„Meta“ gali išleisti iki 135 mlrd. dolerių dirbtinio intelekto infrastruktūrai: kur eina pinigai ir į ką investuotojai turėtų atkreipti dėmesį

Santrauka:„Meta“ teigia, kad gali išleisti iki135 mlrd. doleriųšiais metais – beveik dvigubai daugiau nei praėjusiais metais, palyginti su DI susijusiomis išlaidomis – daugiausia infrastruktūros, kuri palaiko dirbtinį intelektą. Tai ne tik „didesnio biudžeto“ istorija. Tai strateginis skaičiavimo, talentų ir platinimo užgrobimas tuo metu, kai technologijų ir finansų lyderiai atvirai diskutuoja, ar DI bumas yra...ekonominis burbulas.

Pagrindinis klausimas yra ne tai, ar dirbtinis intelektas bus svarbus (jis bus). Klausimas yra tas, ar „Meta“ gali milžiniškas kapitalines išlaidas paversti ilgalaikiu produkto pranašumu ir pelnu – nekartodama praeities ciklų, kai entuziazmas lenkia grįžimą.

Kodėl ši istorija yra didesnė nei „didėjančios kapitalinės išlaidos“

Paprastesnė šios istorijos versija būtų tokia: „Meta išleis daugiau lėšų dirbtiniam intelektui“. Svarbesnė versija yra tokia: „Meta“ bando išsikovoti lyderio poziciją kitame sąsajos sluoksnyje – dirbtinio intelekto teikiamose rekomendacijose, asistentuose ir agentuose – prieš nusistovėjus rinkos struktūrai.

Todėl verta atskirti tai, kas yrapatvirtintas(skaičiai, teiginiai) iš to, kas yranumanomas(strategija ir numatomi rezultatai).

Ką Meta iš tikrųjų pasakė (konkretūs faktai)

Iš ataskaitos:

Meta tikisi išleistiiki 135 mlrd. JAV dolerių (97 mlrd. svarų sterlingų)šiais metais, daugiausia antDirbtinio intelekto infrastruktūra.
Tai palyginama maždaug su72 mlrd. doleriųpraėjusiais metais.
Per pastaruosius trejus metus „Meta“ išleido apie140 mlrd. doleriųvejantis dirbtinio intelekto bumą.
Zuckerbergas teigė, kad tikisi2026 m.bus metai, kai dirbtinis intelektas „dramatiškai pakeis mūsų darbo būdą“.
„Meta“ išlaidos augo sparčiau nei pajamos (spaudimas pelno maržoms).
Zuckerbergas užsiminė, kad dirbtinis intelektas supaprastins darbą, kuriam anksčiau reikėjo didelių komandų.
„Meta“ jau atleido šimtus darbuotojų (ypač „Reality Labs“).

Šie teiginiai įrėmina istoriją: „Meta“ dar labiau įsitikina, kad dirbtinis intelektas (DI) pereina iš funkcijos į operacinį lygmenį tiek produktuose, tiek vidiniame darbe.

Kur iš tikrųjų eina pinigai (ir kodėl jie tokie brangūs)

Kai įmonė sako „DI infrastruktūra“, tai paprastai reiškia daugybę dalykų, kuriems reikia daug energijos ir kapitalo.

Vienas paprastas būdas tai suprasti: „Meta“ neperka „DI“. Ji perkapralaidumas– galimybė greičiau apmokyti didesnius modelius ir dideliu mastu atlikti išvadas milijardams kasdienių sąveikų.

Tam reikia:

1) Skaičiavimo įranga

GPU/greičio procesorių klasteriai modeliams mokyti ir vykdyti.
Didelis atminties pralaidumas, greiti sujungimai, saugykla.

2) Duomenų centrai

fiziniai pastatai, lentynos, perteklius
elektros energijos tiekimas (dažnai ilgalaikės elektros energijos tiekimo sutartys)
aušinimo sistemos (pagrindinis inžinerinis apribojimas)

3) Tinklų kūrimas

Didelių modelių mokymui reikia tūkstančių lustų, veikiančių kaip vienas kompiuteris. Tam reikia:

didelio greičio audiniai
mažas delsos laikas
kruopščiai parinkta topologija ir patikimumas

4) Įrankių ir modelių valdymas

duomenų srautai
saugos / vertinimo diržai
diegimas ir stebėjimas

Štai kodėl dirbtinio intelekto kapitalinės išlaidos skiriasi nuo „įprastų“ investicijų į programinę įrangą: negalima tiesiog samdyti inžinierių. Privalote pirkti elektrą, silicį ir nekilnojamąjį turtą.

„Meta“ strateginis statymas: DI + platinimas yra griovys

„Meta“ yra viena iš nedaugelio įmonių, platinančių savo produktus visame pasaulyje per įvairias platformas:

Facebook
Instagramas
WhatsApp
(ir susijusios pastangos techninės įrangos / papildytosios realybės srityje)

Jei dirbtinis intelektas tampa pagrindine sąsaja, kuria žmonės atranda turinį, bendrauja ir kuria mediją, platinimas tampa svarbus.

Meta numanomoji strategija yra:

agresyviai investuoti, kad būtų sustiprinti modelio pajėgumai ir pajėgumai
paskirstyti ant paviršių, kur žmonės jau praleidžia laiką
paversti šiuos patobulinimus į:
- geresnis įsitraukimas
- geresnis skelbimų našumas
- nauji produktai (asistentai, agentai, kūrybiniai įrankiai)

Net ir nedideli reklamos taikymo efektyvumo ar kūrybinio turinio generavimo patobulinimai gali turėti įtakos, nes „Meta“ reklamos verslas yra labai didelis.

Teiginys „DI dramatiškai pakeičia darbą“: ką tai galėtų reikšti

Zuckerbergo komentarai apie projektus, kurie mažėja iš „didelių komandų“ iki „vieno, labai talentingo žmogaus“, rodo labai konkrečią kryptį: dirbtinis intelektas kaip produktyvumo daugiklis įmonės viduje.

