专题：聚焦美股2026年第二季度财报

　　Meta给出的本季度营收展望令人失望，加剧了投资者对该公司史无前例的人工智能支出的担忧。这家社交媒体巨头表示，第三季度营收预计为610亿至640亿美元，彭博汇编的数据显示，该区间中值低于分析师平均预期的632亿美元。

　　详见：Meta第三财季营收展望逊于预期 上调全年资本开支预估下限

　　财报发布后，Meta首席执行官马克·扎克伯格（Mark Zuckerberg）、首席财务官苏珊·李（Susan Li）等高管召开了分析师电话会议，回答了相关业务的问题。

　　以下是电话会议实录：

　　摩根士丹利分析师Brian Nowak：我的第一个问题想问马克。在刚刚的简报中，您详细为我们介绍了消费端和企业端智能体、API 工具以及算力租赁等新产品，新品线非常庞大。这些领域也都蕴含着很多机会。我的问题是，展望这些机会，并结合当前产品、算力供给等方面的发展情况来看，您认为哪些业务最有可能率先实现规模化？哪些领域大概会在2026年、2027年取得突破，从而能向投资者展示可以量化、具有实质意义的投资资本回报率（ROIC）？

　　我的第二个问题想问苏珊。此前管理层曾公开谈到2027年的产能规划，以及产能将实现翻倍，我也很感谢您刚才对资本支出的详细说明。对于2027年的资本支出，您是否还可以与我们分享一些初步看法？哪怕只是介绍一下整体思路也可以，比如你们认为有哪些推动资本支出进一步增加的因素？以及有哪些可能带来下行压力的因素？另外，在推进这一项跨年度的大规模建设计划时，管理层是否会考虑不同的融资方式？以及公司在2027年有哪些资本支出安排？

　　马克·扎克伯格：我先回答第一个问题，即关于这些不同的业务机会，以及我们如何配置算力资源。

　　总体来说，相当一部分算力会用于模型训练，以保持我们作为行业领先AI实验室的竞争力。我认为，这是一项非常重要的投资。剩余的算力则会投入到多项产品和收入机遇中，包括持续优化和提升我们的核心业务能力、推出我们即将发布的新消费级产品、支持API业务、企业智能体业务、我刚才提到的开发者工具产品，以及直接对外提供算力服务等等。我刚才也提到，目前已经有不少客户表示愿意购买我们的算力，而且给出的价格远高于我们的成本。

　　面对这些业务机会时，我们的判断是，相比直接出售算力，提供AI智能服务的利润率会高得多，而且这种优势还会持续。当然，我们也认为，直接提供算力服务同样存在非常大的市场机会。

　　你刚才的问题提到，哪一项业务最有可能率先实现大规模增长。实际上，我对所有这些业务的发展前景都相当乐观。我认为它们都有望实现显著增长。其中不少业务的具体进展，相信我们很快就会有新消息与大家分享。

　　苏珊·李：关于你的第二个问题，目前我们还不会对2027年的资本支出给出具体指引。我们仍在持续评估未来几年的基础设施建设规划，因此相关计划还有较大的调整空间。即使是今年，我们给出的资本支出预期本身也涵盖了多种可能的情形。

　　我刚才也提到，我们当前的基础设施规划主要围绕两个目标展开：一是尽可能满足2026年和2027年的算力需求；二是在支持2028年及未来持续增长的同时，保留足够的灵活性，以便等到我们对未来实际需求有了更清晰的判断后，再决定服务器的具体部署方案。

　　未来几年我们究竟需要多大的算力，目前公司仍在评估之中。总体而言，我们认为：与几年后的算力相比，能够尽快投入使用的算力对我们更重要。因此，我们整体的基础设施规划仍在持续调整和优化。

　　高盛分析师Eric Sheridan：我的第一个问题想请教马克。您之前谈到了企业业务的机会。我想了解的是，目前凭借你们已经建立起来的市场拓展体系，包括依托现有广告和营销业务延伸出来的销售渠道，你们已经能够覆盖多大的市场机会？还有多少机会需要通过建立新的市场拓展模式和销售体系，才能真正把握住？

