牛策略配资 Meta高管解读Q2财报：预计明年员工薪酬支出将增长

专题：聚焦2025年第二季度美股财报

　　Meta发布2025财年第二季度未经审计财报：营收为475.16亿美元，同比增长22%，不计入汇率变动的影响同样为同比增长22%；净利润为183.37亿美元，同比增长36%。

　　详见：Meta第二季度营收475.16亿美元净利润同比增长36%

　　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：

　　高盛分析师Eric Sheridan：我的第一个问题想问马克。回顾过去三到六个月里公司的人工智能战略发展，您有哪些主要的收获和经验？或者换个角度来说，公司的人工智能战略也影响了管理层在人才招聘、算力构建等方面的进展，能否请您与我们分享一下，基于您近段时间的收获与经验，未来公司的人工智能战略将如何发展？

　　我的第二个问题想问苏珊。在三月份的财报会议上您曾提到要扩大人才招聘、提升公司算力能力。能否请您与我们更深入地分享一下，上述这两部分将如何影响公司未来12到18个月的运营支出以及资本支出？

　　马克·扎克伯格：总的来说，我想您提出的这些问题本质在于“我们想要实现真正强大的人工智能，或者说超级智能（Super Intelligence）还需要多久的时间”。截至目前，据我们的观察，我们发现之前那些很激进的假设往往成了对未来最准确、最贴近现实发展的预测。我相信，这种情况在今年也会出现。

　　在之前的财报电话会上，我曾与大家分享过很多公司技术进展的趣事。比如，我看到我们的内部团队正在尝试用Llama 4大模型来打造自主AI智能体（Autonomous AI Agent），这有助于改进Facebook算法，提高算法质量和用户参与度。我相信，这将是一次意义深远的尝试。虽然类似的尝试目前还不多，我也不确定这些新尝试是否对公司本季度或者未来季度的收益带来了重大贡献，但我对未来的发展轨迹充满信心。

　　对我来说，经营像Meta这样如此庞大的企业，我们始终面临着一个非常有趣的挑战，那就是：很可能未来几年，科技发展会让世界变得截然不同。因此，一方面，我们需要推进许多工作去适应变化，比如不断改进我们的核心产品；另一方面，公司上下也都秉持着一个原则，那就是一定要重视超级智能，我们相信，超级智能或早或晚，总有一天会重塑所有系统与底层逻辑。当然，这不是一两个季度就能实现的，但我相信一切也会在几年内发生。正是基于这样的假设与原则，我相信公司内部的运作方式也会受到影响。

　　总而言之，对此我们会持续观察，也会密切追踪人工智能的发展轨迹。我相信，人工智能技术还是会朝着更快的方向发展，这也会影响我们的诸多决策，比如确保公司拥有绝对优秀、最精英的人才团队；确保自身行业领先的算力能力，以便研究人员能更好地开展研究，将成果推向产品，惠及数十亿用户；确保我们能通过不同的方式来构建、驱动产品等等。也正是由于这些原因，Meta得以成为全球领先的、最优秀的企业之一。每当面临新技术时，我们不会对其视而不见，而是积极地将新技术应用到所有应用程序、广告系统中。全球没有哪家公司能像我们一样，有能力、有信心将新技术应用到产品之中，并将产品推向数十亿用户。

　　未来我们也会积极推进上述工作。当然，从某种程度上来说，想要预测未来技术的发展轨迹本身就好似一场赌注。我们会根据自身所观察到的信号，不断尝试理解与解读。

　　苏珊·李：目前，我们还没有启动对2026年的预算规划，因为明年的运营环境可能是高度动态、高度变化的，很多因素都在不断演变。截至目前，我们对几个方面的预算支出有大概的预测：一是2026年的基础设施预算，这将直接影响公司明年的费用支出；二是考虑到今年招聘的人工智能领域人才，我们对2026年的员工薪酬支出增长也有一定预期。因此，以上这两个领域是我们目前能够与大家分享的2026年资本支出、总支出预测。

　　总支出方面，正如我之前与大家分享的，我们预计基础设施支出将成为2026年最大的一笔支出，支出增长包括明年急速增加的折旧费用支出，如现有资产、服务以及基础设施的增量折旧等。此外，按照我们的预测，在我们的资本支出构成中，2025年及2026年寿命较短的资产占比将高于前几年。另外，2026年成本增长的另一个驱动因素来自运营支出的增加，包括与资产维护相关的能源成本、维护成本以及运营费用。展望2026年，公司在云服务方面的支出也会有所增加，以便满足用户的容量需求以及与网络相关的成本上涨。综上可见，2026年我们在基础设施方面的支出将占很大比重。

