研报速递Meta 并不追求做全球性能最强的基础大模型，却拥有全球规模最大的消费者 AI 分发入口。一边是 Llama 开放权重模型席卷全球开发者生态，另一边 Muse Spark 闭源模型内部优先使用；广告业务作为现金牛持续反哺千亿级算力投入，Reality Labs 硬件业务长期大额亏损，但 AI 眼镜实现高速增长。
Meta 的 AI 战略到底如何自洽？“开放 + 闭源” 双轨模型逻辑是什么？社交图谱、商业图谱如何转化为 AI 差异化壁垒？Meta AI、Business Agent、AI 眼镜怎样共同争夺下一代计算入口？这套打法存在哪些短板与现实风险？
本报告聚焦 Meta 完整 AI 战略，系统性拆解 Meta 如何依托社交生态、Llama 开源权重模型、Muse Spark 闭源前沿模型、商业智能体、AI 可穿戴硬件构建完整 AI 竞争体系，对比谷歌、OpenAI、微软、苹果等巨头的差异化赛道选择，是一份海外科技巨头 AI 战略深度研判材料。
报告整体分为发展背景、战略全景演进、业务布局矩阵、支撑保障体系、战略展望与产业启示五大模块，梳理 Meta 从社交网络→内容分发→元宇宙探索→生成式大模型→个人超级智能平台的五阶段演进路径。
报告开篇复盘 Meta 布局 AI 的底层动因：面对苹果 ATT 隐私政策冲击广告归因、用户增长见顶、全球生成式 AI 浪潮冲击，Meta 选择不重复 OpenAI “以模型 API 订阅为核心” 的商业模式，立足自身数十亿用户社交生态、广告现金流、海量人类行为数据，确立独特竞争定位：不争夺最强模型宝座，争夺AI 应用分发权、需求定义权。报告提出行业 “五权竞争” 分析框架（算力权、模型权、分发权、反馈权、变现权），Meta 在算力、模型不占绝对优势，但牢牢掌握分发、反馈、变现三权，走出一条差异化竞争路线。
核心战略：“开放 + 闭源” 双轨模型体系
Llama 开放权重体系（向外生态扩张）：开放模型权重，训练数据、完整训练流程不对外公开，采用分层许可协议，以 “补贴互补品、商品化竞争对手” 策略压低行业基础大模型使用门槛，吸引全球开发者，打造类似 AI 时代安卓的生态底座；设置 7 亿月活、欧盟地区访问两条许可红线。Llama 系列持续迭代至 Llama4，引入 MoE 混合专家架构，配套 Llama Guard 等全套安全工具链，通过全球云厂商托管实现规模化落地。 Muse Spark 闭源前沿模型（对内能力底座）：由新组建 Meta Superintelligence Labs（MSL）团队研发，优先供给 Meta 内部产品 Meta AI 助手、广告系统、Business Agent、Ray‑Ban Meta 智能眼镜；仅向少量战略伙伴开放私有预览 API，普通开发者无法直接获取；主打双模式推理（即时模式 + 沉思模式）、原生多模态、多智能体并行，承担追赶顶尖推理能力的任务。
组织层面，Meta 整合原有 FAIR、GenAI 产品团队，打通 “研究 — 模型训练 — 产品落地” 全链路，解决过去研究与业务脱节问题。
三大业务板块完整拆解
1、社交与广告业务：AI 改造基本盘
Meta 广告业务贡献 98% 以上营收，也是 AI 最大的试验场。报告重点解析苹果隐私限制之后 Meta 的修复路径：依靠 Conversions API 第一方数据回传、Advantage + 全自动投放、生成式广告素材、Business Agent 商业智能体完成广告链路重构。
Business Agent 是关键增量：把 AI 能力嵌入 WhatsApp、Instagram，承接咨询、推荐、预约、成交、售后，把平台从广告展示媒介升级为企业经营系统，打通 “广告点击到交易完成” 全链路，沉淀商业对话数据反哺模型迭代。 Meta AI 助手深度嵌入全社交产品，依托关系图谱、内容图谱、商业图谱三层图谱，形成区别于通用大模型的社会化上下文理解能力，月活规模突破 10 亿。
2、Reality Labs 硬件业务：争夺下一代计算入口
报告客观剖析 Reality Labs 现实实验室的矛盾现状：Quest VR 头显销量下滑、业务持续巨额累计亏损超 800 亿美元；但Ray‑Ban Meta AI 眼镜实现爆发式增长，日活同比增长三倍。Meta 战略重心逐步从 VR 头显，转向 AI 眼镜、未来 Orion AR 眼镜、神经腕带组成的可穿戴终端。硬件不只是硬件载体，核心目标是获取第一人称视角的现实世界感知数据，为具身智能、世界模型储备数据底座，试图摆脱对 iOS、安卓移动操作系统的依附，抢占手机之后的新计算平台。
3、AI 基础设施：千亿级资本开支构筑底座
Meta 将 2026 资本开支提升至 1250‑1450 亿美元，大规模扩建 GPU 集群，推进自研芯片 Iris，同时推出 Meta Compute 业务，尝试对外输出算力与模型托管服务。报告同时点出风险：巨额资本支出带来巨大财务压力，商业化回报周期尚不确定。
支撑保障、短板与风险
报告梳理 Meta 整套体系的保障底座：超大规模算力集群、多轮去重与合成数据训练流水线、Llama Stack 标准化开发接口、分层的隐私与安全治理、统一身份系统、联邦学习隐私计算体系。同时客观揭示内在短板：
前沿闭源模型 Muse Spark 发布代次少，长期性能稳定性尚未经过多轮验证； Meta Compute 云业务刚刚起步，企业级模型服务品牌力弱于 OpenAI、Anthropic； AI 眼镜虽增速快，但整体仍处在早期，Orion AR 原型产品距离大规模商用还有距离； 依赖社交行为数据，也带来隐私合规、欧盟 DMA 监管等持续外部约束。
产业启示
报告最后提炼对国内 AI 企业的参考启示：
AI 竞争不只看模型跑分，分发场景、真实业务数据、商业化变现闭环同等关键；不只有 “卖模型 API” 一条出路，可依托自身业务生态做差异化； “开放权重≠完全开源”，开放是商业战略工具，要做好许可边界、风险管控； 消费者端 AI 产品，深度嵌入已有高频应用，比独立新 App 获客成本低得多； 硬件入口价值不只看出货量，重点看能不能持续拿到独特场景数据，完成模型迭代闭环。