　　我的第二个问题想请教苏珊。我有一个关于资金的跟进问题。展望未来几年公司的资金来源，您刚才也提到了昨天宣布的那笔交易（Meta联合贝莱德成立合资企业，计划投资140亿美元建设得州AI数据中心），认为这是提前为未来资金需求做准备的一种融资方式。与此同时，也一直有投资者问我们，Meta未来会如何安排融资结构？比如债务融资和股权融资各自会占多大比重？以及整体资金来源会如何配置？

　　从更长期的角度来看，我理解你们希望保持积极投入、持续加大投资力度，同时又需要满足庞大的资金需求。在这两者之间，公司的整体融资思路和资金规划是怎样考虑的？

　　马克·扎克伯格：我认为，企业业务未来的发展会来自两个方面：一方面是在现有业务基础上的延伸。我们目前主要服务的是广告主和企业客户，帮助那些面向消费者的商家触达用户，并直接向他们销售产品。实际上，这也是Facebook和Instagram绝大部分业务的基础。

　　我们认为，未来可以通过企业智能体进一步拓展这一模式，让企业通过消息应用以及其他产品场景持续与客户进行互动。这个逻辑和广告系统类似：只要我们帮助企业实现业务效果，就能从中获得收入。我们也把这看作是现有销售体系和商业合作关系的延伸。目前，我们已经与数百万广告主以及数亿使用我们平台的小企业建立了合作关系，因此，这对我们来说是一个非常自然的发展方向。

　　在推进这项业务时，我们关注的重点并不是短期内尽可能地提高销售规模，而是帮助企业用户获得最好的业务效果，并建立一个成熟有效的竞价体系。从长期来看，我们过去的广告业务已经证明，这种模式能够很好地推动业务发展。

　　除此之外，我们未来也会服务更多类型的企业客户。比如，我们正在开发代码工具和内部生产力工具，一方面是因为我们自身需要这些工具，也需要确保这些工具能够真正满足我们的内部需求；另一方面，当这些能力成熟后，我们认为，无论是对于小企业还是大型企业，这些能力都意味着非常大的服务机会。

　　当然，这与我们过去擅长的业务模式有所不同，需要我们培养新的能力。关于未来如何建设这一业务体系，我们很快会与大家分享更多信息。

　　总体来看，我认为企业市场存在着非常巨大的机会。最近外界有很多关于算力业务的讨论，但我认为，企业业务的机遇实际上来自多个方向的结合，而不仅仅是出售算力。具体而言，其中包括算力服务、API服务、生产力工具，以及面向非营销场景的企业智能体服务，这些共同构成了我们整体的企业解决方案。我认为，这里面蕴含着非常大的市场空间，我们也正在重点投入。

　　对于公司来说，这会是一项新的能力建设。但我认为，这也是我们必须建立的重要能力，只有这样，我们才能更好地抓住未来巨大的市场机会。

　　苏珊·李：关于你的第二个问题，也就是资金来源方面，我们一直在认真评估未来财务规划中的相关安排。

　　首先，公司强劲的经营现金流为我们推进基础设施建设提供了非常有力的资金保障。近年来，我们也在不断优化资本结构，逐步提高债务融资的比例，以降低整体资金成本。总体而言，在投资那些本身具有长期周期的项目时，尤其是AI基础设施项目，我们认为持续引入成本较低、期限较长的资金来源是一种更加稳健的做法。

　　此外，我们也在不断拓展融资方式，包括探索诸如昨天宣布的与贝莱德（BlackRock）合作这样的模式。未来，在评估新的投资项目时，我们会继续审慎考虑不同资金来源的组合方式，以选择最合适的融资方案。

　　伯恩斯坦研究所分析师Mark Shmulik：马克，很多人都有类似的经历：有人从硅谷回来，花大量时间写代码、开发AI智能体，然后回家告诉父母，他们现在使用AI的方式其实还不对——很多人只是把AI当成一个“加强版的搜索工具”。