Praktiškai tai galėtų atrodyti taip:

programinės įrangos inžinieriai, naudojantys dirbtinį intelektą, kad greičiau rašytų, pertvarkytų, testuotų ir dokumentuotų kodą
produktų vadovai, naudojantys dirbtinį intelektą atsiliepimams sintetinti, eksperimentams generuoti ir specifikacijų projektams parengti
rinkodaros specialistai generuoja variantus ir greitai juos kartoja

Tačiau yra vienas keblumas: produktyvumo įrankiai yra nevienodi. Žmonės, kurie išmoksta juos gerai naudoti, gauna daug daugiau naudos. Tai atitinka Zuckerbergo komentarą apie „didelę deltą“ tarp žmonių, kurie juos naudoja gerai, ir tų, kurie to nedaro.

Kodėl atleidimai iš darbo rodomi tame pačiame pokalbyje

Kai vadovai kalba apie produktyvumo mažinimą, atleidimai iš darbo yra šešėlinė tema.

Tai nebūtinai reiškia, kad „DI pakeičia visus“. Dažniau tai reiškia:

mažiau žmonių reikia įprastiems darbams atlikti
Tikimasi, kad komandos pristatys daugiau su mažiau
organizacijos iš naujo įvertina, kurie vaidmenys yra strateginiai

„Reality Labs“ atleidimai iš darbo ypač rodo, kad „Meta“ perkelia biudžetą nuo ilgalaikių projektų (metavisatos aparatinės įrangos) į trumpalaikę dirbtinio intelekto infrastruktūrą ir dirbtinio intelekto produktų integraciją.

Burbulo rizika: kodėl protingi žmonės garsiai ištaria tyliąją dalį

Straipsnyje atkreipiamas dėmesys į tai, kad keli lyderiai išreiškė susirūpinimą dėl burbulo, lygindami šį laikotarpį su dot-com era.

Tai svarbus niuansas: „burbulas“ nereiškia „DI yra netikras“. Paprastai tai reiškia:

per daug kapitalo skirta per mažai aiškiai pelningų paraiškų
daugelis įmonių neišgyvens kratymo
Infrastruktūros ir paskirstymo laimėtojai sugauna didžiausią vertę

„Cisco“ generalinis direktorius cituojamas perspėjant, kad nugalėtojai atsiras, bet pakeliui bus „skerdynių“. Tai realistiškas technologijų perėjimų apibūdinimas.

Dar viena pamoka iš interneto burbulo: burbulo metu įmonės kūrė tikrą infrastruktūrą (šviesolaidį, duomenų centrus, tinklus). Didžioji dalis ankstyvosios nuosavo kapitalo vertės išgaravo, tačiau infrastruktūra išliko ir vėliau leido susikurti šiuolaikinei interneto ekonomikai. Šiandieninis dirbtinio intelekto kūrimas gali atitikti tą patį modelį: skausmingas kai kurių įmonių nuosmukis, tačiau ilgalaikiai pajėgumai tampa pamatiniais.

„Meta“ rizikos profilis: keturi būdai, kaip tai gali nutikti

1) Kapitalo išlaidos be ilgalaikės produktų diferenciacijos

Jei konkurentai greitai prilygsta savo pajėgumams, išlaidos tampa lemiamu veiksniu – brangios, bet neišskiriančios.

2) Veiklos sąnaudų nepakankamas įvertinimas

Aparatinės įrangos pirkimas yra tik pradžia. Modelio mokymas ir išvadų darymas:

elektra
tinklų kūrimo pajėgumai
inžinerinis laikas vertinimui ir saugai

Jei veiklos sąnaudos didėja sparčiau nei pajamos, „DI pranašumas“ tampa pelno maržos mažinimo priemone.

3) Maržos spaudimas ir investuotojų kantrybė

„Meta“ gali sau leisti dideles išlaidas, kol jos pagrindinė reklamos sistema išliks stipri. Tačiau pasikeitus makroekonominėms sąlygoms ar įsitraukimui, investuotojai persvarstys riziką.

4) Reguliavimo ir pasitikėjimo klausimai

Dirbtinio intelekto valdomas reitingavimas ir generavimas kelia susirūpinimą dėl:

dezinformacijos stiprinimas
giluminės klastotės ir sukčiavimas
turinio moderavimo klaidos
privatumo ribos pranešimų programėlėse

Jei dirbtinio intelekto funkcijos sukuria daugiau žalos nei vertės, reguliavimo institucijos gali sugriežtinti apribojimus, taip sumažindamos naudą.

Kaip atrodo sėkmė (vertas dėmesio signalas)

Jei norite įvertinti, ar „Meta“ išlaidos dirbtiniam intelektui yra veiksmingos, nekreipkite dėmesio į pranešimus spaudai ir ieškokite išmatuojamų signalų.

Naudingas kontekstas: meta reikia dirbtinio intelekto, kad patobulėtųpajamos vienam vartotojui,produkcijos vieneto kaina, arba idealiu atveju abu. Jei nematote šių pokyčių laikui bėgant, investavimo tezė susilpnėja.

1) Išliekantys produkto patobulinimai

geresnės rekomendacijos, kurios padidina sugaištą laiką nepadauginant skundų
kūrybiniai įrankiai, kurie iš tiesų sumažina reklamuotojų ir kūrėjų patiriamą trintį

2) Verslo veiklos rezultatai

skelbimų kainodara ir konversijų kokybė
reklamuotojų kaina už rezultatą
ar pajamų augimas spartėja, palyginti su išlaidų augimu

3) Modelio pajėgumai ir diegimo tempas

kaip greitai nauji modeliai diegiami įvairiose programose
ar „agentai“ tampa naudingi įprastose darbo eigose (ne tik demonstracinėse versijose)

4) Saugumas ir pasitikėjimas

kaip gerai „Meta“ sulaiko piktnaudžiavimą (sukčiavimą, apsimetinėjimą kitu asmeniu, sintetinę žiniasklaidą)
skaidrumas dėl dirbtinio intelekto sukurto turinio

Praktinis skaitytojo vadovas: kuo tikėti ir ką laikyti rinkodara

Dirbtinio intelekto pranešimuose dažnai derinami tvirti inžineriniai faktai su naratyviniu įrėminimu. Naudingas kontrolinis sąrašas:

Jei tai apielustai, maitinimas, duomenų centrai, tai realu ir išmatuojama.
Jei tai apieagentai keičia darbą, paklauskite, kokie darbo eigos šiandien iš tikrųjų patobulintos.
Jei tai apieišlaidų taupymas, paklauskite, ar sutaupytos lėšos atsispindi pelno maržoje, ar tiesiog finansuoja didesnį augimą.

