理、興趣愛好、個人財務、提高家庭生活效率、改善人際關係，或者幫助你的職業發展等等。這些應用場景非常豐富，也非常深入。

　　正如你剛纔提到的，面向消費者開發產品，與面向開發者開發產品其實存在着明顯區別。如果你面向消費者，尤其是希望打造一個服務數十億人的產品，它首先必須做到簡單、可靠、「開箱即用」。目前我們看到的很多智能體，或者說智能體的早期形態，仍然需要用戶進行大量設定和調整。比如，用戶需要進入終端環境完成配置才能運行某個任務；有些時候體驗看起來非常神奇，但隨着使用深入，效果可能會逐漸下降。

　　我認為，只有那些真正能夠打造出「無需複雜操作、直接就能發揮作用」的個人智能體的公司，纔會迎來AI技術領域下一輪非常重要的發展機會。

　　除了我們正在推進的Meta AI以及企業智能體業務之外，我們也會繼續開發能夠推動新能力產生的新一代模型。正因為這些方向同時存在，我們對未來非常有信心。我們很快就會推出相關產品，但目前還沒有正式對外發布相關信息。在財報電話會上，我能分享的信息也有限。

　　但我認為，這是一個規模極大的機會，而且未來一定會有人實現這一目標。這個方向也非常符合Meta自身的優勢。

　　長期以來，Meta始終擅長打造能夠服務數十億用戶的消費級產品；一旦我們驗證某項產品有效，也非常擅長將它快速推廣到大規模用戶群體。同時，我們也具備建設基礎設施、支撐這些高強度應用運行的能力。

　　所以，我對此非常有信心。當然，最終還是要把產品真正交付給用戶，這也是我們目前最關注的工作之一。

　　摩根大通分析師Doug Anmuth：我有兩個問題。首先，蘇珊，你剛纔提到，大語言模型（LLM）在提升排序和推薦效果方面的能力越來越強。能否請您進一步為我們介紹一下你們在這方面的技術路線和發展規劃？目前，你們在利用更先進的模型以及更多算力來提升排序和推薦效果方面，已經推進到什麼階段？

　　我的第二個問題想問馬克，有關公司向外部客戶提供算力服務的工作，您啱啱提到目前已經有不少客戶提出了購買算力的需求。但與此同時，公司也在向多家第三方供應商採購算力。我們希望進一步了解兩者之間的區別。這種情況主要是因為時間安排和階段性需求造成的臨時安排？還是因為模型訓練和推理任務存在不同需求，需要使用更適合各自場景的芯片？

　　蘇珊·李：我先回答第一個關於推薦系統未來規劃的問題。

　　首先，我們認為，今年下半年以及進入2027年之後，推薦系統仍然有進一步提升的空間。我們預計，這些改進將幫助Facebook和Instagram繼續提升用戶互動表現。

　　我想重點介紹兩個方面。第一，我們會繼續讓推薦內容更加個性化，更精準地匹配用戶興趣。具體來說，我們會持續升級推薦模型和模型架構，讓系統能夠更準確地理解用戶興趣，也能夠更快速地響應用戶在某個具體時刻關注的內容。AI技術投入將在實現這一目標的過程中發揮重要作用。其中一個方向是進一步擴大基於大語言模型的內容理解能力。通過大語言模型，我們可以更深入地理解用戶喜歡的帖子和創作者，更精準地識別用戶興趣，更及時地推薦符合用戶當下關注點的內容。同時，我們也會利用AI工具幫助發現高質量、新鮮以及正在流行的內容，降低低質量內容的佔比。

　　第二，我們會繼續完善數據基礎設施，讓模型能夠基於更多數據訓練，並更有效地利用這些數據。具體來說，我們會更精細地描述用戶過去互動過的內容，並利用更豐富的內容信息完善用戶歷史互動記錄。這樣，模型就能更準確地判斷哪些互動更符合用戶價值，哪些互動價值相對較低。同時，我們也會不斷擴大模型訓練所參考的用戶歷史互動範圍，並提升Facebook和Instagram推薦模型的複雜程度，從而充分發揮更大規模數據的價值。

　　我們在利用大語言模型進行內容理解方面取得了明顯進展。未來，我們會進一步將大語言模型應用到推薦系統以及內容治理體系中，讓它們具備更深入理解內容的能力。

　　總體來看，我們對這項工作的前景非常樂觀。

　　此外，我們也在探索基於大語言模型的智能體技術改造推薦系統。今年上半年，我們已經上線了更多利用AI智能體優化推薦排序的項目。這不僅能夠幫助提升推薦系統能力，也能提高工程師的開發效率。這也是我們非常期待的發展方向之一。

