前哨创新现场：Meta 内部正在发生一场你看不见的革命

5 月 15 日，硅谷。前哨创新现场游学活动中，我们邀请到一位曾在 Meta 负责商业化 AI 推荐的资深技术专家。他没有讲那些外面传得沸沸扬扬的裁员故事，而是打开了一扇窗户——让我们看到了这家万亿市值公司内部正在发生的、远比裁员更深刻的变化。

核心判断：生成式 AI 不是来"取代"推荐系统的，它已经重写了推荐系统的底层代码。

他一上来就纠正了一个普遍的误解：很多人把生成式 AI 等同于 ChatGPT 这样的对话产品，因为推荐系统没有聊天框就没用上生成式 AI。其实恰恰相反——Meta 的推荐系统底层，早已全面迁移到生成式、自回归、序列预测式的模型架构。它「生成」的不是人类能看懂的自然语言，而是用户下一步可能发生的行为序列。

这引出了本次分享最核心的洞察：生成式 AI 对推荐系统的重塑，正在三个层面同时发生。

底层模型层面——替代已经完成。 传统推荐系统由召回、粗排、精排、重排等多个级联环节组成，生成式建模的逻辑是把这些环节尽可能压缩，甚至用一个端到端模型完成。具体来说，系统会将商品、内容、广告映射到内部的「语义 ID」（SID），把用户过往行为序列看作一个「句子」，然后用类似 next token prediction 的方式，预测用户下一个可能点击、观看或购买的对象。

他还透露，Meta 一个广告预测点击的模型，参数量已经超过 110 亿——比很多大语言模型还要大。它的广告系统 JAM，就是一个在 latent space 中运行的超级生成式模型，完全不生成广告内容，而是在预测用户行为序列中选出最有可能被点击的广告。

交互层面——对话不会取代信息流，而是叠加共存。 很多人以为未来一切都会变成对话式交互，但这位专家给出了一个冷静的判断：信息流不会消失。因为人刷信息流很多时候就是为了"kill time"，用户有惰性，并不想为了消遣而认真组织 prompt。信息流恰好满足了被动消费、轻松浏览、同时又有掌控感的心理需求。未来的格局更可能是：对话式界面作为补充层，与信息流共存，给用户更多选择。

系统层面——推荐将成为智能体系统中的一种功能。 未来的智能体会根据场景判断何时调用搜索、何时调用推荐、何时结合用户记忆与协同信号提供建议。推荐不一定作为独立产品存在，而是智能体能力组合中的一环。

下面说说我的感受。

感受一：外面的人只看到小扎在疯狂裁员疯狂挖人，却不知道 Meta 内部的改变更加翻天覆地。

外界对 Meta 的叙事，在过去两年几乎被「裁员」「降本增效」「元宇宙烧钱」这几个标签填满。但是这个演讲让我们看到的，是冰山之下正在发生的事：推荐系统底层架构从双塔模型彻底转向自回归序列模型，广告系统 JAM 整合了 Facebook 和 WhatsApp 的多平台行为数据，闭源模型 MuseSpar 已经取代 LLM 应用于旗下所有主流产品的 AI 助手，Meta AI 眼镜正在布局下一代交互界面。

更关键的一组数字是：Meta 通过生成式 AI 优化广告系统底层，使 ROAS（广告支出回报）提升了 6%。在数百亿美元的营收基数上，6% 的提升意味着极其巨大的商业增益。而这个增益，不是来自生成图片、生成视频这些表面工具，而是来自排序、竞价、流量分配的底层效率提升——你看不见，但真金白银在流。

演讲中他也分析了 Meta 开源 Llama 背后真正的商业逻辑：这不是慈善，而是一种战略防御。Meta 不靠卖模型赚钱，它的主业是社交网络和社交广告。开源 Llama，是为了削弱竞争对手的护城河、构建围绕自己的生态体系、为未来产品转型打基础——用他的话说，是「送小菜吸引顾客」。而当真正涉及商业利益时，Meta 也会毫不犹豫地闭源，MuseSpar （内部代号Avocado 也就是牛油果）就是最好的例证。

感受二：恐龙体量的科技巨头，在面对 AI 挑战时改变得比小公司更坚决、更迅速。

一个常见的叙事是：大公司转身慢，小公司更灵活。但 Meta 的故事提供了反例。当生成式 AI 浪潮来临时，这家拥有数万员工的巨头做出的反应速度和力度，远超很多人的想象。

它并没有在原有推荐架构上打补丁，而是把底层模型范式彻底换掉——从双塔模型转向自回归序列架构，这是架构层面的重塑。它同时在多个战线推进：社交推荐、广告系统、AI 助手、硬件入口（AI 眼镜），多点并行且互相协同。它的广告系统正在快速走向全自动：广告主只需要设定预算和目标，AI 负责素材生成、用户投放、竞价、效果优化、最终交付结果。

专家在演讲中特别强调，Meta 甚至已经开始在东南亚通过 WhatsApp 企业助手为中小企业赋能，寻找新的盈利模式。这种在保持核心广告业务高速运转的同时，多条新业务线同步推进的组织能力，恰恰是很多小公司难以企及的。

这提醒我们一个反直觉的事实：当技术范式发生根本性切换时，拥有雄厚数据资产、顶级工程团队和庞大基础设施的巨头，一旦下定决心，其转型速度和力度可能会远超市场预期。

感受三：大公司在拼命做小，却成了小公司扩张的垫脚石。

一方面，大公司确实在拼命做小。Meta 持续优化组织架构、压缩层级、裁撤非核心业务线。这就好比演讲中提到的「教师模型-学生模型」架构——大模型离线训练、小模型在线服务、通过蒸馏和量化降低延迟——某种程度上也是大公司在 AI 时代生存策略的隐喻：用更轻量、更高效的方式，持续保持竞争力。

但另一方面，大公司不断释放出来的 AI 能力，正在成为小公司前所未有的基础设施。Meta 开源 Llama，使得任何一家小型创业公司都能够站在巨人的肩膀上构建自己的 AI 产品。过去需要一个团队才能完成的工作，现在可以借助 AI 大幅降低门槛。

以前请不起的程序员，现在可以用 AI 来弥补——AI 可以完成 70-80% 的编程工作，这意味着小团队的人效被放大了数倍。以前不敢尝试的商业模式，现在可以以极低的成本跑一遍——失败了，也不过是多花了一些 token 而已。以前需要大量用户行为数据才能训练的推荐模型，现在可以借助预训练大模型的知识迁移能力，用更少的数据实现冷启动。

大公司裁掉的是岗位，释放的是能力。当 Meta 把 110 亿参数的广告模型技术路径公开讨论，当 Llama 成为事实上的开源标准，每一个被裁掉的工程师、每一篇公开发表的论文、每一个开源模型，都在客观上降低着后来者的进入门槛。

这就是 AI 时代的悖论：巨头拼命瘦身以求生存，却在不经意间喂养了整个生态。那些被释放到市场中的技术、人才和能力，正在成为无数小公司向外扩张的燃料，是这个时代留给所有创业者和中小公司最大的机遇。