Esmė

„Meta“ investuoja kaip įmonė, kuri tiki, kad dirbtinis intelektas yra kitas platformos pokytis ir kad teisingas žingsnis yra užtikrinti skaičiavimus bei diegti dirbtinį intelektą visur, kur jau yra jos naudotojai.

Esmė – mastas: „Meta“ renkasi konkuruoti infrastruktūros ir platinimo srityse, o ne vien dėl išradingų pasiūlymų. Toks įsipareigojimas gali sukelti konkurencijos griovį arba labai brangią klaidą.

Teigiami aspektai realūs: geresni produktai, geresnės reklamos, nauji asistentai ir kūrybiniai įrankiai. Trūkumai taip pat realūs: pelno maržos sumažėjimas, perpildyta dirbtinio intelekto sritis ir rizika, kad reguliavimo bei pasitikėjimo problemos sumažins grąžą.

Štai kaip platformos perėjimas atrodo realiu laiku: didžiulės investicijos į infrastruktūrą, garsus skepticizmas ir lenktynės įrodyti, kad išlaidos virsta ilgalaikiu pranašumu.

Jei „Meta“ pavyks parodyti tvarų reklamos našumo ir produkto lipnumo pagerėjimą, tuo pačiu kontroliuojant pasitikėjimą ir saugumą, kapitalinės išlaidos atrodys kaip numatymas. Priešingu atveju, ji rizikuoja tapti žinomu pavyzdžiu, kaip lengva per daug išleisti reklamos cikle.

Šaltiniai

BBC naujienos (technologijos):https://www.bbc.com/news/articles/cn8jkyk78gno?at_medium=RSS&at_campaign=rss
BBC News (technologijos) (susijęs kontekstas dėl susirūpinimo dėl burbulo):https://www.bbc.com/news/articles/cr57p2ve8glo

Document Title
Meta may spend up to $135bn on AI infrastructure: where the money goes and what investors should watch	„Meta“ gali išleisti iki 135 mlrd. dolerių dirbtinio intelekto infrastruktūrai: kur eina pinigai ir į ką investuotojai turėtų atkreipti dėmesį

