Meta广告盈利难敌AI“吞噬”,汪滔旗舰模型未出,扎克伯格豪赌何时见分晓?

广告赚钱却难敌AI“吞噬”

Meta第二季度经营现金流达318.62亿美元,不过建设数据中心和购买服务器花掉310.78亿美元,仅剩下7.84亿美元自由现金流。二季度Meta营收608.01亿美元,同比增长28%;其中广告收入593.63亿美元,同比增长27%。广告展示量和平均价格双双上涨,营收也超出华尔街预期。然而,广告业务赚的钱快被AI消耗殆尽,公司还把2026年资本开支下限从1250亿美元提高到1300亿美元,最高可能花到1450亿美元。尽管财报营收超预期,但Meta股价却下跌近8%,当天收于585.61美元,财报发布后盘后跌幅一度接近9%。

汪滔与旗舰模型的困境

电话会上,美国银行证券分析师Justin Post问扎克伯格,Meta一年前更换AI实验室高级领导层后,华尔街何时能看到模型、芯片等产品发布速度明显加快。扎克伯格表示对实验室进展“相当满意”,称Muse Spark和Muse Spark 1.1只是Meta提升模型能力的早期成果,公司正在训练更大、更强的模型,但未公布旗舰模型发布时间和新评测成绩。一年前,Llama 4表现不佳,扎克伯格斥资143亿美元入股Scale AI,邀请28岁的汪滔加入Meta重建AI体系。汪滔和扎克伯格有诸多相似点,40岁的扎克伯格仿佛把Meta的未来托付给年轻时的自己。一年后,汪滔重组了Meta的AI团队,推出第一批模型和产品,但真正承载Meta反击期望的旗舰模型Watermelon仍在训练中。竞争对手不断加速迭代,Meta等待的成本却越来越高,汪滔成了扎克伯格最大的沉没成本。

重组的代价与成果

扎克伯格选择汪滔是冒险之举,汪滔缺乏前沿模型研发经验,但突出的管理和资源调度能力受看重,《金融时报》称他为Meta需要的“战时CEO”。加入Meta后,汪滔将创始人式管理引入AI部门,Meta成立TBD Lab冲击前沿模型,从OpenAI、Google等高价挖人,压缩原有管理层级,但这一举措也带来代价,Meta裁掉约600个AI岗位,杨立昆离开Meta,新团队与旧体系出现矛盾。重组成本体现在财报中,第二季度Meta研发费用达216.56亿美元,同比增长67%,即便扣除相关费用,总成本仍同比增长约42%,远超营收增速。2026年4月,Meta推出汪滔团队的第一款模型Muse Spark,7月Muse Spark 1.1有进步,但综合能力与前沿模型仍有差距。

Meta的过去与现状

Meta并非AI领域的后来者,2013年Facebook成立FAIR,此后十年在相关领域积累深厚。但ChatGPT出现后,Meta的AI资源分散,到2025年扎克伯格才将AI提升为公司战略,却迎来表现不佳的Llama 4。汪滔推动的集中改革本应在2023年完成,Meta晚了两年。2025年初计划投入600亿 - 650亿美元建设基础设施,2026年资本开支预计达1300亿 - 1450亿美元。不过,Meta没把钱全花在未发布的旗舰模型上,第二季度Instagram和Facebook有不错表现,AI能帮广告业务盈利,但不能算在汪滔头上。

算力规划与资金困境

对于新增算力,Meta有个人智能体、企业智能体等规划,Meta Business Agents有超100万家企业使用,公司也收到不少算力购买报价。但摩根士丹利分析师询问哪项业务能带来回报,扎克伯格未明确答复。第二季度,Meta发行约249.1亿美元长期债务,自由现金流无法覆盖股息支出,广告业务现金无法同时满足多项需求。Meta开始增加债务、引入合作伙伴筹资,如与贝莱德合作建数据中心。钱要现在花,回报要等数据中心建成,而Watermelon能力未验证,训练设施却要提前准备,且Meta难定止损线。外界质疑汪滔和扎克伯格,华尔街担心AI会成为无期限的豪赌,等待越久,Meta投入越多,扎克伯格越难放弃。