　　消费者行为一直都很难预测。结合您前几天发表的《The AI Future is for Everyone》这篇文章，我想请教，您如何看待消费者使用习惯的变化？他们是否会逐渐挖掘出AI的更多价值，从而解决目前AI能力很强、但用户实际使用还比较有限的问题？我们现在是否正处于一个AI应用即将迎来突破的阶段？还是说这仍然需要更多时间和耐心？

　　马克·扎克伯格：其实已经有一些领域开始实现突破了。与其他技术相比，AI技术有一个很有意思的特点：它的发展周期可能会不断加快。大约每隔一年，我们都会看到新的能力出现，而这些新能力又会催生出新的产品方向。

　　目前，面向消费者的AI助手就是一个明显的方向。Meta AI正在探索这一领域，其他竞争对手也推出了类似产品。过去一年里，我认为AI编程智能体市场发展也非常迅速，这也是第一个真正形成规模的智能体应用市场。AI编程智能体之所以率先发展起来，有几个原因。首先，它面向的是技术用户，这类用户愿意投入时间和精力去尝试和完善产品；其次，编程本身是一项高度数字化、结果反馈明确的任务，从某种程度上来说，也是相对更容易训练AI的场景。

　　我们目前的一个重要判断是：面向消费者的个人智能体最终会成为一个非常重要、规模巨大的市场。

　　如果展望未来五年，我认为几乎可以确定的是，会有数十亿人拥有自己的个人智能体。这些智能体能够理解你的目标，全天候代表你完成任务，无论是在你关注的哪个领域，比如健康管理、兴趣爱好、个人财务、提高家庭生活效率、改善人际关系，或者帮助你的职业发展等等。这些应用场景非常丰富，也非常深入。

　　正如你刚才提到的，面向消费者开发产品，与面向开发者开发产品其实存在着明显区别。如果你面向消费者，尤其是希望打造一个服务数十亿人的产品，它首先必须做到简单、可靠、“开箱即用”。目前我们看到的很多智能体，或者说智能体的早期形态，仍然需要用户进行大量设置和调整。比如，用户需要进入终端环境完成配置才能运行某个任务；有些时候体验看起来非常神奇，但随着使用深入，效果可能会逐渐下降。

　　我认为，只有那些真正能够打造出“无需复杂操作、直接就能发挥作用”的个人智能体的公司，才会迎来AI技术领域下一轮非常重要的发展机会。

　　除了我们正在推进的Meta AI以及企业智能体业务之外，我们也会继续开发能够推动新能力产生的新一代模型。正因为这些方向同时存在，我们对未来非常有信心。我们很快就会推出相关产品，但目前还没有正式对外发布相关信息。在财报电话会上，我能分享的信息也有限。

　　但我认为，这是一个规模极大的机会，而且未来一定会有人实现这一目标。这个方向也非常符合Meta自身的优势。

　　长期以来，Meta始终擅长打造能够服务数十亿用户的消费级产品；一旦我们验证某项产品有效，也非常擅长将它快速推广到大规模用户群体。同时，我们也具备建设基础设施、支撑这些高强度应用运行的能力。

　　所以，我对此非常有信心。当然，最终还是要把产品真正交付给用户，这也是我们目前最关注的工作之一。

　　摩根大通分析师Doug Anmuth：我有两个问题。首先，苏珊，你刚才提到，大语言模型（LLM）在提升排序和推荐效果方面的能力越来越强。能否请您进一步为我们介绍一下你们在这方面的技术路线和发展规划？目前，你们在利用更先进的模型以及更多算力来提升排序和推荐效果方面，已经推进到什么阶段？

　　我的第二个问题想问马克，有关公司向外部客户提供算力服务的工作，您刚刚提到目前已经有不少客户提出了购买算力的需求。但与此同时，公司也在向多家第三方供应商采购算力。我们希望进一步了解两者之间的区别。这种情况主要是因为时间安排和阶段性需求造成的临时安排？还是因为模型训练和推理任务存在不同需求，需要使用更适合各自场景的芯片？