Meta may spend up to $135bn on AI infrastructure this year. Here’s what that buys (chips, data centres, networking), the strategy behind it, and the bubble risk investors debate.	„Meta“ šiais metais dirbtinio intelekto infrastruktūrai gali išleisti iki 135 mlrd. dolerių. Štai ką už šią sumą perkama (lustai, duomenų centrai, tinklai), strategija, kuria grindžiamas šis procesas, ir investuotojų diskusijos apie burbulo riziką.
Title Attribute
oEmbed (JSON)
oEmbed (XML)
JSON
View all posts by Admin	Peržiūrėti visus administratoriaus įrašus
Tesla ends Model S/X as it pivots to robots and AI — what’s real vs hype	„Tesla“ nutraukia „Model S/X“ gamybą, nes pereina prie robotų ir dirbtinio intelekto – kas tikra, o kas – ažiotažas
UK’s free AI training push: why ‘prompting’ is the easy part	JK nemokama dirbtinio intelekto mokymo kampanija: kodėl „raginti“ yra lengva dalis
Page Content
Meta may spend up to $135bn on AI infrastructure: where the money goes and what investors should watch	„Meta“ gali išleisti iki 135 mlrd. dolerių dirbtinio intelekto infrastruktūrai: kur eina pinigai ir į ką investuotojai turėtų atkreipti dėmesį
Nature
Climate
Meta’s $135bn AI spending plan: what it’s really buying (and the bubble risk)	„Meta“ 135 mlrd. dolerių vertės dirbtinio intelekto išlaidų planas: ką iš tikrųjų perka (ir burbulo rizika)
/
Technology
/ By
Admin
Summary:
Meta says it could spend up to	„Meta“ teigia, kad gali išleisti iki
$135bn
this year—nearly double last year’s AI-related spend—mostly on infrastructure that powers artificial intelligence. This is not just a “bigger budget” story. It’s a strategic land grab for compute, talent, and distribution at a moment when leaders across tech and finance are openly debating whether the AI boom is an	šiais metais – beveik dvigubai daugiau nei praėjusiais metais, palyginti su DI susijusiomis išlaidomis – daugiausia infrastruktūros, kuri palaiko dirbtinį intelektą. Tai ne tik „didesnio biudžeto“ istorija. Tai strateginis skaičiavimo, talentų ir platinimo užgrobimas tuo metu, kai technologijų ir finansų lyderiai atvirai diskutuoja, ar DI bumas yra...
economic bubble
.
The key question isn’t whether AI will matter (it will). The question is whether Meta can translate giant capex into durable product advantage and profit—without repeating past cycles where enthusiasm outran returns.	Pagrindinis klausimas yra ne tai, ar dirbtinis intelektas bus svarbus (jis bus). Klausimas yra tas, ar „Meta“ gali milžiniškas kapitalines išlaidas paversti ilgalaikiu produkto pranašumu ir pelnu – nekartodama praeities ciklų, kai entuziazmas lenkia grįžimą.
Why this story is bigger than “capex goes up”	Kodėl ši istorija yra didesnė nei „didėjančios kapitalinės išlaidos“
The easy version of this story is “Meta will spend more on AI.” The more important version is: Meta is trying to buy its way into a leadership position in the next interface layer—AI-powered recommendations, assistants, and agents—before the market structure settles.	Paprastesnė šios istorijos versija būtų tokia: „Meta išleis daugiau lėšų dirbtiniam intelektui“. Svarbesnė versija yra tokia: „Meta“ bando išsikovoti lyderio poziciją kitame sąsajos sluoksnyje – dirbtinio intelekto teikiamose rekomendacijose, asistentuose ir agentuose – prieš nusistovėjus rinkos struktūrai.
That’s why it’s worth separating what’s	Todėl verta atskirti tai, kas yra
confirmed
(numbers, statements) from what’s	(skaičiai, teiginiai) iš to, kas yra
implied
(strategy and expected outcomes).	(strategija ir numatomi rezultatai).
What Meta actually said (the concrete facts)	Ką Meta iš tikrųjų pasakė (konkretūs faktai)
From the reporting:
Meta expects to spend
up to $135bn (£97bn)	iki 135 mlrd. JAV dolerių (97 mlrd. svarų sterlingų)
this year, mostly on
AI infrastructure	Dirbtinio intelekto infrastruktūra
That compares with roughly
$72bn
last year.
Over the last three years, Meta has spent about	Per pastaruosius trejus metus „Meta“ išleido apie
$140bn
chasing the AI boom.	vejantis dirbtinio intelekto bumą.
Zuckerberg said he expects	Zuckerbergas teigė, kad tikisi
2026
to be the year AI “dramatically changes the way we work.”	bus metai, kai dirbtinis intelektas „dramatiškai pakeis mūsų darbo būdą“.
Meta’s expenses have been rising faster than revenue (pressure on margins).	„Meta“ išlaidos augo sparčiau nei pajamos (spaudimas pelno maržoms).
Zuckerberg hinted that AI will compress work that used to require big teams.	Zuckerbergas užsiminė, kad dirbtinis intelektas supaprastins darbą, kuriam anksčiau reikėjo didelių komandų.
Meta has already laid off hundreds of workers (notably in Reality Labs).	„Meta“ jau atleido šimtus darbuotojų (ypač „Reality Labs“).
Those points frame the story: Meta is doubling down on the belief that AI is shifting from a feature to an operating layer for both products and internal work.	Šie teiginiai įrėmina istoriją: „Meta“ dar labiau įsitikina, kad dirbtinis intelektas (DI) pereina iš funkcijos į operacinį lygmenį tiek produktuose, tiek vidiniame darbe.
Where the money actually goes (and why it’s so expensive)	Kur iš tikrųjų eina pinigai (ir kodėl jie tokie brangūs)
When a company says “AI infrastructure,” it usually means a stack of things that are power-hungry and capital-intensive.	Kai įmonė sako „DI infrastruktūra“, tai paprastai reiškia daugybę dalykų, kuriems reikia daug energijos ir kapitalo.
One simple way to think about it: Meta isn’t buying “AI.” It’s buying	Vienas paprastas būdas tai suprasti: „Meta“ neperka „DI“. Ji perka
throughput
—the ability to train bigger models faster, and run inference at scale for billions of daily interactions.	– galimybė greičiau apmokyti didesnius modelius ir dideliu mastu atlikti išvadas milijardams kasdienių sąveikų.
That requires:
1) Compute hardware
GPU/accelerator clusters to train and run models.	GPU/greičio procesorių klasteriai modeliams mokyti ir vykdyti.
High memory bandwidth, fast interconnects, storage.	Didelis atminties pralaidumas, greiti sujungimai, saugykla.
2) Data centres
physical buildings, racks, redundancy	fiziniai pastatai, lentynos, perteklius
power delivery (often long-term power contracts)	elektros energijos tiekimas (dažnai ilgalaikės elektros energijos tiekimo sutartys)
cooling systems (a major engineering constraint)	aušinimo sistemos (pagrindinis inžinerinis apribojimas)
3) Networking
Training large models requires thousands of chips acting like one computer. That demands:	Didelių modelių mokymui reikia tūkstančių lustų, veikiančių kaip vienas kompiuteris. Tam reikia:
high-speed fabrics
low latency
careful topology and reliability	kruopščiai parinkta topologija ir patikimumas
4) Tooling and model operations	4) Įrankių ir modelių valdymas
data pipelines
safety/evaluation harnesses
deployment and monitoring
This is why AI capex has a different shape from a “normal” software investment: you can’t just hire engineers. You must buy electricity + silicon + real estate.	Štai kodėl dirbtinio intelekto kapitalinės išlaidos skiriasi nuo „įprastų“ investicijų į programinę įrangą: negalima tiesiog samdyti inžinierių. Privalote pirkti elektrą, silicį ir nekilnojamąjį turtą.
Meta’s strategic bet: AI + distribution is a moat	„Meta“ strateginis statymas: DI + platinimas yra griovys
