Meta-美股公司研究報告-全球領先的社交生態核心業務觸底回升-230511.pdf

《Meta-美股公司研究報告-全球領先的社交生態核心業務觸底回升-230511.pdf》由會員分享，可在線閱讀，更多相關《Meta-美股公司研究報告-全球領先的社交生態核心業務觸底回升-230511.pdf（35頁珍藏版）》請在三個皮匠報告上搜索。

1、 本報告由中信建投證券股份有限公司在中華人民共和國（僅為本報告目的，不包括香港、澳門、臺灣）提供，由中信建投（國際）證券有 限公司在香港提供。同時請參閱最后一頁的重要聲明。證券研究報告證券研究報告美股公司深度美股公司深度 軟件與服務軟件與服務 META:META:全球領先的社交生態，全球領先的社交生態，核心業務觸底回升核心業務觸底回升 核心觀點核心觀點 23Q1 及 22Q4 業績邊際改善顯示出公司自身轉型的成效以及自身業績的韌性，同時降本增效顯著提升了市場對公司利潤改善的預期。戰略層面，經過前期調整，公司將繼續聚焦在短視頻、AI 技術等領域。從中長期視角下，視頻化與在線廣告技術的調整，將支撐

2、公司長期增長，競爭格局的邊際改善、用戶粘性提升等均是公司股價上行的支撐力量。Meta 擁有全球用戶規模最大的社交媒體矩陣。通過熟人社交、圖文分享及即時通訊多領域發展，Meta 打造了自己的社交媒體產品矩陣，并已可以滿足大多數國家用戶的社交需求。在近 20 年的成長過程中，以 Facebook 平臺為核心，通過自設、收購等方式，圍繞社交領域逐漸延伸自己的能力圈。截止 2022 年底，Facebook 主 App 為全球月活最高、訪問量最多的社交媒體平臺之一，Instagram、Messenger、WhatsApp 的用戶數也處于領先水平。受短視頻 TikTok 沖擊，Meta 加強 Reels

3、的宣傳和建設以爭奪短視頻市場。站在當前時點，我們認為隨著管理層經營重心從 VR 回歸廣告的轉變，未來在不發生深度衰退的宏觀背景下，Meta 已經走完自身的下坡周期，重回增長通道?；嘏念A期主要基于三駕馬車：1）流量回暖；2）reels 帶動粘性提升并將繼續擴大變現；3）TikTok 競爭減弱，Meta 底層社交護城河依然難以撼動。MR 生態處于早期階段但具有潛力，同時公司的研發方向將更加聚焦硬件產品的代際升級，Quest3 后續值得關注。雖然元宇宙的虧損仍將擴大，但相較此前而言，其投入的方向性更加明確。后續隨著相關人員的優化，效率將逐步改善。未來虛擬現實部門將逐步減虧，同時布局多樣化新品。布局

4、生成式 AI，SAM+LLaMA 模型前景可期。今年 2 月，Meta推出針對研究社區的大型語言模型 LLaMA。作為開源的“研究工具”，LLaMA 可在非商業許可下提供給政府、社區和學術界的研究人員和實體工作者。2023 年 4 月 5 日，Meta 宣布推出通用的圖像大模型 Segment Anything Model（SAM），能夠根據文本指令等方式實現圖像分割，并且萬物皆可識別和一鍵摳圖。同時，Meta 也發布了與之對應的數據集 Segment Anything 1-Billion mask dataset（SA-1B），并將該模型及數據集在 GitHub上開源，以促進機器視覺通用基礎

5、大模型的進一步研究。首次評級首次評級 買入買入 孫曉磊 SAC 執證編號:s1440519080005 SFC 中央編號:BOS358 崔世峰 SAC 執證編號:S1440521100004 發布日期：2023 年 05 月 11 日 當前股價：233.37 美元 目標價格 6 個月：279.4 美元 主要數據主要數據 股票價格絕對股票價格絕對/相對市場表現（相對市場表現（%）1 個月 3 個月 12 個月 7.99/7.23 27.23/24.97 14.53/14.24 12 月最高/最低價（美元）243.18/88.91 總股本（萬股）256,273.20 流通股本（萬股）221,215