　　苏珊·李：我先回答第一个关于推荐系统未来规划的问题。

　　首先，我们认为，今年下半年以及进入2027年之后，推荐系统仍然有进一步提升的空间。我们预计，这些改进将帮助Facebook和Instagram继续提升用户互动表现。

　　我想重点介绍两个方面。第一，我们会继续让推荐内容更加个性化，更精准地匹配用户兴趣。具体来说，我们会持续升级推荐模型和模型架构，让系统能够更准确地理解用户兴趣，也能够更快速地响应用户在某个具体时刻关注的内容。AI技术投入将在实现这一目标的过程中发挥重要作用。其中一个方向是进一步扩大基于大语言模型的内容理解能力。通过大语言模型，我们可以更深入地理解用户喜欢的帖子和创作者，更精准地识别用户兴趣，更及时地推荐符合用户当下关注点的内容。同时，我们也会利用AI工具帮助发现高质量、新鲜以及正在流行的内容，降低低质量内容的占比。

　　第二，我们会继续完善数据基础设施，让模型能够基于更多数据训练，并更有效地利用这些数据。具体来说，我们会更精细地描述用户过去互动过的内容，并利用更丰富的内容信息完善用户历史互动记录。这样，模型就能更准确地判断哪些互动更符合用户价值，哪些互动价值相对较低。同时，我们也会不断扩大模型训练所参考的用户历史互动范围，并提升Facebook和Instagram推荐模型的复杂程度，从而充分发挥更大规模数据的价值。

　　我们在利用大语言模型进行内容理解方面取得了明显进展。未来，我们会进一步将大语言模型应用到推荐系统以及内容治理体系中，让它们具备更深入理解内容的能力。

　　总体来看，我们对这项工作的前景非常乐观。

　　此外，我们也在探索基于大语言模型的智能体技术改造推荐系统。今年上半年，我们已经上线了更多利用AI智能体优化推荐排序的项目。这不仅能够帮助提升推荐系统能力，也能提高工程师的开发效率。这也是我们非常期待的发展方向之一。

　　马克·扎克伯格：我来回答第二个问题。

　　你的问题本质是这样：我们一方面收到外部客户购买算力的需求，另一方面又在采购算力。

　　从大的层面来看，目前市场需求远远超过可用算力供应。这也是为什么我们会收到大量购买算力的需求。同时，我们自己也有很多内部应用场景，我们认为这些算力投入未来会创造非常大的价值。

　　当然，从经营的角度来看，我们一直需要考虑一个问题：一部分资源应该在当下直接变现，还是应该投入到未来更长期的能力建设中？我认为，这本质上是一个选择组合。公司不可能只做长期投入，而完全忽视当前已经存在的市场机会；但如果为了短期收益，把所有算力都出售出去，同样也是不明智的。如果我们能够基于这些算力进一步打造自身的AI能力，那么这种能力本身就会带来更高的价值，并进一步放大算力投入的长期回报。

　　所以，我们目前采取的方式是：投入大量资本建设算力基础设施，同时相信在合适的时候，我们具备直接向外部提供算力服务并实现商业化的能力。但与此同时，我们也清楚，基于这些算力构建AI能力同样存在大量变现机会，包括我们之前提到的企业业务，也包括面向消费者的相关应用，还包括核心业务本身。

　　我这里说的核心业务，并不一定是我们尚未公布的新产品，而是利用AI进一步提升现有服务能力，比如增强Facebook和Instagram中的内容理解能力，优化推荐排序、内容推荐以及广告系统。

　　我认为，所有这些因素共同形成了目前的情况：我们现在投入建设数据中心，但这些基础设施需要一定建设周期，只有正式上线之后才能开始创造价值。而我们看到的是，未来无论是算力服务、企业应用、消费者产品，还是核心业务中的AI升级，都存在非常大的需求。因此，我们希望抓住机会，尽可能地推动这些业务方向的发展。

　　美银美林分析师Justin Post：马克，大约一年前，你组建了公司AI实验室的高级管理团队。能否请您分享一下您对目前团队发展情况的看法？在您看来，未来投资者是否会看到公司在模型、芯片以及其他AI相关领域的产品推出速度明显加快？从长期来看，您认为公司的AI实验室正在建立哪些能够持续保持竞争优势的能力？

