META商业模式及业务布局分析

社交生态世界霸主。

FACEBOOK（META）由扎克伯格等哈佛大学学生创立于2004年，最初旨在连接本校的学生。而如今META作为社交媒体平台的先驱者，旗下拥有Facebook、Instagram、WhatsApp、Messenger等现象级社交产品。Facebook的成功离不开时代的红利和自身商业模式的独特性。

商业模式：Facebook拥有世界上最大的流量群体和社交生态，包括Facebook 30亿用户，WhatsApp和Instagram超过20亿用户，公司依托庞大流量进行广告变现，其中推荐算法能力为重要基石。公司依托主业现金流，战略性布局虚拟现实、AI等，通过硬件掌握新的流量入口，推出产品包括Oculus系列VR眼镜、Llama大模型等。当前处于高投入开发阶段，长期具有标志性战略意义，但发展稳定性有待持续跟踪。

Meta到现在经历过两个流量红利期：1）2004年-2010年的互联网红利：在2000年互联网泡沫的推动下，互联网得到广泛普及。2004年互联网企业（谷歌）的成功上市和PC端设备逐步成为必需品的背景下，Facebook在PC使用率较高的大学校园内推出，依赖用户的高集中度、高使用率和Facebook以用户体验为重，不断开发新功能的特性很快成为了大学生必备社交产品。随后，Facebook逐步向所有用户开放， “用户关注圈”的功能在涉及隐私与人性的好奇的争议话题下，注册数量急速增加，而“开发平台”的推出奠定了Facebook的社交媒体领先地位。

2）2010年-2020年的移动终端红利：2010年iPhone4系列的爆火标志着智能手机成为新时代消电产品的主导，智能手机每日使用时间远高于PC设备，移动社媒平台成为必需品。Facebook一方面加大了对原有产品的转移和开发，另一方面开启收购之旅，2012年收购Instagram、2014年收购WhatsApp，在即时通讯和多媒体社交平台两个领域的精准布局，成功地保卫了社媒世界霸主的地位。

3）2020年至今 转型期：Facebook察觉到红利期的结束和TikTok等短视频的爆火后，决定转型虚拟现实领域并改名META，从等待新的流量红利转变到创造新的流量红利，但高额的资本开支让公司面临一定的盈利压力。而这个过程中，META对AI领域的技术积累为当下AI热潮打下了技术基础，19年Pytorch已成为MLRL应用的主流框架，META始终以开源框架的模式来建立自己的应用生态，从而保障了自己社交生态的霸主地位。

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35W H100和2.4W B系列芯片。

公司上调Capex指引为350-400亿美元，同比+13%-40%。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。一季度财报会公司上调2024年资本开支至350-400亿美元(前值300-370亿美元)，同比+13%-40%。

Meta建立两个数据中心规模集群，各自拥有24,576个GPU，均支持400Gbps端点之间的互联。一个是采用了基于Arista7800交换机的远程直接内存访问（RDMA）和融合以太网（RoCE）网络解决方案，另一个则应用了英伟达Quantum2InfiniBand的网络架构。两个集群的不同设定能够评估不同类型互联的适配度和拓展性，为未来更大集群设计积累经验。

公司重申了对其开源Grand Teton服务器设计和OpenRack机架的承诺，这些机器将被安置在其中，以及对开源PyTorch框架和其开源Llama LLMs的承诺。Llama3成功地在RoCE和InfiniBand集群上运行了大规模的GenAI工作负载（包括我们在RoCE集群上持续进行的Llama 3训练），并且没有遇到任何网络瓶颈问题。

二代GPU集群依旧采用Core-Spline-Leaf三级CLOS拓扑结构。单Rack搭载两个8卡服务器和一个顶部交换机，利用18个集群交换机连接192个Rack成为集群，共有八个小集群，集群交换机形成Spline层。Spline层与上方18个聚合交换机（Core层）形成互联，组成整个集群。这种架构预留了空间和拓展性，未来可以直接拓展到32K个卡的规模。

META表示目前正在训练一个规模超过4000亿个参数的Llama3模型，主要具有“多种语言交谈”的能力，能够接收更多数据，并且能够理解图像、其他模态以及文本，在架构选择上仍然不是MOE架构。公司财报会表示持续投资未来几年的Llama5、6和7模型的研究。

一定参数的模型用比最佳训练计算量更多的数据训练性能可以呈现对数线性提升。公司表示在开发Llama3的过程中，虽然8B参数模型的Chinchilla最佳训练计算量（有限计算量下模型达到最优性能）对应于约200B个token，但在使用两个数量级以上的数据（15T）训练模型后，模型性能仍呈对数线性提升。较大的模型可以用较少的训练计算来匹敌这些较小模型的性能，但较小的模型通常是首选，因为它们在推理过程中效率更高。

METE官方表示从2023年2月到9月Llama的下载量超过3000万次，其中9月份的下载量就达到1000万次。从去年9月到现在的下载量呈线性增长，那么到现在Llama的下载量将突破1亿次。