6、.32 總市值（億美元）5,980.65 流通市值（億美元）5,980.65 近 3 月日均成交量（萬）2688.39 主要股東 Entities affiliated with BlackRock 股價表現股價表現 相關研究報告相關研究報告 -55%-35%-15%5%25%45%2022/5/102022/6/102022/7/102022/8/102022/9/102022/10/102022/11/102022/12/102023/1/102023/2/102023/3/102023/4/10Meta標普500Meta(META.O)Meta(META.O)美股公司深度報告 Meta

7、請參閱最后一頁的重要聲明 目錄目錄 核心觀點.1 1公司分析：全球領先的社交生態，核心業務觸底回升.1 1.1 公司概況：社交媒體巨頭.1 1.2 財務分析：走出陰霾，收入觸底回升.5 2.核心廣告：Facebook和 Instagram流量回暖，Reels加速變現.7 2.1 流量回暖，粘性上升.8 2.2 進軍短視頻，依托 Facebook和 Instagram流量推進 Reels.9 3.XR:逐步減虧，新品多點開花.14 3.1 系列產品:收購 Oculus，全球最大的硬件設備商.14 3.2 新品：VR、AR、智能穿戴設備多點開花.16 4.生成式 AI：發布 SAM、LLaMA 等

8、大模型，前景可期.18 4.1 SAM 模型：CV界的 GPT模型.18 4.1.1 SAM 模型能做什么？.18 4.1.2 SAM 模型有何創新性？.20 4.1.3 SAM 模型目前的局限性在哪里？.21 4.2 LLaMA：AI大型語言模型.22 4.2.1 LLaMA：開源語言大模型.22 4.2.2 LLaMA 具有參數規模小、訓練數據多、完全開源的特點.23 4.2.3 多項 AI能力與現有模型的對比.24 盈利預測與估值.27 風險分析.28 報表預測.29 圖目錄 圖 1:Meta 主要業務布局.1 圖 2:Meta 發展歷程.2 圖 3:Meta 軟件產品矩陣.2 圖 4:

9、全球社交媒體排名（按 2021 年廣告收入計/十億美元）.3 圖 5:Meta 分地區 MAU增速.3 圖 6:Meta 分地區 MAU（百萬人）.3 圖 7:2022M1-2023M4 Facebook MAU（億人）.3 圖 8:2022M1-2023M4 Instagram MAU（億人）.3 圖 9:2022-2023M4 Messenger MAU（億人）.4 圖 10:2022-2023M4 WhatsApp MAU（億人）.4 圖 11:Meta 目前高管團隊.4 圖 12:Meta 總營收及增速.5 圖 13:Meta 收入結構.5 圖 14:Meta 毛利率、凈利率情況.6

10、圖 15:Meta 各項費用率.6 圖 16:Meta 分業務經營利潤及利潤率（百萬美元，%）.6 圖 17:Meta 歸母凈利潤及增速.6 5XhU1WjZeXBVlY0XnV9Y8OdN8OsQqQsQsRkPrRrMkPrQpN7NrQqQuOrQtPwMmMqN 美股公司深度報告 Meta 請參閱最后一頁的重要聲明 圖 18:Meta 收入結構(USD millions).7 圖 19:Meta 收入結構占比.7 圖 20:Meta 廣告收入增速.8 圖 21:Meta 廣告季度 ARPU/每 DAU（分地區）.8 圖 22:21Q1-23Q1 Meta MAU 及增速.8 圖 23:

11、21Q1-23Q1 Meta DAU 及增速.8 圖 24:Meta 用戶粘性水平（DAU/MAU）.9 圖 25:美國 Instagram廣告曝光份額占比（21Q4).9 圖 26:美國 Instagram廣告曝光份額占比（22Q2).9 圖 27:Meta 在短視頻領域布局.10 圖 28:Instagram Reels 用戶界面.10 圖 29:Tiktok與 Instagram Reels 在界面、功能上的差別.10 圖 30:Instagram音樂版權限制多于 Tiktok.11 圖 31:Instagram的濾鏡多樣化程度劣于 Tiktok.11 圖 32:2022年初 Tikto

12、k 北美用戶年齡分布（%）.11 圖 33:三大社交軟件在美國 Gen Z用戶數量（百萬人）.11 圖 34:Reels算法邏輯以及 Tiktok相較于 Reels 的優勢所在.12 圖 35:大牌短視頻內容在 Reels上點贊數高于 Tiktok，網絡紅人短視頻內容反之.12 圖 36:Instagram 上線與 Tiktok Duet相似功能 Remix.13 圖 37:Meta 系列產品.14 圖 38:2022年 Q2 全球暢銷 VR Top10品牌市場份額分析.15 圖 39:Oculus Quest2 季度出貨量（萬臺）.15 圖 40:2020-2022Q2 XR 市場份額.16

13、 圖 41:2022年 Meta 產品及主要競品價格.16 圖 42:Reality Labs 季度營收及成本變化（十億美元）.16 圖 43:Meta Quest3 設計圖.17 圖 44:Meta Ray-Ban Stories AR眼鏡.17 圖 45:引入三個相互關聯的組件來構建分割的基礎模型.18 圖 46:SAM 在 1個不明確的提示下生成 3個有效掩碼.19 圖 47:SAM 在不明確的提示下生成有效掩碼與對應置信度分數的機制.19 圖 48:SAM 進行圖片自動分割的示例.20 圖 49:SAM 通過額外的點提示做出文本提示的正確分割.21 圖 50:LLaMA 訓練數據來源.

14、22 圖 51:不同模型的超參數詳細信息.23 圖 52:LLaMA 與主要競爭對手參數規模對比.23 圖 53:訓練過程中損失.24 圖 54:訓練期間問答和常識推理的表現演變.24 圖 55:不同產品常識推理表現.25 圖 56:不同產品閉卷答題表現.25 圖 57:不同產品閱讀理解表現.25 圖 58:不同產品多任務語言理解能力.26 美股公司深度報告 Meta 請參閱最后一頁的重要聲明 圖 59:有無指令微調對產品的影響.26 圖 60:Meta 利潤表預測.27 圖 61:廣告收入變化和 EPS敏感性測算.28 圖 62:Meta 資產負債表預測.29 圖 63:Meta 現金流量表

15、預測.29 1 美股公司深度報告 Meta 請參閱最后一頁的重要聲明 1公司分析：全球領先的社交生態公司分析：全球領先的社交生態，核心業務觸底回升，核心業務觸底回升 1.1 公司概況：公司概況：社交媒體巨頭社交媒體巨頭 Meta 為全球社交媒體公司巨頭，以廣告收入為核心，并著力開拓元宇宙。為全球社交媒體公司巨頭，以廣告收入為核心，并著力開拓元宇宙。Facebook 于 2004 年 2 月 4 日由美國人馬克扎克伯格創建，是美國的一個社交網絡服務網站，也是世界排名領先的照片分享站。公司建立各種工具，使用戶能夠連接，分享，探索，并相互通訊。2021 年 10 月 28 日，該公司將公司名由 Fa

16、cebook Inc.變更為 Meta Platforms,Inc.，標志著公司全面進入元宇宙領域。圖圖 1:Meta主要業務布局主要業務布局 數據來源：Meta官網，中信建投 發展歷程方面，發展歷程方面，Meta 成立近成立近 20 年，由單一社交媒體互聯網公司年，由單一社交媒體互聯網公司 Facebook 轉型為目前多元化的互聯網公轉型為目前多元化的互聯網公司，其發展歷程大致分為三個階段。司，其發展歷程大致分為三個階段。第一階段（2004 年-2011 年）：2004 年 2 月，“the F”上線，起初，網站以各大學作為根據地，之后，在 Facebook 中也可以建立起高中和公司的社會化

