Meta 135 miljardu dolāru mākslīgā intelekta izdevumu plāns: ko tas patiesībā pērk (un burbuļa risks)

/Tehnoloģija/ Autors

Kopsavilkums:Meta apgalvo, ka varētu iztērēt līdz pat135 miljardi ASV dolārušogad — gandrīz divreiz vairāk nekā pagājušajā gadā — ar mākslīgo intelektu saistītie izdevumi, galvenokārt infrastruktūrai, kas nodrošina mākslīgā intelekta darbību. Šis nav tikai "lielāka budžeta" stāsts. Tā ir stratēģiska zemes sagrābšana skaitļošanas, talantu un izplatīšanas jomā brīdī, kad tehnoloģiju un finanšu jomas līderi atklāti diskutē par to, vai mākslīgā intelekta uzplaukums irekonomiskais burbulis.

Galvenais jautājums nav par to, vai mākslīgajam intelektam būs nozīme (tam būs). Jautājums ir par to, vai Meta var pārvērst milzīgus kapitālieguldījumus ilgstošās produktu priekšrocībās un peļņā, neatkārtojot iepriekšējos ciklus, kuros entuziasms pārspēj atgriešanos.

Kāpēc šis stāsts ir lielāks nekā tikai "kapitāliju pieaugums"

Šī stāsta vienkāršākā versija ir šāda: “Meta tērēs vairāk līdzekļu mākslīgajam intelektam.” Svarīgākā versija ir šāda: Meta cenšas ieņemt vadošo pozīciju nākamajā saskarnes slānī — mākslīgā intelekta darbinātos ieteikumos, asistentos un aģentos —, pirms tirgus struktūra ir nostabilizējusies.

Tāpēc ir vērts atdalīt to, kas irapstiprināts(skaitļi, apgalvojumi) no tā, kas irnetieši(stratēģija un sagaidāmie rezultāti).

Ko Meta patiesībā teica (konkrēti fakti)

No ziņojuma:

  • Meta plāno tērētlīdz 135 miljardiem ASV dolāru (97 miljardiem mārciņu)šogad, galvenokārt uzMākslīgā intelekta infrastruktūra.
  • Tas ir salīdzināms ar aptuveni72 miljardi ASV dolārupagājušajā gadā.
  • Pēdējo trīs gadu laikā Meta ir iztērējusi aptuveni140 miljardi ASV dolārudzenoties pakaļ mākslīgā intelekta uzplaukumam.
  • Cukerbergs teica, ka sagaida2026. gadābūs gads, kad mākslīgais intelekts “dramatiski mainīs mūsu darba veidu”.
  • Meta izdevumi ir pieauguši straujāk nekā ieņēmumi (spiediens uz peļņas normu).
  • Cukerbergs deva mājienu, ka mākslīgais intelekts saīsinās darbu, kam agrāk bija nepieciešamas lielas komandas.
  • Meta jau ir atlaidusi simtiem darbinieku (īpaši Reality Labs).

Šie punkti ieskicē stāstu: Meta divkāršo pārliecību, ka mākslīgais intelekts pāriet no funkcijas uz darbības slāni gan produktos, gan iekšējā darbā.

Kur patiesībā aiziet nauda (un kāpēc tā ir tik dārga)

Kad uzņēmums saka “mākslīgā intelekta infrastruktūra”, tas parasti nozīmē lietu kopumu, kas ir enerģijas un kapitāla ziņā ietilpīgas.

Viens vienkāršs veids, kā par to domāt: Meta nepērk “mākslīgo intelektu”. Tā pērkcaurlaidspēja—spēja ātrāk apmācīt lielākus modeļus un veikt secinājumus plašā mērogā miljardiem ikdienas mijiedarbību.

Tas prasa:

1) Datoru aparatūra

  • GPU/paātrinātāja klasteri modeļu apmācībai un palaišanai.
  • Liela atmiņas joslas platums, ātri savienojumi, liela krātuve.

2) Datu centri

  • fiziskās ēkas, plaukti, redundance
  • elektroenerģijas piegāde (bieži vien ilgtermiņa elektroenerģijas līgumi)
  • dzesēšanas sistēmas (galvenais inženiertehniskais ierobežojums)

3) Tīklošanās

Lielu modeļu apmācībai ir nepieciešami tūkstošiem mikroshēmu, kas darbojas kā viens dators. Tas prasa:

  • ātrgaitas audumi
  • zema latentuma
  • rūpīga topoloģija un uzticamība

4) Instrumentu un modeļu darbība

  • datu cauruļvadi
  • drošības/novērtēšanas jostas
  • izvietošana un uzraudzība

Tāpēc mākslīgā intelekta kapitālieguldījumiem ir atšķirīga forma nekā “parastām” investīcijām programmatūrā: jūs nevarat vienkārši nolīgt inženierus. Jums ir jāpērk elektrība + silīcijs + nekustamais īpašums.