　　马克·扎克伯格：我对目前的发展方向和进展非常满意。我们已经发布了几款模型，它们在早期的模型扩展阶段展现出了非常强的能力。正如我之前提到的，我们正在推进规模更大、能力更强的新一代模型开发，对此我们也非常期待。

　　我认为，这其中既包括模型智能能力的提升，也包括数据能力的积累。无论进入哪个产品领域，我相信都会形成一种正向循环：通过了解用户行为以及用户群体如何使用产品不断获得反馈；而这些反馈又会进一步帮助我们改进产品。越能有效利用这种反馈机制，产品就会变得越好。

　　我认为，在AI领域，目前很多人关注的重点都集中在智能水平本身。但实际上，要真正为用户提供有价值的服务，数据和知识同样非常重要。如果我们讨论的是个人超级智能（personal super intelligence），那么它需要非常深入地理解一个人的生活状态、目标以及所处环境。这种对用户全面、准确的理解，将会成为非常关键的一部分。

　　不同公司在不同市场、不同业务环节中，都会拥有各自不同的优势。我认为，我们之所以能同时推进多个方向的探索，其中一个重要原因是：AI技术本身具有通用性。当我们不断提升AI能力时，这些能力可以应用到多个不同场景中。与此同时，我们也需要在这些场景中不断积累数据和反馈，形成持续改进的循环，因为这正是长期竞争优势的重要来源。

　　Meta已经证明了一点：当我们找到一个有效的产品形态和使用场景后，我们非常擅长将其推广给数十亿用户。甚至可以说，在把成熟产品扩展到全球大规模用户群体方面，我们可能是世界上最优秀的公司之一。

　　对于个人智能体方向，我非常有信心。对于企业智能体方向，我同样非常看好。尤其是在企业智能体领域，我们已经拥有服务数百万广告主和小企业的服务基础，这让我们具备进一步推广和拓展相关服务的优势。而这些能力，以及我们正在形成的数据积累和反馈循环，都会成为我们长期、持久的竞争优势。

　　当然，在研究方面，我们还需要建立良好的研发文化。这其实是最基础但也最重要的事情：确保团队管理方式合理、高效，能够长期稳定发展，减少内部消耗，让能力随着时间不断积累。

　　我认为，如果能够把上述这些事情做好，虽然很难用一个简单的数学公式来解释，但这正是企业得以长期发展的规律。这也是我们正在努力做的事情。

　　巴克莱分析师Ross Sandler：我想跟进一下有关AI实验室的问题。人工智能模型Muse Spark 1.1目前已经非常接近性能与成本之间的最优平衡点，它处于智能能力区间的较低端，或者更准确地说，是成本较低的一端。

　　从您刚才的回答来看，你似乎认为，公司既需要在低成本方向展开竞争，也需要在更高成本、更高性能的模型方向保持竞争力。能否进一步谈谈您对此的看法？

　　另外，公司AI团队的负责人也曾提到，公司可能会重新回到开源路线，这和几年前的方向比较接近。那么，在当前围绕AI产品和模型商业化的讨论中，管理层认为开源战略将如何融入整体规划？

　　马克·扎克伯格：我先从模型研发过程本身来谈这个问题。

　　基本上来说，在训练大型模型的每一个阶段，我们都会观察到一些新的能力出现。通常来看，模型发展的路径是从训练较小规模的模型开始，逐步扩展到更大规模的模型。

　　目前我们已经发布的模型都处于一定规模阶段，并且正在沿着模型规模扩展的路径不断推进。对于Muse Spark 1和Muse Spark 1.1，我认为，以它们目前的模型规模、所处的发展阶段以及AI研究团队当前的建设阶段来看，它们都是非常出色的模型，我对它们的表现非常满意。