Meta is one of the few companies with global consumer distribution across multiple surfaces:	„Meta“ yra viena iš nedaugelio įmonių, platinančių savo produktus visame pasaulyje per įvairias platformas:
Facebook
Instagram
WhatsApp
(and adjacent efforts in hardware/AR)	(ir susijusios pastangos techninės įrangos / papildytosios realybės srityje)
If AI becomes a primary interface for how people discover content, communicate, and create media, distribution matters.	Jei dirbtinis intelektas tampa pagrindine sąsaja, kuria žmonės atranda turinį, bendrauja ir kuria mediją, platinimas tampa svarbus.
Meta’s implicit strategy is:	Meta numanomoji strategija yra:
invest aggressively to build model capability and capacity	agresyviai investuoti, kad būtų sustiprinti modelio pajėgumai ir pajėgumai
deploy it across the surfaces where people already spend time	paskirstyti ant paviršių, kur žmonės jau praleidžia laiką
turn those improvements into:	paversti šiuos patobulinimus į:
better engagement
better ad performance
new products (assistants, agents, creative tools)	nauji produktai (asistentai, agentai, kūrybiniai įrankiai)
Even small improvements in ad targeting efficiency or creative generation can compound, because Meta’s ad business is so large.	Net ir nedideli reklamos taikymo efektyvumo ar kūrybinio turinio generavimo patobulinimai gali turėti įtakos, nes „Meta“ reklamos verslas yra labai didelis.
The “AI dramatically changes work” claim: what it could mean	Teiginys „DI dramatiškai pakeičia darbą“: ką tai galėtų reikšti
Zuckerberg’s comments about projects shrinking from “big teams” to “a single, very talented person” signals a very specific direction: AI as a productivity multiplier inside the company.	Zuckerbergo komentarai apie projektus, kurie mažėja iš „didelių komandų“ iki „vieno, labai talentingo žmogaus“, rodo labai konkrečią kryptį: dirbtinis intelektas kaip produktyvumo daugiklis įmonės viduje.
In practice, that could look like:	Praktiškai tai galėtų atrodyti taip:
software engineers using AI to write, refactor, test, and document code faster	programinės įrangos inžinieriai, naudojantys dirbtinį intelektą, kad greičiau rašytų, pertvarkytų, testuotų ir dokumentuotų kodą
product managers using AI to synthesize feedback, generate experiments, draft specs	produktų vadovai, naudojantys dirbtinį intelektą atsiliepimams sintetinti, eksperimentams generuoti ir specifikacijų projektams parengti
marketers generating variants and iterating quickly	rinkodaros specialistai generuoja variantus ir greitai juos kartoja
But there’s a catch: productivity tools are uneven. People who learn to use them well get much more value. That aligns with Zuckerberg’s comment about a “big delta” between people who do it well and those who don’t.	Tačiau yra vienas keblumas: produktyvumo įrankiai yra nevienodi. Žmonės, kurie išmoksta juos gerai naudoti, gauna daug daugiau naudos. Tai atitinka Zuckerbergo komentarą apie „didelę deltą“ tarp žmonių, kurie juos naudoja gerai, ir tų, kurie to nedaro.
Why layoffs show up in the same conversation	Kodėl atleidimai iš darbo rodomi tame pačiame pokalbyje
When executives talk about productivity compression, layoffs are the shadow topic.	Kai vadovai kalba apie produktyvumo mažinimą, atleidimai iš darbo yra šešėlinė tema.
It doesn’t necessarily mean “AI replaces everyone.” More often it means:	Tai nebūtinai reiškia, kad „DI pakeičia visus“. Dažniau tai reiškia:
fewer people needed for routine tasks	mažiau žmonių reikia įprastiems darbams atlikti
teams are expected to ship more with less	Tikimasi, kad komandos pristatys daugiau su mažiau
organisations re-rank which roles are strategic	organizacijos iš naujo įvertina, kurie vaidmenys yra strateginiai
Reality Labs layoffs in particular hint that Meta is shifting budget away from longer-horizon bets (metaverse hardware) toward nearer-term AI infrastructure and AI product integration.	„Reality Labs“ atleidimai iš darbo ypač rodo, kad „Meta“ perkelia biudžetą nuo ilgalaikių projektų (metavisatos aparatinės įrangos) į trumpalaikę dirbtinio intelekto infrastruktūrą ir dirbtinio intelekto produktų integraciją.
Bubble risk: why smart people keep saying the quiet part out loud	Burbulo rizika: kodėl protingi žmonės garsiai ištaria tyliąją dalį
The article notes multiple leaders raising bubble concerns, comparing the moment to the dot-com era.	Straipsnyje atkreipiamas dėmesys į tai, kad keli lyderiai išreiškė susirūpinimą dėl burbulo, lygindami šį laikotarpį su dot-com era.
This is an important nuance: “bubble” doesn’t mean “AI is fake.” It usually means:	Tai svarbus niuansas: „burbulas“ nereiškia „DI yra netikras“. Paprastai tai reiškia:
too much capital is chasing too few clearly profitable applications	per daug kapitalo skirta per mažai aiškiai pelningų paraiškų
many companies will not survive the shakeout	daugelis įmonių neišgyvens kratymo
infrastructure winners and distribution winners capture most value	Infrastruktūros ir paskirstymo laimėtojai sugauna didžiausią vertę
Cisco’s CEO is quoted warning that winners will emerge but there will be “carnage along the way.” That’s a realistic description of technology transitions.	„Cisco“ generalinis direktorius cituojamas perspėjant, kad nugalėtojai atsiras, bet pakeliui bus „skerdynių“. Tai realistiškas technologijų perėjimų apibūdinimas.
One more dot-com lesson: during the bubble, companies built real infrastructure (fibre, data centres, networks). Much of the early equity value evaporated—but the infrastructure remained and later enabled the modern internet economy. Today’s AI buildout could follow the same pattern: painful shakeout for some firms, but long-lived capacity that becomes foundational.	Dar viena pamoka iš interneto burbulo: burbulo metu įmonės kūrė tikrą infrastruktūrą (šviesolaidį, duomenų centrus, tinklus). Didžioji dalis ankstyvosios nuosavo kapitalo vertės išgaravo, tačiau infrastruktūra išliko ir vėliau leido susikurti šiuolaikinei interneto ekonomikai. Šiandieninis dirbtinio intelekto kūrimas gali atitikti tą patį modelį: skausmingas kai kurių įmonių nuosmukis, tačiau ilgalaikiai pajėgumai tampa pamatiniais.
Meta’s risk profile: four ways this can go wrong	„Meta“ rizikos profilis: keturi būdai, kaip tai gali nutikti
1) Capex without durable product differentiation	1) Kapitalo išlaidos be ilgalaikės produktų diferenciacijos
If competitors match capabilities quickly, the spend becomes table stakes—expensive, but not differentiating.	Jei konkurentai greitai prilygsta savo pajėgumams, išlaidos tampa lemiamu veiksniu – brangios, bet neišskiriančios.
2) Underestimating operating costs	2) Veiklos sąnaudų nepakankamas įvertinimas
Buying hardware is only the start. Model training and inference burn:	Aparatinės įrangos pirkimas yra tik pradžia. Modelio mokymas ir išvadų darymas:
electricity
networking capacity
engineering time for evaluation and safety	inžinerinis laikas vertinimui ir saugai
If operating costs scale faster than revenue lift, the “AI advantage” becomes a margin drag.	Jei veiklos sąnaudos didėja sparčiau nei pajamos, „DI pranašumas“ tampa pelno maržos mažinimo priemone.
3) Margin pressure and investor patience	3) Maržos spaudimas ir investuotojų kantrybė
