2024年脸书研究报告：META的AI投入与ROI测算

META Capex变化与业务分配

META Capex变化

2024年公司上调Capex指引为370-400亿美元，同比+31%-40%。 截至目前，Meta对AI的投资经历了三个资本支出周期： ① 2017-2018 年：购买V系列芯片，建设数据中心； ② 2021-2022 年：GPU硬件切换，提升AI分发占比，在苹果IDFA政策后改进其内容排名/推荐算法，重建广告技术堆栈； ③ 2023至今：持续的GPU硬件切换与GenAI的投资。

META Capex变化与业务分配

AI推荐系统（Al content ranking ） 累计投入Capex约350亿美元。 “2023年财报会：所有资本支出增长的驱动力，我们将根据我们能够看到和衡量的回报来安排未来的投资。所以坦白说，我们希望有更多的机会在这里投资，因为我们预计这将是我们的高投资回报率的领域。  核心AI我们继续采取非常注重投资回报的方法，因为对用户参与度和广告性能的改进已经转化为收入增长。” 通用人工智能计算（GenAl） 累计投入Capex约140亿美元。 “2023年财报会：支持通用AI的资本支出投资是一个新兴的机会。我们仍处于了解各种应用和可能用例的初期阶段。我确实认为这可能代表了一个对我们来说重要的投资机会，它在回报曲线上的位置更早。现在说这将如何影响我们短期内的整体资本强度还为时过早。”

Capex变化与算力规模

23年底META表示24年底计划购买35万片英伟达H100，加上其他GPU约等效60万H100 GPU的计算能力。Omdia报道，2023年Meta和微软各购得15W H100，谷歌、亚马逊、甲骨文和腾讯各购得5W H100，特斯拉1.2W H100。TNP测算目前META拥有约6.6W V100、7.6W A100、15W H100，预计今年还将到货35WH100和2.4W B系列芯片。  TNP预计24年底GPU相关的累计资本支出将近150亿美元，其中24年一年支出达94.7亿美元，占比63%。经过22年与23年初的降本增效周期，META重新开始新一轮硬件投资。

AI技术对社媒广告的拉动

AI技术对广告业务的影响

AI带动广告曝光量（Impression）增长：通过精准推荐、 提升AI内容分发占比、数据标签体系完善提升Reels用户 时长增长，从而带动曝光量增长。 AI带动广告单价（CPM/Ad Price）增长:通过 Advantage+工具带动广告主投放环节20%ROI的提升，通 过精准投放匹配提升广告CTR。

META AI技术拉动广告曝光量（Impression）测算

提升AI分发占比（推荐你并未关注的用户内容）可以有效提升用户时长，通过AI技术更精准推荐促使内容快速传播、提升用户时长，AI推荐占比从22Q2的15%增长之24Q1的30%。GPU替换提升推荐精准度，拉动时长约为10%，随着GPU替换逐步改善。 公司业绩会表示22Q2 AI推荐算法带来15%Reels用户时长提升，23Q3推荐算法更新带来全年7%FB时长增长、6%INS时长增长，23Q4因为推荐算法的进步视频类观看时间同比增长25%。AI一方面促进内容推荐更精准，同时AI内容分发占比提升，将形成更精准的数据标签，和未来更多的商业化曝光流量位。 生成式模型尚未在推荐环节大规模使用，预计后续也能带动时长增长。

AI技术拉动广告曝光量测算：分发占比与时长变化对应图表

提升AI分发占比（推荐你并未关注的用户内容）可以有效提升用户时长，通过AI技术更精准推荐促使内容快速传播、提升用户时长，AI推荐占比从22Q2的15%增长之24Q1的30%。GPU替换提升推荐精准度，拉动时长约为10%，随着GPU替换逐步改善。 公司业绩会表示22Q2 AI推荐算法带来15%Reels用户时长提升，23Q3推荐算法更新带来全年7%FB时长增长、6%INS时长增长，23Q4因为推荐算法的进步视频类观看时间同比增长25%。AI一方面促进内容推荐更精准，同时AI内容分发占比提升，将形成更精准的数据标签，和未来更多的商业化曝光流量位。

总结：AI技术对META 社媒广告业务的拉动预测

① 22-24年:META借助Reels短视频功能的快速发展，通过提高AI分发占比显著拉动了Impression（曝光量/广告位）的增长。同时底层硬件升级成GPU，提升内容/广告推荐准确性。发布Advantage+广告投放工具，节省广告主投放成本，拉动CPM增长； ② 25-26年：随着GenAI与相关技术的发展，META在24年初发布基于Transformer改进广告推荐流程、从而提升推荐准确性的论文（详见本报告第五章）。预计随着底层硬件逐渐完备，推荐算法模块更新预计拉动CTR以及CPM持续增长。③ 27-29年：24Q2财报会扎克伯格提到广告推荐方面，Facebook已将所有视频类型集成到了一个播放系统中，未来希望朝着统一的推荐系统迈进。借助GenAI技术的大一统推荐系统有望颠覆目前推荐流程，达到更高的推荐准确度。

META AI的变现预测

META AI C端形态：嵌入应用家族生态的AI Agent

24年4月Meta Platforms在推出了Llama3时同时推出其改进的MetaAI聊天界面，该界面嵌入其Facebook、Instagram、WhatsApp和Messenger应用程序中。 Meta AI主要在聊天、搜索、总结等需求中使用，可以访问实时信息、生成图片。META与谷歌和必应合作获得实时信息，下一阶段的AI可以处理更多任务，形态更像一个Agent而不是聊天机器人。 公司财报会表示目前对AI带来的短期收入转化较为保守。AI收入并非直接体现在AI服务，而是可能通过其他方式。比如公司表示不做搜索广告，但Meta AI互动中可能会出现广告和付费内容。比如也可能为更大的模型、更多的计算能力或高级功能付费。