Meta stratēģiskā likme: AI + izplatīšana ir grāvis

Meta ir viens no nedaudzajiem uzņēmumiem, kas izplata produktus globālā mērogā, izmantojot vairākas platformas:

  • Facebook
  • Instagram
  • WhatsApp
  • (un līdzīgi centieni aparatūras/AR jomā)

Ja mākslīgais intelekts kļūst par galveno saskarni, ar kuru cilvēki atklāj saturu, sazinās un veido multividi, izplatīšanai ir nozīme.

Meta netiešā stratēģija ir:

  1. agresīvi investēt, lai veidotu modeļa spējas un kapacitāti
  2. izvietot to uz virsmām, kur cilvēki jau pavada laiku
  3. pārvērst šos uzlabojumus šādās formās:
    • labāka iesaiste
    • labāka reklāmu veiktspēja
    • jauni produkti (asistenti, aģenti, radošie rīki)

Pat nelieli uzlabojumi reklāmu mērķauditorijas atlases efektivitātē vai radošo materiālu ģenerēšanā var radīt problēmas, jo Meta reklāmas bizness ir tik liels.

Apgalvojums “Mākslīgais intelekts dramatiski maina darbu”: ko tas varētu nozīmēt

Cukerberga komentāri par projektiem, kas sarūk no “lielām komandām” līdz “vienam, ļoti talantīgam cilvēkam”, norāda uz ļoti konkrētu virzienu: mākslīgais intelekts kā produktivitātes reizinātājs uzņēmuma iekšienē.

Praksē tas varētu izskatīties šādi:

  • programmatūras inženieri, kas izmanto mākslīgo intelektu, lai ātrāk rakstītu, pārveidotu, testētu un dokumentētu kodu
  • produktu vadītāji, kas izmanto mākslīgo intelektu, lai sintezētu atsauksmes, ģenerētu eksperimentus un izstrādātu specifikācijas
  • tirgotāji ģenerē variantus un ātri atkārto

Taču ir viens āķis: produktivitātes rīki ir nevienmērīgi. Cilvēki, kuri iemācās tos labi izmantot, iegūst daudz lielāku vērtību. Tas saskan ar Cukerberga komentāru par "lielo deltu" starp cilvēkiem, kuri to dara labi, un tiem, kuri to nedara.

Kāpēc atlaišanas parādās vienā sarunā

Kad vadītāji runā par produktivitātes samazināšanu, atlaišanas ir ēnu tēma.

Tas ne vienmēr nozīmē, ka “mākslīgais intelekts aizstāj visus”. Biežāk tas nozīmē:

  • mazāk cilvēku nepieciešams ikdienas uzdevumiem
  • No komandām tiek sagaidīts, ka tās piegādās vairāk, izmantojot mazāk
  • organizācijas atkārtoti novērtē, kuras lomas ir stratēģiskas

Reality Labs atlaišanas jo īpaši norāda, ka Meta novirza budžetu no ilgtermiņa mērķiem (metavisa aparatūras) uz tuvāka termiņa mākslīgā intelekta infrastruktūru un mākslīgā intelekta produktu integrāciju.

Burbuļa risks: kāpēc gudri cilvēki skaļi izrunā klusāko daļu

Rakstā minēts, ka vairāki līderi pauž bažas par burbuļa veidošanos, salīdzinot šo brīdi ar dot-com laikmetu.

Šī ir svarīga nianse: “burbulis” nenozīmē “mākslīgais intelekts ir viltots”. Parasti tas nozīmē:

  • pārāk daudz kapitāla tiek novirzīts pārāk maz skaidri ienesīgu pieteikumu
  • daudzi uzņēmumi neizturēs kratīšanu
  • infrastruktūras un sadales ieguvēji gūst vislielāko vērtību

Cisco izpilddirektors tiek citēts brīdinot, ka uzvarētāji būs, taču pa ceļam būs "slaktiņi". Tas ir reālistisks tehnoloģiju pāreju apraksts.

Vēl viena dot-com mācība: burbuļa laikā uzņēmumi izveidoja reālu infrastruktūru (šķiedru kabeli, datu centrus, tīklus). Liela daļa agrīnās pašu kapitāla vērtības iztvaikoja, taču infrastruktūra palika un vēlāk ļāva attīstīties mūsdienu interneta ekonomikai. Mūsdienu mākslīgā intelekta attīstība varētu sekot tam pašam modelim: sāpīgs sabrukums dažiem uzņēmumiem, bet ilgstoša jauda, ​​kas kļūst par pamatu.

Meta riska profils: četri veidi, kā tas var noiet greizi

1) Kapitālieguldījumi bez ilgstošas ​​produktu diferenciācijas

Ja konkurenti ātri pielāgo savas spējas, izdevumi kļūst par izšķirošiem faktoriem — dārgi, bet ne diferencējoši.

2) Darbības izmaksu nenovērtēšana

Aparatūras iegāde ir tikai sākums. Modeļa apmācība un secinājumu apdedzināšana:

  • elektrība
  • tīklošanās iespējas
  • inženierijas laiks novērtēšanai un drošībai

Ja darbības izmaksas palielinās straujāk nekā ieņēmumi, “mākslīgā intelekta priekšrocība” kļūst par peļņas samazinātāju.