　　影响2026年总支出的第二大驱动因素在于员工薪酬。这主要源于我们这几年对相关领域技术人才的投资，比如今年招聘的人工智能人才所带来的全年薪酬支出预算。

　　可能我这个问题回答得有点长，我再简要总结一下。展望2026年的资本支出增长情况，通过提高服务器、网络数据中心的支出，我们会不断提升自身的训练能力、扩大生成式人工智能（Generative AI）容量；2026年，我们也会持续大力投资核心人工智能技术。总而言之，2026年的情况还是未知数，其中涉及的变量很多，具体情况还要视实际情况而定，我今天也只是与大家分享一些前期想法。

　　摩根士丹利分析师Brian Nowak：我的第一个问题想问马克，有关Meta的智能实验室（Intelligence Lab），也就是公司的超级智能部门。对比过去12个月，从现在的情况来看，您认为未来24个月您最关注的技术制约因素，或者说技术壁垒有哪些？这与过去相比有哪些变化？管理层如何确保公司能在未来十年真正实现超级智能领域的行业领先？

　　我的第二个问题想问苏珊或者马克，我的问题有关公司的核心推荐功能。我看到管理层对公司的核心推荐引擎（Core Recommendation Engine）进行了大量改进，以提高用户参与度、改进推荐功能等。能否请管理层为我们介绍一下未来18个月，您最期待哪些方面的改进？这些改进将如何进一步提升用户参与度？

　　马克·扎克伯格：关于你的第一个问题，有关我们的研发进度以及高度关注的技术领域。在我看来，“专注自我改进”是非常重要的研究领域。我在这里不方便和大家分享更多研究细节。但在我看来，从某种程度上来说，研发超级智能不仅仅是要向人类学习——我们所打造的技术实际上比人类更聪明，所以它本身需要具备“自我提升、自我改进”的能力，我们需要探索如何让技术实现“自身迭代”。这是一个非常根本的问题，它将对我们如何制造产品、运营公司、发明新事物、探索造福社会的新发现等等带来深远、广泛的影响。因此，在我看来，这是我们需要从根本上解决的问题。

　　而从整体上来说，如果说我这段时间得到了什么经验的话，我更明确的一点是：想要推动前沿、尖端技术的发展，小型的、人才密集型团队是最佳配置。这与我们之前打造的世界一流的机器学习团队不同。回顾过去我们研发Instagram、Facebook以及广告系统的过程，我们过去往往采用的是数百人、数千人团队，我们会调动庞大的团队，共同致力于高效改进系统。团队中的每个人都负责系统的一部分，每个人也可以独立运行测试，我们不需要每个研究人员都了解整个系统的逻辑。但对于超级智能这种尖端、前沿的研究来说，我认为我们需要打造“小团队”，整个团队都需要从整体上完全理解系统的运作方式、原理以及动态变化。

　　以上是我从宏观角度得出的结论，苏珊会从更实际的角度与大家分享她的想法。

　　苏珊·李：关于你的第二个问题，有关核心推荐引擎的产品路线图。

　　短期来看，我们有一些重点关注领域。首先，如何让推荐的内容更贴合用户需求，向用户呈现与他们兴趣最相关的内容；此外，我们也在不断优化推荐算法，希望帮助小体量创作者，让他们在发布内容后尽快匹配到合适的受众；我们还在不断提升系统能力，通过用户兴趣探索、学习用户偏好等，探究用户更多样化、更细分的兴趣领域；我们还计划进一步拓展我们的模型，整合更先进的技术，从而提高推荐功能的整体质量。

　　以上都是我们的短期计划。当然，我们还有很多长期规划，比如开发跨服务的基础推荐模型、将大语言模型（LLM）深入融合至推荐系统等等。我们的长期工作重点是优化推荐系统、提升系统效率、不断扩大推荐系统的容量，与此同时保证我们的投资回报率（ROI）。

　　摩根大通分析师Doug Anmuth：我的第一个问题想问马克。一直以来，Meta都坚定支持人工智能模型开源。我的问题是，随着您把关注点转向超级智能，力求从基础设施投资中获取更高回报，近期您的想法有什么变化吗？

　　我的第二个问题想问苏珊。根据您前面给出的2026年资本支出展望显示，公司明年的资本支出可能超过1000亿美元。我的问题是，这些资金是否将由公司全部承担？还是说，您会从中寻找更多合作机会？