B端形态：WhatsApp+Click-To-Message广告，对话式营销的潜力

Click-to-message广告允许用户通过点击将客户引导至 WhatsApp、Instagram Direct 和Messenger，直接与品牌进行对话。这种广告类型特别有利于扩大覆盖面并有效提高与客户的互动。 ① 实时聊天：通过实时聊天更快地接触到客户，满足现代消费者对于快速响应的期望；② 个性化消息：能够直接与品牌建立联系，允许品牌向互动过的人发送个性化消息，提高受众参与度和品牌认知度；③ 互动答疑：吸引潜在客户点击消息，与广告进行更多互动，对话介绍产品更新、优惠和折扣，建立对业务的兴趣；通过该类广告为WhatsApp平台（类似企业微信）带来极大收入增长。WhatsApp商业版目前不通过订阅直接向用户收费，也没有计划在聊天中投放广告。23年初，该应用推出了自动化和自定义商家消息的付费功能。Meta还通过向企业收费发送特定信息给客户，以及销售链接至WhatsApp聊天的点击的消息广告来实现盈利。

B端形态：WhatsApp Business API产品收费模式

商家如果想要使用WhatsApp Business API，一般需要订阅第三方软件服务商，客户按照第三方计价方式付费。META对不同的SaaS供应商有统一的按量抽成规则。2022年2月1日，WhatsApp商业账号META采取全新收费模式，按照用户发起及商户发起有不同的定价标准：① 商户发起 (Business-Initiated)：如果整个对话是由商户主动开启，先前未有任何讯息的话，商家便必须使用预设的范本讯息发送（范本信息必须取得官方批准才能使用）。假如客户发出讯息后，商户未能及时在24小时内回复，此后开展的对话就属于「商户发起」，将被收取不同费率（比用户发起贵）。 ② 用户发起 (User-Initiated)：由客户主动引起的对话。如果在客人发出首个讯息后的24小时内商家回复，则属于「用户发起」的信息，商家发送的信息收费按照用户发起计价，相比较便宜。

AI对META收入贡献以及ROI变化

META收入增长以及AI贡献空间预测

根据测算AI变现的收入空间： ① AI对社媒广告：每年约拉动META传统社媒广告高个位数增长，在2029年约带动200亿美元/年的收入。② META AI：随着使用渗透率的提升，商业化变现显著增长，采用中性预测，预计29年可带动730亿美元/年收入量级。根据测算，AI技术对META 收入端的总拉动作用持续提升，预计在27年开始增速贡献超过20pcts。2029年，AI带来的收入预计占META总收入的1/4。

AI对META收入贡献空间以及ROI变化测算

假设META Capex在2025年达到500亿美元，后Capex稳定在450亿美元/年左右（考虑GPU/ASIC/AI模型成本优化）。① ROI（当年AI利润/当年AI投入）：在2028年可大于100%且快速提升，意味当年AI投入对现金流带来正面影响；② ROI（当年AI利润/AI当年折旧摊销）：在2028年可大于100%且快速提升，意味当年AI投入对净利润正面影响；③ ROIC(当年AI利润/累计AI投入)：29年AI投资ROIC达到20%且持续提升（ROIC为20%则5年可收回投资成本）。

META利用GenAI升级广告系统技术介绍

GPU替代：提升推荐模型性能，满足算力、带宽和时延平衡需求

GPU大规模替代，对于系统能力会更高，对广告收益提升，因为： ① 通过其并行计算能力提升了模型性能，模型承载力得到提升，能够在更大的样本去做选择； ② CPU无法做用户序列的模型，耗时长，计算难度更高，GPU可以提高序列长度，提高准度； GPU的成本是否能够被广告收益覆盖，涉及到广告商的边际效益/成本情况。大模型能力加入到广告算法里面去做训练，增加的维度是比较多的，同时向量拼接之后还需要接入很多神经网络，因此对训练的资源要求较高。考虑到国内大模型训练，当前大模型阶段可能没有冗余的算力去做广告方面的应用。

AI赋能广告推荐算法的方式

从提升内容理解方面，如果公司既做广告又做内容，广告测可以用到用户在内容侧的消费信息，在用户广告测的兴趣刻画会更准确，因为广告推荐反馈的用户数据是稀疏的，用户曝光的广告或者用户去点击广告是偏少数的。

META：Wukong架构满足Scaling Law的推荐方法

HSTU编码器是为生成推荐模型（GRs）设计的高性能自注意力编码器，HSTU采用了一种新的点积聚合注意力机制，替代了传统的softmax注意力机制。由多个相同的层堆叠而成，每层通过残差连接，这种设计有助于提高模型的深度和表达能力。

Wukong使推荐模型能够像大型语言模型（LLM）一样满足建立扩展定律，即模型质量能够随着数据集大小、计算和参数预算的增加而持续提升。Wukong两个主要目标是有效捕捉高阶特征交互以及确保模型质量随数据集大小和参数预算的增长而优雅地扩展。

生成式模型隐藏层加深加宽，允许更高学习率和更深网络结构，降低过拟合风险。GR通过序列化方法和目标感知表示提高编码和向量化效率，突破神经网络层数限制，提升检索和排序效果与效率，更好地捕捉和学习复杂数据分布，提高推荐准确性和用户满意度。传统深层网络理论上能捕捉更复杂特征，但存在边际递减效应。GR通过采用特殊网络结构（如ResNet和注意力机制）和引入跳跃连接等机制，有效解决梯度消失问题。

报告节选：

编辑：火腿肠