　　馬克·扎克伯格：我來回答第二個問題。

　　你的問題本質是這樣：我們一方面收到外部客戶購買算力的需求，另一方面又在採購算力。

　　從大的層面來看，目前市場需求遠遠超過可用算力供應。這也是為什麼我們會收到大量購買算力的需求。同時，我們自己也有很多內部應用場景，我們認為這些算力投入未來會創造非常大的價值。

　　當然，從經營的角度來看，我們一直需要考慮一個問題：一部分資源應該在當下直接變現，還是應該投入到未來更長期的能力建設中？我認為，這本質上是一個選擇組合。公司不可能只做長期投入，而完全忽視當前已經存在的市場機會；但如果為了短期收益，把所有算力都出售出去，同樣也是不明智的。如果我們能夠基於這些算力進一步打造自身的AI能力，那麼這種能力本身就會帶來更高的價值，並進一步放大算力投入的長期回報。

　　所以，我們目前採取的方式是：投入大量資本建設算力基礎設施，同時相信在合適的時候，我們具備直接向外部提供算力服務並實現商業化的能力。但與此同時，我們也清楚，基於這些算力構建AI能力同樣存在大量變現機會，包括我們之前提到的企業業務，也包括面向消費者的相關應用，還包括核心業務本身。

　　我這裏說的核心業務，並不一定是我們尚未公布的新產品，而是利用AI進一步提升現有服務能力，比如增強Facebook和Instagram中的內容理解能力，優化推薦排序、內容推薦以及廣告系統。

　　我認為，所有這些因素共同形成了目前的情況：我們現在投入建設數據中心，但這些基礎設施需要一定建設周期，只有正式上線之後才能開始創造價值。而我們看到的是，未來無論是算力服務、企業應用、消費者產品，還是核心業務中的AI升級，都存在非常大的需求。因此，我們希望抓住機會，儘可能地推動這些業務方向的發展。

　　美銀美林分析師Justin Post：馬克，大約一年前，你組建了公司AI實驗室的高級管理團隊。能否請您分享一下您對目前團隊發展情況的看法？在您看來，未來投資者是否會看到公司在模型、芯片以及其他AI相關領域的產品推出速度明顯加快？從長期來看，您認為公司的AI實驗室正在建立哪些能夠持續保持競爭優勢的能力？

　　馬克·扎克伯格：我對目前的發展方向和進展非常滿意。我們已經發布了幾款模型，它們在早期的模型擴展階段展現出了非常強的能力。正如我之前提到的，我們正在推進規模更大、能力更強的新一代模型開發，對此我們也非常期待。

　　我認為，這其中既包括模型智能能力的提升，也包括數據能力的積累。無論進入哪個產品領域，我相信都會形成一種正向循環：通過了解用戶行為以及用戶群體如何使用產品不斷獲得反饋；而這些反饋又會進一步幫助我們改進產品。越能有效利用這種反饋機制，產品就會變得越好。

　　我認為，在AI領域，目前很多人關注的重點都集中在智能水平本身。但實際上，要真正為用戶提供有價值的服務，數據和知識同樣非常重要。如果我們討論的是個人超級智能（personal super intelligence），那麼它需要非常深入地理解一個人的生活狀態、目標以及所處環境。這種對用戶全面、準確的理解，將會成為非常關鍵的一部分。

　　不同公司在不同市場、不同業務環節中，都會擁有各自不同的優勢。我認為，我們之所以能同時推進多個方向的探索，其中一個重要原因是：AI技術本身具有通用性。當我們不斷提升AI能力時，這些能力可以應用到多個不同場景中。與此同時，我們也需要在這些場景中不斷積累數據和反饋，形成持續改進的循環，因為這正是長期競爭優勢的重要來源。

　　Meta已經證明了一點：當我們找到一個有效的產品形態和使用場景後，我們非常擅長將其推廣給數十億用戶。甚至可以說，在把成熟產品擴展到全球大規模用戶群體方面，我們可能是世界上最優秀的公司之一。

　　對於個人智能體方向，我非常有信心。對於企業智能體方向，我同樣非常看好。尤其是在企業智能體領域，我們已經擁有服務數百萬廣告主和小企業的服務基礎，這讓我們具備進一步推廣和拓展相關服務的優勢。而這些能力，以及我們正在形成的數據積累和反饋循環，都會成為我們長期、持久的競爭優勢。

　　當然，在研究方面，我們還需要建立良好的研發文化。這其實是最基礎但也最重要的事情：確保團隊管理方式合理、高效，能夠長期穩定發展，減少內部消耗，讓能力隨着時間不斷積累。

　　我認為，如果能夠把上述這些事情做好，雖然很難用一個簡單的數學公式來解釋，但這正是企業得以長期發展的規律。這也是我們正在努力做的事情。

　　巴克萊分析師Ross Sandler：我想跟進一下有關AI實驗室的問題。人工智能模型Muse Spark 1.1目前已經非常接近性能與成本之間的最優平衡點，它處於智能能力區間的較低端，或者更準確地說，是成本較低的一端。