Meta can afford large spend as long as its core ad engine remains strong. But if macro conditions or engagement shift, investors will reprice the risk.	„Meta“ gali sau leisti dideles išlaidas, kol jos pagrindinė reklamos sistema išliks stipri. Tačiau pasikeitus makroekonominėms sąlygoms ar įsitraukimui, investuotojai persvarstys riziką.
4) Regulatory and trust issues	4) Reguliavimo ir pasitikėjimo klausimai
AI-driven ranking and generation raises concerns about:	Dirbtinio intelekto valdomas reitingavimas ir generavimas kelia susirūpinimą dėl:
misinformation amplification
deepfakes and fraud	giluminės klastotės ir sukčiavimas
content moderation errors
privacy boundaries in messaging apps	privatumo ribos pranešimų programėlėse
If AI features create more harm than value, regulators may tighten constraints, reducing upside.	Jei dirbtinio intelekto funkcijos sukuria daugiau žalos nei vertės, reguliavimo institucijos gali sugriežtinti apribojimus, taip sumažindamos naudą.
What success looks like (signals worth watching)	Kaip atrodo sėkmė (vertas dėmesio signalas)
If you want to judge whether Meta’s AI spending is working, ignore press releases and look for measurable signals.	Jei norite įvertinti, ar „Meta“ išlaidos dirbtiniam intelektui yra veiksmingos, nekreipkite dėmesio į pranešimus spaudai ir ieškokite išmatuojamų signalų.
A useful framing: Meta needs AI to improve either	Naudingas kontekstas: meta reikia dirbtinio intelekto, kad patobulėtų
revenue per user
,
cost per unit of output
, or ideally both. If you can’t see those showing up over time, the investment thesis weakens.	, arba idealiu atveju abu. Jei nematote šių pokyčių laikui bėgant, investavimo tezė susilpnėja.
1) Product improvements that stick	1) Išliekantys produkto patobulinimai
better recommendations that increase time spent without increasing complaints	geresnės rekomendacijos, kurios padidina sugaištą laiką nepadauginant skundų
creative tools that genuinely reduce friction for advertisers and creators	kūrybiniai įrankiai, kurie iš tiesų sumažina reklamuotojų ir kūrėjų patiriamą trintį
2) Business performance
ad pricing and conversion quality	skelbimų kainodara ir konversijų kokybė
cost per outcome for advertisers	reklamuotojų kaina už rezultatą
whether revenue growth accelerates relative to expense growth	ar pajamų augimas spartėja, palyginti su išlaidų augimu
3) Model capability and deployment pace	3) Modelio pajėgumai ir diegimo tempas
how quickly new models are deployed across apps	kaip greitai nauji modeliai diegiami įvairiose programose
whether “agents” become useful in normal workflows (not just demos)	ar „agentai“ tampa naudingi įprastose darbo eigose (ne tik demonstracinėse versijose)
4) Safety and trust
how well Meta contains abuse (scams, impersonation, synthetic media)	kaip gerai „Meta“ sulaiko piktnaudžiavimą (sukčiavimą, apsimetinėjimą kitu asmeniu, sintetinę žiniasklaidą)
transparency about AI-generated content	skaidrumas dėl dirbtinio intelekto sukurto turinio
A practical reader’s guide: what to believe and what to treat as marketing	Praktinis skaitytojo vadovas: kuo tikėti ir ką laikyti rinkodara
AI announcements often mix solid engineering realities with narrative framing. A useful checklist:	Dirbtinio intelekto pranešimuose dažnai derinami tvirti inžineriniai faktai su naratyviniu įrėminimu. Naudingas kontrolinis sąrašas:
If it’s about
chips, power, data centres	lustai, maitinimas, duomenų centrai
, it’s real and measurable.
agents changing work
, ask what workflows are actually improved today.	, paklauskite, kokie darbo eigos šiandien iš tikrųjų patobulintos.
cost savings
, ask whether savings show up in margins or just fund more growth.	, paklauskite, ar sutaupytos lėšos atsispindi pelno maržoje, ar tiesiog finansuoja didesnį augimą.
Bottom line
Meta is spending like a company that believes AI is the next platform shift—and that the right move is to secure compute and deploy AI everywhere its users already are.	„Meta“ investuoja kaip įmonė, kuri tiki, kad dirbtinis intelektas yra kitas platformos pokytis ir kad teisingas žingsnis yra užtikrinti skaičiavimus bei diegti dirbtinį intelektą visur, kur jau yra jos naudotojai.
The scale is the story: Meta is choosing to compete on infrastructure and distribution, not just on clever prompts. That’s the kind of commitment that can create a moat—or a very expensive mistake.	Esmė – mastas: „Meta“ renkasi konkuruoti infrastruktūros ir platinimo srityse, o ne vien dėl išradingų pasiūlymų. Toks įsipareigojimas gali sukelti konkurencijos griovį arba labai brangią klaidą.
The upside is real: better products, better ads, new assistants and creative tools. The downside is also real: margin compression, a crowded AI field, and the risk that regulation and trust problems blunt the returns.	Teigiami aspektai realūs: geresni produktai, geresnės reklamos, nauji asistentai ir kūrybiniai įrankiai. Trūkumai taip pat realūs: pelno maržos sumažėjimas, perpildyta dirbtinio intelekto sritis ir rizika, kad reguliavimo bei pasitikėjimo problemos sumažins grąžą.
This is what a platform transition looks like in real time: huge infrastructure investment, loud skepticism, and a race to prove that the spend turns into durable advantage.	Štai kaip platformos perėjimas atrodo realiu laiku: didžiulės investicijos į infrastruktūrą, garsus skepticizmas ir lenktynės įrodyti, kad išlaidos virsta ilgalaikiu pranašumu.
If Meta can show sustained improvements in ad performance and product stickiness while keeping trust and safety under control, the capex will look like foresight. If not, it risks becoming a high-profile example of how easy it is to overspend in a hype cycle.	Jei „Meta“ pavyks parodyti tvarų reklamos našumo ir produkto lipnumo pagerėjimą, tuo pačiu kontroliuojant pasitikėjimą ir saugumą, kapitalinės išlaidos atrodys kaip numatymas. Priešingu atveju, ji rizikuoja tapti žinomu pavyzdžiu, kaip lengva per daug išleisti reklamos cikle.
Sources
BBC News (Technology):
https://www.bbc.com/news/articles/cn8jkyk78gno?at_medium=RSS&at_campaign=rss	https://www.bbc.com/news/articles/cn8jkyk78gno?at_medium=RSS&at_campaign=rss
BBC News (Technology) (related context on bubble concerns):	BBC News (technologijos) (susijęs kontekstas dėl susirūpinimo dėl burbulo):
https://www.bbc.com/news/articles/cr57p2ve8glo	https://www.bbc.com/news/articles/cr57p2ve8glo
←
Previous Post
Next Post
→
oEmbed (JSON)
oEmbed (XML)
JSON
View all posts by Admin	Peržiūrėti visus administratoriaus įrašus
Tesla ends Model S/X as it pivots to robots and AI — what’s real vs hype	„Tesla“ nutraukia „Model S/X“ gamybą, nes pereina prie robotų ir dirbtinio intelekto – kas tikra, o kas – ažiotažas
UK’s free AI training push: why ‘prompting’ is the easy part	JK nemokama dirbtinio intelekto mokymo kampanija: kodėl „raginti“ yra lengva dalis
Meta may spend up to $135bn on AI infrastructure this year. Here’s what that buys (chips, data centres, networking), the strategy behind it, and the bubble risk investors debate.	„Meta“ šiais metais dirbtinio intelekto infrastruktūrai gali išleisti iki 135 mlrd. dolerių. Štai ką už šią sumą perkama (lustai, duomenų centrai, tinklai), strategija, kuria grindžiamas šis procesas, ir investuotojų diskusijos apie burbulo riziką.