　　马克·扎克伯格：模型开源方面，我们的想法始终没有发生特别大的改变。

　　一直以来，我们的原则都是对部分模型开源，而不是把所有的模型、技术都开源。未来，我还是希望能够继续与大家开发、分享行业领先的开源模型。

　　当然，目前我们也观察到了一些不利影响。其一是我们开源的模型太大，对很多人来说其实并不实用。所以我们自己也很纠结，不知道开源这些模型是否有意义，它真的对大家有帮助吗？还是说只是造福了我们的竞争对手。这确实是我们目前的担忧之一。此外，随着超级智能的到来，我们还需要更认真地对待一系列安全问题，这点我也记在了今早的笔记上。

　　但总的来说，我相信我们还是愿意持续推进模型开源。我们希望，Meta能够继续保持行业领先的地位，与此同时坚持我们的原则，即不会把所有模型、技术都开源。这是一直以来我们的努力方向。

　　关于你提到的基础设施投资问题，苏珊会给出更详细的解答。但我想说的是，这确实是一笔非常大的投资。但我们相信，随着时间的推移，这笔投资会为我们带来积极回报。这笔投资不是小数目，我们对此非常重视。它意味着数千兆瓦的算力，这将有助于我们不断进行前沿研究、推出高质量的产品。在公司运营的过程中，我们始终都在寻找机会，将资本转化为更高质量的产品。所以这无疑是一次非常重要且重大的投资。我们希望这笔投资能在未来转化为造福数十亿用户的好产品。

　　苏珊·李：关于你的第二个问题，即明年不断增长的资本支出资金来源。

　　我们预计其中很大一部分资金将由我们独立承担；但与此同时，我们也在探索与其他合作伙伴进行合作，共同开发数据中心。目前我们没有相关的合作伙伴关系与大家分享，但我们相信，Meta的技术、模式有能力吸引大量外部投资，与我们一道为数据中心项目提供资金支持。我们具备全球一流的基础设施能力，同时，随着时间的推移，我们的基础设施需求也在不断变化，因此构建上述项目也能为公司的未来发展提供更多灵活性。总而言之，我们始终在探索不同的路径。

　　马克·扎克伯格：模型开源方面，我们的想法始终没有发生特别大的改变。

　　一直以来，我们的原则都是对部分模型开源，而不是把所有的模型、技术都开源。未来，我还是希望能够继续与大家开发、分享行业领先的开源模型。

　　苏珊·李：关于你的第二个问题，即明年不断增长的资本支出资金来源。

　　美银美林分析师Justin Post：我的第一个问题还是有关公司对基础设施的投资。马克，我看到公司对基础设施的支出已经接近行业里一些超大规模基础设施运营商的水平。我的问题是，这些投资所带来的基础设施容量会主要用于内部使用吗？还是说您计划通过某种商业模式将一部分容量与外部共享？

　　我的第二个问题想问苏珊。我知道您在计算每笔投资的投资回报率时，肯定会参考内部模型。我也了解您不会和我们分享具体的投资模型。但能否请您与我们谈一谈公司对基础设施投资的投资回报率？从长期来看，您对投资回报持乐观态度吗？

　　苏珊·李：我可以回答这两个问题。

　　目前，我们还是要先保证有足够的基础设施容量来支持公司内部使用，比如支持核心AI工作推进，确保内容推荐、广告推荐的有效性；确保在构建前沿人工智能模型时，我们有足够的训练能力；为未来可能遇到的推理用例做好算力准备；同时探索如何吸引消费者兴趣、提升用户参与度等等。

　　因此，截至目前，我们还没有考虑过把这些基础设施容量用在公司外部。但你提的问题很新颖，为我们提供了新思路。

　　你的第二个问题实际上是有关资本支出的投资回报率。我分几方面回答。

　　首先，在核心人工智能业务方面，我们持续观察到强劲的投资回报率，我们在衡量投资回报率方面的能力也非常出色。因此，对于目前的表现我们非常满意。其次，在生成式人工智能业务方面，显然，目前我们还处在投资回报曲线的早期阶段，我们预计今、明两年，生成式人工智能业务都不会成为公司收入的主要引擎。但从总体上来看，我们对未来业务的盈利能力非常乐观，马克在前面的简报中也提到了这一点，我在这里就不多重复了。从中长期来看，我们相信这些投资机遇都与我们的业务息息相关，对我们来说这些机遇背后蕴藏着巨大的机会与市场。

　　最后，我还想补充一点，在打造基础设施时，我们会将灵活性、可替代性考虑在内。在建造基础设施的时候，很多东西需要预先构建，比如数据中心、外壳结构、网络基础设施等等，最终服务器将成为最大的资金支出。所以，我们会按需建造，在必要的时候做出最佳决策，确定基础设施容量的具体用途。

　　（持续更新中。。。）