3) Maržas spiediens un investoru pacietība

Meta var atļauties lielus izdevumus, kamēr vien tā galvenā reklāmas dzinējsistēma saglabājas spēcīga. Taču, ja mainās makroekonomiskie apstākļi vai iesaiste, investori pārvērtēs risku.

4) Regulējuma un uzticēšanās jautājumi

Mākslīgā intelekta vadīta ranžēšana un ģenerēšana rada bažas par:

  • dezinformācijas pastiprināšana
  • dziļviltojumi un krāpšana
  • satura moderēšanas kļūdas
  • privātuma robežas ziņojumapmaiņas lietotnēs

Ja mākslīgā intelekta funkcijas rada vairāk kaitējuma nekā vērtības, regulatori var pastiprināt ierobežojumus, samazinot ieguvumus.

Kā izskatās panākumi (signāli, kurus ir vērts novērot)

Ja vēlaties spriest, vai Meta mākslīgā intelekta izdevumi darbojas, ignorējiet preses relīzes un meklējiet izmērāmus signālus.

Noderīgs formulējums: Meta ir nepieciešams mākslīgais intelekts, lai uzlabotu vai nuieņēmumi uz vienu lietotāju,izmaksas par produkcijas vienību, vai ideālā gadījumā abus. Ja laika gaitā neredzat to parādīšanos, investīciju tēze vājinās.

1) Produkta uzlabojumi, kas paliek spēkā

  • labāki ieteikumi, kas palielina pavadīto laiku, nepalielinot sūdzības
  • radošie rīki, kas patiesi samazina berzi reklāmdevējiem un satura veidotājiem

2) Uzņēmējdarbības sniegums

  • reklāmas cenas un konversijas kvalitāte
  • reklāmdevēju izmaksas par rezultātu
  • vai ieņēmumu pieaugums paātrinās attiecībā pret izdevumu pieaugumu

3) Modeļa spējas un izvietošanas temps

  • cik ātri jauni modeļi tiek ieviesti dažādās lietotnēs
  • vai “aģenti” kļūst noderīgi parastajās darbplūsmās (ne tikai demonstrācijās)

4) Drošība un uzticēšanās

  • cik labi Meta ierobežo ļaunprātīgu izmantošanu (krāpniecību, personības uzdošanos, sintētiskos medijus)
  • caurspīdīgums attiecībā uz mākslīgā intelekta ģenerētu saturu

Praktisks lasītāja ceļvedis: kam ticēt un ko uzskatīt par mārketingu

Mākslīgā intelekta paziņojumos bieži tiek sajauktas stabilas inženiertehniskās realitātes ar naratīvu ietvaru. Noderīgs kontrolsaraksts:

  • Ja runa ir parmikroshēmas, enerģija, datu centri, tas ir reāls un izmērāms.
  • Ja runa ir paraģenti maina darbu, pajautājiet, kādas darbplūsmas mūsdienās faktiski ir uzlabotas.
  • Ja runa ir parizmaksu ietaupījumi, pajautājiet, vai ietaupījumi parādās peļņas normās vai vienkārši finansē lielāku izaugsmi.

Apakšējā līnija

Meta tērē līdzekļus kā uzņēmums, kas uzskata, ka mākslīgais intelekts ir nākamā platformas maiņa, un ka pareizais solis ir nodrošināt skaitļošanas drošību un izvietot mākslīgo intelektu visur, kur jau atrodas tā lietotāji.

Stāsts ir par mērogu: Meta izvēlas konkurēt infrastruktūras un izplatīšanas jomā, nevis tikai ar gudriem ieteikumiem. Šāda veida saistības var radīt grāvi vai ļoti dārgu kļūdu.

Ieguvumi ir reāli: labāki produkti, labākas reklāmas, jauni asistenti un radošie rīki. Arī trūkumi ir reāli: peļņas normas samazināšanās, pārpildīta mākslīgā intelekta joma un risks, ka regulējuma un uzticēšanās problēmas samazinās ienesīgumu.

Lūk, kā platformas pāreja izskatās reāllaikā: milzīgas investīcijas infrastruktūrā, skaļa skepse un sacensība, lai pierādītu, ka tēriņi pārvēršas ilgstošā priekšrocībā.

Ja Meta spēs uzrādīt ilgtspējīgus reklāmu veiktspējas un produktu noturības uzlabojumus, vienlaikus saglabājot kontroli pār uzticību un drošību, kapitālieguldījumi izskatīsies pēc tālredzības. Pretējā gadījumā pastāv risks, ka tas kļūs par skaļu piemēru tam, cik viegli ir pārtērēt līdzekļus ažiotāžas ciklā.

Avoti

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
WhatsApp
(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
←
Previous Post
Next Post
→
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
Image Alt
Florin.blog
Title Attribute
Florin.blog » Feed
RSD
Skip to content
Placeholder Attribute
Search...
Page Content
Page not found - 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?
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.
Florin.blog
Florin.blog » Feed
RSD
Search...
a Latviešu valoda