Document Title

Meta may spend up to $135bn on AI infrastructure: where the money goes and what investors should watch

Meta may spend up to $135bn on AI infrastructure this year. Here’s what that buys (chips, data centres, networking), the strategy behind it, and the bubble risk investors debate.

Title Attribute

oEmbed (JSON)

oEmbed (XML)

JSON

View all posts by Admin

Tesla ends Model S/X as it pivots to robots and AI — what’s real vs hype

UK’s free AI training push: why ‘prompting’ is the easy part

Page Content

Meta may spend up to $135bn on AI infrastructure: where the money goes and what investors should watch

Nature

Climate

Meta’s $135bn AI spending plan: what it’s really buying (and the bubble risk)

Technology

/ By

Admin

Summary:

Meta says it could spend up to

$135bn

this year—nearly double last year’s AI-related spend—mostly on infrastructure that powers artificial intelligence. This is not just a “bigger budget” story. It’s a strategic land grab for compute, talent, and distribution at a moment when leaders across tech and finance are openly debating whether the AI boom is an

economic bubble

The key question isn’t whether AI will matter (it will). The question is whether Meta can translate giant capex into durable product advantage and profit—without repeating past cycles where enthusiasm outran returns.

Why this story is bigger than “capex goes up”

The easy version of this story is “Meta will spend more on AI.” The more important version is: Meta is trying to buy its way into a leadership position in the next interface layer—AI-powered recommendations, assistants, and agents—before the market structure settles.

That’s why it’s worth separating what’s

confirmed

(numbers, statements) from what’s

implied

(strategy and expected outcomes).

What Meta actually said (the concrete facts)

From the reporting:

Meta expects to spend

up to $135bn (£97bn)

this year, mostly on

AI infrastructure

That compares with roughly

$72bn

last year.

Over the last three years, Meta has spent about

$140bn

chasing the AI boom.

Zuckerberg said he expects

2026

to be the year AI “dramatically changes the way we work.”

Meta’s expenses have been rising faster than revenue (pressure on margins).

Zuckerberg hinted that AI will compress work that used to require big teams.

Meta has already laid off hundreds of workers (notably in Reality Labs).

Those points frame the story: Meta is doubling down on the belief that AI is shifting from a feature to an operating layer for both products and internal work.

Where the money actually goes (and why it’s so expensive)

When a company says “AI infrastructure,” it usually means a stack of things that are power-hungry and capital-intensive.

One simple way to think about it: Meta isn’t buying “AI.” It’s buying

throughput

—the ability to train bigger models faster, and run inference at scale for billions of daily interactions.

That requires:

1) Compute hardware

GPU/accelerator clusters to train and run models.

High memory bandwidth, fast interconnects, storage.

2) Data centres

physical buildings, racks, redundancy

power delivery (often long-term power contracts)

cooling systems (a major engineering constraint)

3) Networking

Training large models requires thousands of chips acting like one computer. That demands:

high-speed fabrics

low latency

careful topology and reliability

4) Tooling and model operations

data pipelines

safety/evaluation harnesses

deployment and monitoring

This is why AI capex has a different shape from a “normal” software investment: you can’t just hire engineers. You must buy electricity + silicon + real estate.

Meta’s strategic bet: AI + distribution is a moat

Meta is one of the few companies with global consumer distribution across multiple surfaces:

Facebook

Instagram

(and adjacent efforts in hardware/AR)

If AI becomes a primary interface for how people discover content, communicate, and create media, distribution matters.

Meta’s implicit strategy is:

invest aggressively to build model capability and capacity

deploy it across the surfaces where people already spend time

turn those improvements into:

better engagement

better ad performance

new products (assistants, agents, creative tools)

Even small improvements in ad targeting efficiency or creative generation can compound, because Meta’s ad business is so large.

The “AI dramatically changes work” claim: what it could mean

Zuckerberg’s comments about projects shrinking from “big teams” to “a single, very talented person” signals a very specific direction: AI as a productivity multiplier inside the company.

In practice, that could look like:

software engineers using AI to write, refactor, test, and document code faster

product managers using AI to synthesize feedback, generate experiments, draft specs

marketers generating variants and iterating quickly

But there’s a catch: productivity tools are uneven. People who learn to use them well get much more value. That aligns with Zuckerberg’s comment about a “big delta” between people who do it well and those who don’t.

Why layoffs show up in the same conversation

When executives talk about productivity compression, layoffs are the shadow topic.