　　当然，我们也希望打造能力更强的模型。也正因如此，我们持续扩大模型规模，并建设相应的研究基础设施。

　　与此同时，我们也希望拥有高质量、更高效率的模型，因为未来面向大规模消费者服务时，这类模型将发挥非常重要的作用。如果需要服务数十亿用户，我们既需要更先进的模型来处理那些非常复杂、困难的问题，也需要利用更简单、更高效的模型来处理绝大多数日常请求。我认为，这两个方向都非常重要。模型效率非常关键，但与此同时，我们也希望能够解决全球企业和用户面临的最复杂问题。因此，这两个方向我们都会关注。

　　关于开源，我们一直以来都认为开源是整个生态系统中非常重要的一部分，它对整个行业发展都有积极意义。开源也会形成我们自身的正向反馈循环：社区会更加深入地参与到我们的基础设施建设和相关工作之中，并帮助我们持续改进和完善。我们一直以来的观点都是在开源和闭源之间采取结合的方式，这一点未来也不会改变。

　　在推进Meta超级智能实验室（Meta Superintelligence Labs，MSL）建设的过程中，有一点可能与直觉不同：开发开源模型实际上需要我们投入更多工作。如果一个模型只是作为内部系统使用、只服务于公司自身的一些应用场景，那么它可以针对特定需求进行优化。但如果模型要公开发布，并被广泛用于各种不同场景，就需要具备更全面、更均衡的能力。我希望确保MSL团队能够充分发挥能力，打造我们能够实现的最先进模型，而不会受到其他因素的限制。我们预计在未来某个时间点会重新发布一系列开源模型。

　　正如我们一直强调的，我们并不会固守某一种模式。我们认为开源非常重要，也希望继续为开源生态做出贡献。未来，我们计划同时推进开源模型和闭源模型的发展。

　　富国银行分析师Ken Gawrelski：我的第一个问题想跟进一下马克刚才提到的开放权重模型（即开放模型参数、允许外部使用的AI模型）。目前围绕这一话题有很多讨论，管理层也曾发表过相关看法。如果随着未来开放权重模型越来越普及，这会不会改变Meta开发闭源专有前沿模型的战略？换句话说，开放权重模型的大规模发展是否意味着Meta没有必要再自行开发自己的前沿模型？

　　我的第二个问题想请苏珊进一步为我们理清。在刚才的简报中您提到，公司计划最大程度提升2026年和2027年的算力能力。这更多是基于需求端的判断，还是基于供应端的规划？换句话说，你的意思是，Meta计划将在2027年建设完成的算力全部用于内部需求？还是说，公司会根据2028年及未来Meta产品和服务的实际需求，再决定未来进一步的基础设施建设规模？

　　马克·扎克伯格：我来回答关于开源的问题。

　　这个问题的核心是：我们是否认为，因为现在已经出现了一些开放权重模型，所以未来可以直接依赖这些模型，而不需要自己开发？目前来看，答案是否定的。因为现阶段开放权重模型的能力还不如最先进的前沿模型。

　　此外，这里面还涉及一个长期存在的政策讨论，以及对于其他公司行为的不确定性问题——也就是说，一家公司是否真的可以长期依赖其他机构提供的模型能力？

　　我认为这一点其实非常复杂。从这两个方面来看，我始终认为，Meta有能力做出更好的模型；同时，我们也认为过度依赖外部模型存在一定风险。我个人并不认为这是一条正确的发展路径。如果重新审视Meta这家公司，很多人看到的可能只是表面：我们打造了一些社交应用，并拥有广告业务。但实际上，Meta是一家真正意义上的全栈技术公司：我们会建设自己的数据中心、开发自己的基础设施、研发自己的芯片，也会构建自己的底层软件系统。

　　在公司成立的早期，我本人也是工程师出身，曾经参与编写大量的底层系统代码。Facebook之所以能够成功，很大程度上是因为它运行得足够稳定、高效——在一些其他社交网络无法做到快速、流畅运行的时候，我们就做到了这一点。