内容概要:本文系统研究了Picard迭代法在非线性常微分方程参数估计中的应用,深入阐述了该方法的数学原理及其在参数辨识中的收敛性与稳定性优势。通过构建最小化误差的目标函数,并结合数值积分技术,采用迭代方式逐步逼近系统的真实参数值,有效解决了非线性动态系统中因缺乏解析解而难以进行精确建模的问题。文中提供了完整的Matlab代码实现,涵盖模型定义、迭代求解、参数更新与结果可视化等关键环节,增强了方法的可操作性与工程实用性。研究通过典型非线性系统案例验证了算法的有效性,展示了其在科学计算与工程建模中的良好适应性与推广潜力。; 适合人群:具备常微分方程理论、数值分析基础及Matlab编程能力,从事系统建模、参数辨识、动力学仿真等相关方向的研究生、科研人员和工程技术开发者。; 使用场景及目标:①解决实际工程中非线性微分方程模型的未知参数估计问题;②深入理解Picard迭代法在科学计算中的实现机制与数值特性;③为学术论文复现、科研项目开发或课程设计提供可运行、易调试的技术方案与代码参考。; 阅读建议:建议读者结合文中的数学推导与Matlab代码逐行分析,重点关注迭代流程、目标函数构造与数值积分的耦合实现,通过修改模型结构或噪声条件进行扩展实验,以深化对算法鲁棒性与适用边界的理解。配套资源可通过指定公众号和网盘链接获取,推荐同步学习以加速科研进程。
内容概要:本文详细介绍了一种基于多尺度集成极限学习机(Extreme Learning Machine, ELM)的回归方法,并提供了完整的Matlab代码实现。该方法通过构建多尺度特征表示与集成学习机制,有效提升了ELM在处理非线性、高维复杂数据时的预测精度与模型鲁棒性,特别适用于时间序列回归任务。文档不仅阐述了算法的核心原理与技术流程,还系统展示了其在风电功率预测等工程场景中的应用潜力。同时,文中附带了丰富的科研仿真案例集合,涵盖智能优化算法、深度学习、信号处理、电力系统调度等多个前沿方向,体现了多学科交叉融合的技术优势与实践价值。; 适合人群:具备一定Matlab编程能力,从事科学研究或工程应用的研究生、科研人员及工程技术开发者,尤其适合专注于机器学习、智能算法优化、新能源预测与电力系统建模等相关领域的专业人员。; 使用场景及目标:①用于风电、光伏、负荷等时间序列数据的高精度回归预测任务;②为科研工作者提供可复现的多尺度集成ELM模型代码框架,支持快速算法验证与二次开发;③满足实际工程项目中对高效建模、实时预测与智能决策的技术需求。; 阅读建议:建议读者结合所提供的Matlab代码进行动手实践,深入理解多尺度特征构造与集成策略的设计思想,同时可参考文档中其他相关算法案例进行横向比较与综合应用,以提升整体科研创新能力。
内容概要:本文详细介绍了一种基于Simulink的Ćuk转换器仿真方法,该转换器能够将输入的直流电压高效地转换为极性相反的输出直流电压,具备优异的升降压能力与系统稳定性。文章深入剖析了Ćuk转换器的核心工作原理、电路拓扑结构(包含开关管、电感、电容、二极管等关键元件)及其在能量存储与传递过程中的动态行为。通过构建精确的Simulink仿真模型,验证了系统在不同输入条件下的稳态与暂态响应特性,充分展示了其输出电压反相、纹波小、效率高的优势,适用于对负压电源有严苛要求的应用场景。此外,文档还整合了大量基于Matlab/Simulink和Python的科研仿真资源,涵盖风电预测、微电网优化、GAN场景生成、电力电子系统建模等多个前沿方向,凸显了其在现代电力电子与系统仿真研究中的重要价值。; 适合人群:电气工程、自动化、电力电子及相关专业的本科生、研究生、科研人员及具备电路理论基础和Simulink仿真经验的工程技术人员。; 使用场景及目标:①深入理解Ćuk转换器的工作机理及其在直流-直流变换中的独特优势;②利用Simulink平台开展电力电子电路的建模、仿真与性能分析;③为需要稳定负压输出的电源系统设计提供理论依据和技术验证方案。; 阅读建议:建议结合Simulink软件动手实践,重点掌握电路拓扑搭建、关键参数配置及仿真结果解读技巧,同时可延伸学习文中提供的其他科研案例,以拓宽技术视野并提升综合仿真能力。
内容概要:本文提出并实现了一种基于角蜥蜴优化算法(HLOA)优化BP神经网络的风电功率预测模型,旨在解决传统BP神经网络在处理高随机性、强波动性风电数据时存在的收敛速度慢、易陷入局部最优等问题。通过HLOA对BP神经网络的初始权重和阈值进行全局寻优,有效提升了模型的预测精度与稳定性。研究详细阐述了HLOA的搜索机制及其与BP网络的集成方法,并提供了完整的Matlab代码实现,便于复现与验证。实验结果表明,相较于传统BP、GWO-BP、PSO-BP等模型,HLOA-BP在均方根误差(RMSE)、平均绝对误差(MAE)等指标上表现更优,具备更强的泛化能力和鲁棒性,适用于风电场短期功率预测的实际工程场景。; 适合人群:具备一定机器学习理论基础和电力系统知识,熟悉Matlab编程的研究生、科研人员及能源领域的工程技术人员,尤其适合从事新能源发电预测、智能优化算法开发与应用的相关研究人员。; 使用场景及目标:①应用于风电场功率预测系统,提升电网调度的可靠性与运行效率;②作为智能优化算法与神经网络融合的典型范例,用于教学演示、科研复现与模型拓展;③为撰写高水平学术论文提供可验证的技术路线与实验支撑。; 阅读建议:建议读者结合所提供的Matlab代码逐模块分析算法实现细节,重点理解HLOA的个体更新机制与BP网络参数的耦合方式,并可通过更换实际风电数据集或对比其他优化算法(如WOA、SCA等)进一步开展消融实验与性能评估。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值