Meta 称上半年约 20% 的广告算力分配优化由 AI 智能体参与完成:Intelligent Delivery 的三个要点和一个疑问
Meta 工程博客于 2026 年 11 月 11 日发布文章《Intelligent Delivery: Making Every Unit of Compute Serve Better Ads》,介绍其广告算力分配系统 Intelligent Delivery。Meta 称,2026 年上半年该系统约 20% 的优化有 AI 智能体参与,在自动化程度最高的机制上智能体承担约 80% 的工程工作。据该博客,Intelligent Delivery 自 2017 年至 2026 年上半年,在主要产品界面上带来了约 10% 的额外广告排序效果提升,这一提升叠加在模型与系统本身的进步之上。
要点一:算力边际回报高度不均,需在毫秒内完成海量决策
据 Meta 工程博客,广告排序模型正朝 LLM 规模增长,速度快于硬件的跟进节奏。同一份额外算力在不同产品界面、用户意图、候选广告质量和系统状态下产生的回报差异很大。Meta 称,仅靠请求侧信号不足以做好分配——系统需要对每个请求估算每个可调参数的回报,而每个参数在漏斗的不同阶段表现各异,整个决策空间巨大,且必须在毫秒级时间内给出结果。
Meta 称,早期做法是将请求按界面、上下文、广告素材类型等属性分成粗粒度分组,由工程师为每组手写分配策略。这种方式带来了改进,但无法扩展:每增加一个信号就使规则成倍增长,独立分组也无法捕捉数千个信号之间的非线性交互,限制了准确性。
为此,Meta 称其将问题重构为两个 ML 问题:哪些广告请求最可能从额外算力中获益?不同资源设置将如何影响这些请求的结果和服务性能?据该博客,在离线基准测试中,这一重构在主要产品界面上将识别高影响请求的能力较上一版生产模型提升了约 20%。具体实现上,Meta 称其构建了名为 Resource Core Model 的深度学习模型,拥有 60 亿稀疏参数和 2000 万稠密参数,在候选检索之前对每个请求运行一次,并在整个投放漏斗中共享。在此基础上,Meta 称其对 Resource Core Model 进行微调,生成一组专用模型,分别预测结果增量、算力消耗和延迟影响,形成资源分配的共享 ML 智能层。
要点二:多层级机制跨区域、跨硬件、跨主机调度资源
据 Meta 工程博客,广告服务运行在全球分布的异构集群上,涵盖多个数据中心区域、多代硬件和数百万台主机,由多层级服务栈共享。Meta 称,单一分配机制无法端到端控制如此复杂的资源分布,因此其将问题分解为多个层级,为每层构建专用决策引擎。
Meta 称,当一个广告请求产生后,系统首先决定由哪个区域处理。流量与算力并不在同一地点,各区域硬件组合和余量不同,同一单位算力在不同区域的效率也不同。Meta 称其构建了实时基础设施,以分钟级周期在区域间动态调配流量,使每个区域在边际算力上达到相同效率水平。接下来决定请求落在哪类硬件上——Meta 称其集群涵盖 Intel、AMD、Arm 的 CPU 以及 NVIDIA、AMD 和 Meta 自研 MTIA 的加速器,跨越多代产品。不同排序阶段受限于不同资源类型——检索受限于内存容量、排序受限于计算、模型推理受限于加速器吞吐——因此没有单一最快的硬件型号,只有针对每种工作负载的最佳匹配。Meta 称其对每个工作负载与硬件型号的组合进行实测效率基准测试,然后求解分配方案,将稀缺硬件分给能将其转化为最多有效工作的负载。最后,在主机内部,系统需决定每个请求获得多少资源。Meta 称其利用深度学习模型实时预测每个请求的预期结果及其算力和延迟成本,在主机延迟预算约束下求解受限优化问题,使影响最大化——当主机负载升高时,资源密集但低影响的工作被优先削减。该框架的控制范围从内核级调度器延伸到应用级线程池。
Meta 称,这些分配决策紧密耦合,任何一层的资源变动都会在整个系统中产生连锁反应。为确保优化的是全局最优而非局部最优,Meta 称其在端到端闭环硬件测试环境中验证这些变更。
要点三:AI 智能体将优化周期从数月缩至数周
据 Meta 工程博客,每当新模型、新机制或新硬件上线,要在系统中数百万个可调维度上实现无缝集成需要大量工程投入,穷举搜索所有配置在时间和硬件资源上都不可行。Meta 称,过去主要依赖工程师的专业知识和先验经验来识别有前景的配置,但每一代新模型、新机制和新硬件都使搜索空间的扩张速度超过工程师的探索能力。Meta 称其曾尝试用受限优化方法自动化这一过程,虽有改进但仍不够灵活且速度慢,只能覆盖少数关键参数,也无法有效融入工程师从过往经验中积累的直觉。
Meta 称,其 AI 智能体持续监控整个系统状态,识别变化和低效之处。在一个长上下文窗口中,智能体读取机制源代码、设计文档和长达十年的实验日志,从中筛选出少量值得测试的变更。工程师在变更上线前进行审查和批准。
据该博客,智能体目前已能提出论据充分的变更建议,并设计和执行严格的实验。2026 年上半年,智能体参与了 Intelligent Delivery 约 20% 的优化。在自动化程度最高的机制上,智能体承担了约 80% 的工程工作,覆盖从理解系统状态、形成假设到运行实验并收敛到最终变更的全过程。Meta 称,这将优化周期从数月缩短至数周,同时人始终保有控制权。
一个疑问:约 10% 的额外排序效果提升的基线和度量方式是什么?
Meta 称 Intelligent Delivery 自 2017 年至 2026 年上半年在主要产品界面上带来了约 10% 的额外排序效果提升,并明确说明这一提升叠加在模型与系统本身的进步之上。那么,这里的”排序效果”用什么指标衡量——点击率、转化率、广告主回报,还是某种综合排序质量分数?基线是 2017 年没有 Intelligent Delivery 时的系统,还是每年在当年模型进步基础上做增量对照?本文的判断是:对一个跨越近十年的累计数字,度量口径和基线不同,含义可能差别很大。
主题分类:推荐系统/算力分配
参考资料
- Intelligent Delivery: Making Every Unit of Compute Serve Better Ads — Meta Engineering, 2026-11-11