　　從您剛纔的回答來看，你似乎認為，公司既需要在低成本方向展開競爭，也需要在更高成本、更高性能的模型方向保持競爭力。能否進一步談談您對此的看法？

　　另外，公司AI團隊的負責人也曾提到，公司可能會重新回到開源路線，這和幾年前的方向比較接近。那麼，在當前圍繞AI產品和模型商業化的討論中，管理層認為開源戰略將如何融入整體規劃？

　　馬克·扎克伯格：我先從模型研發過程本身來談這個問題。

　　基本上來說，在訓練大型模型的每一個階段，我們都會觀察到一些新的能力出現。通常來看，模型發展的路徑是從訓練較小規模的模型開始，逐步擴展到更大規模的模型。

　　目前我們已經發布的模型都處於一定規模階段，並且正在沿着模型規模擴展的路徑不斷推進。對於Muse Spark 1和Muse Spark 1.1，我認為，以它們目前的模型規模、所處的發展階段以及AI研究團隊當前的建設階段來看，它們都是非常出色的模型，我對它們的表現非常滿意。

　　當然，我們也希望打造能力更強的模型。也正因如此，我們持續擴大模型規模，並建設相應的研究基礎設施。

　　與此同時，我們也希望擁有高質量、更高效率的模型，因為未來面向大規模消費者服務時，這類模型將發揮非常重要的作用。如果需要服務數十億用戶，我們既需要更先進的模型來處理那些非常複雜、困難的問題，也需要利用更簡單、更高效的模型來處理絕大多數日常請求。我認為，這兩個方向都非常重要。模型效率非常關鍵，但與此同時，我們也希望能夠解決全球企業和用戶面臨的最複雜問題。因此，這兩個方向我們都會關注。

　　關於開源，我們一直以來都認為開源是整個生態系統中非常重要的一部分，它對整個行業發展都有積極意義。開源也會形成我們自身的正向反饋循環：社區會更加深入地參與到我們的基礎設施建設和相關工作之中，並幫助我們持續改進和完善。我們一直以來的觀點都是在開源和閉源之間採取結合的方式，這一點未來也不會改變。

　　在推進Meta超級智能實驗室（Meta Superintelligence Labs，MSL）建設的過程中，有一點可能與直覺不同：開發開源模型實際上需要我們投入更多工作。如果一個模型只是作為內部系統使用、只服務於公司自身的一些應用場景，那麼它可以針對特定需求進行優化。但如果模型要公開發布，並被廣泛用於各種不同場景，就需要具備更全面、更均衡的能力。我希望確保MSL團隊能夠充分發揮能力，打造我們能夠實現的最先進模型，而不會受到其他因素的限制。我們預計在未來某個時間點會重新發布一系列開源模型。

　　正如我們一直強調的，我們並不會固守某一種模式。我們認為開源非常重要，也希望繼續為開源生態做出貢獻。未來，我們計劃同時推進開源模型和閉源模型的發展。

　　富國銀行分析師Ken Gawrelski：我的第一個問題想跟進一下馬克剛纔提到的開放權重模型（即開放模型參數、允許外部使用的AI模型）。目前圍繞這一話題有很多討論，管理層也曾發表過相關看法。如果隨着未來開放權重模型越來越普及，這會不會改變Meta開發閉源專有前沿模型的戰略？換句話說，開放權重模型的大規模發展是否意味着Meta沒有必要再自行開發自己的前沿模型？

　　我的第二個問題想請蘇珊進一步為我們理清。在剛纔的簡報中您提到，公司計劃最大程度提升2026年和2027年的算力能力。這更多是基於需求端的判斷，還是基於供應端的規劃？換句話說，你的意思是，Meta計劃將在2027年建設完成的算力全部用於內部需求？還是說，公司會根據2028年及未來Meta產品和服務的實際需求，再決定未來進一步的基礎設施建設規模？

　　馬克·扎克伯格：我來回答關於開源的問題。

　　這個問題的核心是：我們是否認為，因為現在已經出現了一些開放權重模型，所以未來可以直接依賴這些模型，而不需要自己開發？目前來看，答案是否定的。因為現階段開放權重模型的能力還不如最先進的前沿模型。

　　此外，這裏面還涉及一個長期存在的政策討論，以及對於其他公司行為的不確定性問題——也就是說，一家公司是否真的可以長期依賴其他機構提供的模型能力？

　　我認為這一點其實非常複雜。從這兩個方面來看，我始終認為，Meta有能力做出更好的模型；同時，我們也認為過度依賴外部模型存在一定風險。我個人並不認為這是一條正確的發展路徑。如果重新審視Meta這家公司，很多人看到的可能只是表面：我們打造了一些社交應用，並擁有廣告業務。但實際上，Meta是一家真正意義上的全棧技術公司：我們會建設自己的數據中心、開發自己的基礎設施、研發自己的芯片，也會構建自己的底層軟件系統。