　　我认为，我们具备打造更加个性化、更加优化、更加高效产品的能力。有些体验其他公司甚至很难实现，因为我们的技术能力覆盖了整个技术链路。

　　对我来说，很明显的一点是：未来能够自主研发和掌控自己的模型能力将成为整个技术体系中非常重要的一部分。这也是为什么这对Meta如此重要。也正是由于这个原因，其他公司非常重视开源模型，以及为什么开源生态本身具有重要意义。因为很多公司即使没有能力自主训练这些模型，也不希望未来只能依赖少数几家封闭的AI实验室。

　　因此，我认为，世界上一定需要开放模型存在的空间。

　　需要明确的是，这并不会削弱API服务或者我们前面提到的其他商业机会。因为无论模型是否开放，总有人需要运行这些模型、执行推理任务，并且高效地部署这些模型。而具备运行模型所需的算力和基础设施能力，未来仍然会成为重要的商业优势。我并不认为这些方向之间存在必然冲突。

　　但如果考虑全球范围内越来越多成熟的企业和客户，他们会希望确保自己能够掌握未来的发展方向，能够信任所使用的模型，确保自己的数据安全，也不会把重要数据交给潜在竞争对手。从这个角度来看，我相信开源模型会因此发挥重要作用；与此同时，Meta自主开发模型能力同样会是关键组成部分。

　　另外，虽然所有模型通常都会通过一套统一的评测体系进行比较，结果可能显示某些模型之间只相差几个百分点，但实际上，不同模型真正具备的能力组合是不同的。这有点像人一样：每个人都有自己擅长的领域，也有不同的特点，在不同任务上的表现各有优势。如果你要打造面向个人用户的超级智能，或者为小企业打造商业智能体，那么这些系统可能需要具备一些不同于其他AI实验室模型的能力。就像过去我们能够对Instagram推荐系统和广告系统进行全流程优化一样，正是这种覆盖整个技术链路的能力，让我们取得了长期、不错的效果。

　　我相信，在未来打造这种全栈式模型能力也会成为我们构建个人超级智能体、企业智能体以及其他面向不同客户应用场景的重要优势。再加上我们拥有的用户覆盖能力，以及将成熟产品推广到大规模用户群体中的能力，我相信这些会构成我们长期竞争优势的重要来源。

　　我相信，Meta真正的优势在于能够针对具体应用场景打造高度匹配的系统，并且让它在这些场景中表现卓越。当然，这会是一项非常大的投入，也是一个非常重要的战略选择。但我们已经看到这项技术正在发挥作用。我们对AI实验室团队的发展轨迹感到满意，也对即将推出的产品充满期待。我们相信，这将成为一个非常重要的发展方向。

　　同样，我也理解，这对于整个行业来说都是一次重大的投入和押注。但从个人判断来看，我相信那些愿意投入这一领域的公司，从长期来看一定会获得回报，也会对自己的选择感到满意。

　　苏珊·李：我简单回答一下你的第二个问题。我在简报中提到“要重点关注2026年和2027年的算力能力建设”时，实际上有两个方面的考虑。第一，目前以及未来一段可预见的时间内，我们都将处于算力供不应求的状态。这个情况不仅存在于AI业务，也包括我们的核心业务——如果能拥有更多算力，我们仍然有大量值得投入的场景，可以通过增加算力投入进一步创造价值。第二，当然还有一个因素，就是未来建设能力所面临的不确定性。正如我之前在发言中提到的，我们还需要进一步完善整个供应链体系，以支持未来更大规模的基础设施建设。

　　而当我们展望2028年以及更远的未来时，我们认为届时整个行业环境会发生很大变化，我们自身的内部需求也会不断变化。到那个时候，我们也会掌握更多信息，能够做出更加明确的判断。

　　因此，如果在当前阶段规划2028年的建设时，我们更关注的是如何保持灵活性。也就是说，我们希望提前做好土地、电力等基础资源的准备，但对于购买芯片以及其他重大资本投入，我们则希望尽可能推迟到以后的某个时间节点，根据当时实际情况再做决定。

目前来看，我们非常明确的是，2026年和2027年的算力仍然有大量明确的应用需求，这也是我们当前基础设施建设的主要方向。