目錄

• 你可能想知道
• 主要議題
• 重點見解表
• 後續……

你可能想知道

• Meta 如何使用人工智慧與大型語言模型來加速新的獨立應用程式的建立與擴展？

• 哪些過去的實驗塑造了公司目前的方法，且有哪些早期跡象顯示 AI 正在產生影響？

主要議題

Meta 宣布人工智慧，特別是大型語言模型（LLM），正使公司在構建與部署獨立消費者應用方面更快。公司領導層在最近的季度電話會議中說明，AI 不僅改善核心產品的相關性與商業結果，還縮短了開發週期並支援新產品的實驗。此轉變建立在多年內部嘗試打造成功獨立應用的基礎上，並代表了 Meta 在產品孵化方式上的演進。

歷史上，Meta（前身為 Facebook）進行了數項內部計畫以探索新的社交體驗。早期計畫包含一個孵化器，產生了如 Slingshot、Rooms、Paper、Moments 和 Riff 等獨立實驗。這些努力在未能吸引持續使用者後於 2015 年關閉。在 2020 年代初，Meta 再次嘗試，由一個內部研發團隊推出多個利基應用——從聊天與音樂到約會與創作者工具——但這些應用在取得有限成效後也大多停擺。重複出現的模式很明顯：好的想法並不總是能轉化為擁有持久使用者群的應用。

目前方法的改變基於兩項相互關聯的能力。首先，Meta 正利用其龐大的既有使用者生態系來種子並推廣新應用。以 Threads 為例，藉由在 Instagram 與 Facebook 上向既有受眾推出，幫助其比單獨發布更快速取得規模。其次，公司將 LLM 整合到核心產品功能——最顯著的是推薦與內容理解——以實質提升體驗並加速迭代。

這項關鍵見解對理解 Meta 策略有重大影響：LLM 同時被用來提升推薦品質與加速工程任務，讓 Meta 能以比過去更高的節奏測試假設並發布功能。

在推薦方面，Meta 的高層表示 LLM 透過提供更深入的主題與語氣分析，強化了排序系統，產生更準確的訓練信號，且更有效地將相關內容呈現給使用者。公司分享的一個實務里程碑是：現在每則 Instagram 的 Reels 與動態貼文都會由 LLM 處理以識別主題與語氣——這些資訊會輸入到推薦模型並改善個人化。

從工程角度來看，LLM 驅動的代理正在被用來評估內容品質、偵測趨勢並測試排序變更。這些代理可以自動化部分開發與品質保證流程，為產品團隊提供更快的反饋迴圈。綜合效果是顯著加快新應用或功能的構思、驗證與擴展速度。

Meta 最近推出了數個說明此方法的獨立應用與實驗例子。範例包括專為 Marketplace 賣家設計的專用應用、一款名為 Forum 的獨立社團應用、一款以氛圍為基礎探索的遊戲應用、一款新的 Instagram 相片應用，以及像 AI 驅動的睡前故事等實驗。公司也在近期推出中強調了 Seller 與 Forum，並表示計畫很快釋出更多消費者產品。

Threads 提供了一個具體案例，說明這些元素如何成功結合。它已達到約 5 億月活躍用戶，顯示當新產品能利用跨平台推廣、初始種子受眾與 AI 強化的內容推薦時，可以達到顯著的規模。公司高層將 Threads 架構為可能的下一個十億使用者產品，突顯出目前策略背後的雄心。

投資人在財報電話會議上主要關注 Meta 的 AI 支出與企業版圖，而非深入探究新應用的細節。儘管如此，管理階層表達了對 AI 整合將持續帶來對現有產品的改進與新穎產品機會的信心。公司也在開發以 LLM 為本位的推薦架構，可能為未來的推出提供額外的效能與效率提升。

將這些發展置於背景中觀察非常重要。Meta 早期的實驗顯示僅有創新並不保證使用者採用。成功取決於產品市場契合度、有效的種子策略，以及在最初好奇心消退後維持使用度的能力。AI 有助於可被發現性、個人化與內部生產力，但它無法取代引人入勝、良好設計的使用者體驗與明確的價值主張。

展望未來，Meta 預期將繼續快速迭代，並利用其推薦系統來擴大有前景的想法。管理層表示新的消費者產品將很快推出，反映出公司有意在利用 AI 的效率優勢同時發揮 Meta 廣泛平台觸及力。這些未來推出能否達到核心產品的持久性，將取決於它們將早期興趣轉化為習慣性使用的效果。

重點見解表

後續……

隨著 Meta 與其他科技公司推進 AI 強化的產品開發，有幾個值得關注與進一步探索的領域。首先，改進以 LLM 為本位的推薦系統，可能為利基與大眾市場應用帶來更好的擴展能力。其次，自動化工程工作流程的工具——例如內容評估代理與自動化 A/B 測試器——可能會持續縮短新想法的上市時間。最後，對長期參與驅動因素與負責任 AI 使用的研究將非常關鍵：雖然 AI 能優化發現與個人化，但產品團隊也必須確保使用者信任、資料隱私與持久價值。

探索這些技術與以人為本的面向將有助於決定哪些由 AI 加速的產品會成為人們數位生活中的長期補充，哪些則仍然是短暫的實驗。