It doesn’t necessarily mean “AI replaces everyone.” More often it means:

fewer people needed for routine tasks

teams are expected to ship more with less

organisations re-rank which roles are strategic

Reality Labs layoffs in particular hint that Meta is shifting budget away from longer-horizon bets (metaverse hardware) toward nearer-term AI infrastructure and AI product integration.

Bubble risk: why smart people keep saying the quiet part out loud

The article notes multiple leaders raising bubble concerns, comparing the moment to the dot-com era.

This is an important nuance: “bubble” doesn’t mean “AI is fake.” It usually means:

too much capital is chasing too few clearly profitable applications

many companies will not survive the shakeout

infrastructure winners and distribution winners capture most value

Cisco’s CEO is quoted warning that winners will emerge but there will be “carnage along the way.” That’s a realistic description of technology transitions.

One more dot-com lesson: during the bubble, companies built real infrastructure (fibre, data centres, networks). Much of the early equity value evaporated—but the infrastructure remained and later enabled the modern internet economy. Today’s AI buildout could follow the same pattern: painful shakeout for some firms, but long-lived capacity that becomes foundational.

Meta’s risk profile: four ways this can go wrong

1) Capex without durable product differentiation

If competitors match capabilities quickly, the spend becomes table stakes—expensive, but not differentiating.

2) Underestimating operating costs

Buying hardware is only the start. Model training and inference burn:

electricity

networking capacity

engineering time for evaluation and safety

If operating costs scale faster than revenue lift, the “AI advantage” becomes a margin drag.

3) Margin pressure and investor patience

Meta can afford large spend as long as its core ad engine remains strong. But if macro conditions or engagement shift, investors will reprice the risk.

4) Regulatory and trust issues

AI-driven ranking and generation raises concerns about:

misinformation amplification

deepfakes and fraud

content moderation errors

privacy boundaries in messaging apps

If AI features create more harm than value, regulators may tighten constraints, reducing upside.

What success looks like (signals worth watching)

If you want to judge whether Meta’s AI spending is working, ignore press releases and look for measurable signals.

A useful framing: Meta needs AI to improve either

revenue per user

cost per unit of output

, or ideally both. If you can’t see those showing up over time, the investment thesis weakens.

1) Product improvements that stick

better recommendations that increase time spent without increasing complaints

creative tools that genuinely reduce friction for advertisers and creators

2) Business performance

ad pricing and conversion quality

cost per outcome for advertisers

whether revenue growth accelerates relative to expense growth

3) Model capability and deployment pace

how quickly new models are deployed across apps

whether “agents” become useful in normal workflows (not just demos)

4) Safety and trust

how well Meta contains abuse (scams, impersonation, synthetic media)

transparency about AI-generated content

A practical reader’s guide: what to believe and what to treat as marketing

AI announcements often mix solid engineering realities with narrative framing. A useful checklist:

If it’s about

chips, power, data centres

, it’s real and measurable.

agents changing work

, ask what workflows are actually improved today.

cost savings

, ask whether savings show up in margins or just fund more growth.

Bottom line

Meta is spending like a company that believes AI is the next platform shift—and that the right move is to secure compute and deploy AI everywhere its users already are.

The scale is the story: Meta is choosing to compete on infrastructure and distribution, not just on clever prompts. That’s the kind of commitment that can create a moat—or a very expensive mistake.

The upside is real: better products, better ads, new assistants and creative tools. The downside is also real: margin compression, a crowded AI field, and the risk that regulation and trust problems blunt the returns.

This is what a platform transition looks like in real time: huge infrastructure investment, loud skepticism, and a race to prove that the spend turns into durable advantage.

If Meta can show sustained improvements in ad performance and product stickiness while keeping trust and safety under control, the capex will look like foresight. If not, it risks becoming a high-profile example of how easy it is to overspend in a hype cycle.

Sources

BBC News (Technology):

https://www.bbc.com/news/articles/cn8jkyk78gno?at_medium=RSS&at_campaign=rss

BBC News (Technology) (related context on bubble concerns):

https://www.bbc.com/news/articles/cr57p2ve8glo

←

→

oEmbed (JSON)

oEmbed (XML)

JSON

View all posts by Admin

Tesla ends Model S/X as it pivots to robots and AI — what’s real vs hype

UK’s free AI training push: why ‘prompting’ is the easy part

Meta may spend up to $135bn on AI infrastructure this year. Here’s what that buys (chips, data centres, networking), the strategy behind it, and the bubble risk investors debate.

Document Title
Page not found - Florin.blog	Puslapis nerastas - Florin.blog
Image Alt
Florin.blog
Title Attribute
Florin.blog » Feed
RSD
Skip to content
Placeholder Attribute
Search...
Page Content
Page not found - Florin.blog	Puslapis nerastas - Florin.blog
Skip to content
Home
Blog
Garden Decor
Indoor
Main Menu
This page doesn't seem to exist.
It looks like the link pointing here was faulty. Maybe try searching?	Panašu, kad nuoroda čia buvo klaidinga. Gal pabandykite paieškoti?
Search for:
Search
Quick Links
Outdoors
About
Contact
Explore
Bestsellers
Hot deals
Best of The Year
Featured
Gift Cards
Help
Privacy Policy
Disclaimer
: As an Amazon Associate, we earn from qualifying purchases — at no extra cost to you.	Kaip „Amazon“ partneriai, mes gauname pajamų iš kvalifikuotų pirkinių – jums tai nekainuos papildomai.
Florin.blog
Florin.blog » Feed
RSD
Search...

Document Title

Page not found - Florin.blog

Image Alt

Florin.blog

Title Attribute

Florin.blog » Feed

RSD

Placeholder Attribute

Search...

Page Content

Page not found - Florin.blog

Home

Blog

Garden Decor

Indoor

Main Menu

This page doesn't seem to exist.

It looks like the link pointing here was faulty. Maybe try searching?

Search for:

Quick Links

Outdoors

About

Contact

Explore

Bestsellers

Hot deals

Best of The Year

Featured

Gift Cards

Help

Disclaimer

: As an Amazon Associate, we earn from qualifying purchases — at no extra cost to you.

Florin.blog

Florin.blog » Feed

RSD

Search...