　　在公司成立的早期，我本人也是工程師出身，曾經參與編寫大量的底層系統代碼。Facebook之所以能夠成功，很大程度上是因為它運行得足夠穩定、高效——在一些其他社交網絡無法做到快速、流暢運行的時候，我們就做到了這一點。

　　我認為，我們具備打造更加個性化、更加優化、更加高效產品的能力。有些體驗其他公司甚至很難實現，因為我們的技術能力覆蓋了整個技術鏈路。

　　對我來說，很明顯的一點是：未來能夠自主研發和掌控自己的模型能力將成為整個技術體系中非常重要的一部分。這也是為什麼這對Meta如此重要。也正是由於這個原因，其他公司非常重視開源模型，以及為什麼開源生態本身具有重要意義。因為很多公司即使沒有能力自主訓練這些模型，也不希望未來只能依賴少數幾家封閉的AI實驗室。

　　因此，我認為，世界上一定需要開放模型存在的空間。

　　需要明確的是，這並不會削弱API服務或者我們前面提到的其他商業機會。因為無論模型是否開放，總有人需要運行這些模型、執行推理任務，並且高效地部署這些模型。而具備運行模型所需的算力和基礎設施能力，未來仍然會成為重要的商業優勢。我並不認為這些方向之間存在必然衝突。

　　但如果考慮全球範圍內越來越多成熟的企業和客戶，他們會希望確保自己能夠掌握未來的發展方向，能夠信任所使用的模型，確保自己的數據安全，也不會把重要數據交給潛在競爭對手。從這個角度來看，我相信開源模型會因此發揮重要作用；與此同時，Meta自主開發模型能力同樣會是關鍵組成部分。

　　另外，雖然所有模型通常都會通過一套統一的評測體系進行比較，結果可能顯示某些模型之間只相差幾個百分點，但實際上，不同模型真正具備的能力組合是不同的。這有點像人一樣：每個人都有自己擅長的領域，也有不同的特點，在不同任務上的表現各有優勢。如果你要打造面向個人用戶的超級智能，或者為小企業打造商業智能體，那麼這些系統可能需要具備一些不同於其他AI實驗室模型的能力。就像過去我們能夠對Instagram推薦系統和廣告系統進行全流程優化一樣，正是這種覆蓋整個技術鏈路的能力，讓我們取得了長期、不錯的效果。

　　我相信，在未來打造這種全棧式模型能力也會成為我們構建個人超級智能體、企業智能體以及其他面向不同客戶應用場景的重要優勢。再加上我們擁有的用戶覆蓋能力，以及將成熟產品推廣到大規模用戶群體中的能力，我相信這些會構成我們長期競爭優勢的重要來源。

　　我相信，Meta真正的優勢在於能夠針對具體應用場景打造高度匹配的系統，並且讓它在這些場景中表現卓越。當然，這會是一項非常大的投入，也是一個非常重要的戰略選擇。但我們已經看到這項技術正在發揮作用。我們對AI實驗室團隊的發展軌跡感到滿意，也對即將推出的產品充滿期待。我們相信，這將成為一個非常重要的發展方向。

　　同樣，我也理解，這對於整個行業來說都是一次重大的投入和押注。但從個人判斷來看，我相信那些願意投入這一領域的公司，從長期來看一定會獲得回報，也會對自己的選擇感到滿意。

　　蘇珊·李：我簡單回答一下你的第二個問題。我在簡報中提到「要重點關注2026年和2027年的算力能力建設」時，實際上有兩個方面的考慮。第一，目前以及未來一段可預見的時間內，我們都將處於算力供不應求的狀態。這個情況不僅存在於AI業務，也包括我們的核心業務——如果能擁有更多算力，我們仍然有大量值得投入的場景，可以通過增加算力投入進一步創造價值。第二，當然還有一個因素，就是未來建設能力所面臨的不確定性。正如我之前在發言中提到的，我們還需要進一步完善整個供應鏈體系，以支持未來更大規模的基礎設施建設。

　　而當我們展望2028年以及更遠的未來時，我們認為屆時整個行業環境會發生很大變化，我們自身的內部需求也會不斷變化。到那個時候，我們也會掌握更多信息，能夠做出更加明確的判斷。

　　因此，如果在當前階段規劃2028年的建設時，我們更關注的是如何保持靈活性。也就是說，我們希望提前做好土地、電力等基礎資源的準備，但對於購買芯片以及其他重大資本投入，我們則希望儘可能推遲到以後的某個時間節點，根據當時實際情況再做決定。

目前來看，我們非常明確的是，2026年和2027年的算力仍然有大量明確的應用需求，這也是我們當前基礎設施建設的主要方向。