17、網絡。到 2010 年，世界品牌 500 強中 Facebook 超越微軟位居第一，Facebook 月活用戶突破 5 億。第二階段（2012 年-2020 年）：這一階段，Facebook 開始搭建社交媒體矩陣，并先后于 2012 年收購Instagram，于 2014 年收購 WhatsApp 及 Oculus VR，公司借助 Instagram由圖片向視頻轉型，借助 WhatsApp 完善即時通訊功能并借助 Oculus 展開 VR 領域布局。同時，這段時間 Facebook 也迎來了強勁增長，2017 年其用戶數量達到 20 億人次，成為了全球范圍內最大的社交媒體平臺之一。第三階段（2

18、021 年至今）：Facebook于 2021 年 11 月正式更名為 Meta，調整其公司架構，并全力轉型元宇宙領域的布局與發展。此外，疫情紅利期后用戶增長進入新常態，短視頻成為下一發力重心。22 年全年Meta 全生態用戶增速降至 2.8%，增長放緩。受短視頻 TikTok 沖擊，Meta 加強 Reels 的宣傳和建設以爭奪短視頻市場。2022 年第一季度，Reels 已占據 Instagram 用戶使用時間的 20%，2022 年第二季度，用戶使用 Reels 時長環比增幅超 30%，此外公司開始探索 Reels 的商業化，并在 2023 年開始加速商業化進程。2 美股公司深度報告 M

19、eta 請參閱最后一頁的重要聲明 圖圖 2:Meta發展歷程發展歷程 數據來源：Meta官網，新浪科技，中信建投 Meta 擁有全球用戶規模最大的社交媒體矩陣。擁有全球用戶規模最大的社交媒體矩陣。通過熟人社交、圖文分享及即時通訊多領域發展，Meta 打造了自己的社交媒體產品矩陣，并已可以滿足大多數國家用戶的社交需求。在近 20 年的成長過程中，以 Facebook 平臺為核心，通過自設、收購等方式，圍繞社交領域逐漸延伸自己的能力圈。截止 2022 年底，Facebook 主 App 為全球月活最高、訪問量最多的社交媒體平臺之一，Instagram、Messenger、WhatsApp 的用戶數

20、也處于領先水平。截止 2023 年 4 月，Facebook 的 MAU 達到 22 億，同比增長 1.4%，Instagram、Messenger、WhatsApp 的 MAU 分別達到 14、12、19 億，分別增長 5.8%、-7.6%及 2.8%。圖圖 3:Meta軟件產品矩陣軟件產品矩陣 Meta 軟件生態軟件生態 產品 Facebook Instagram Messenger WhatsApp 產品 logo 產品屬性 熟人社交 圖文分享 即時通訊 產品介紹 用戶可創建個人主頁進行個人分享，同時可關注他人動態并接收個性化推薦 圖片分享軟件，提供豐富的圖像處理操作，也可以進行視頻分享

21、 利用無限制短信、語音、視頻通話和視頻群聊功能隨時隨地與他人聯絡 可以接受好友消息、圖片、視頻、音頻以及電話等即時信息的社交軟件 MAU MAU 22 億（2023 年 4 月）MAU 14 億（2023 年 4 月）MAU 12 億（2023 年 4 月）MAU 19 億（2023 年 4 月）數據來源：Meta官網，sensor tower，中信建投 從廣告收入的角度對比各家社交媒體平臺，Meta 位居全球第二，僅次于谷歌。2022 年全年 Meta 廣告收入為 1136 億美元，遠超字節、騰訊、等社交媒體平臺。3 美股公司深度報告 Meta 請參閱最后一頁的重要聲明 圖圖 4:全球社交媒

22、體排名（按全球社交媒體排名（按 2021 年廣告收入計年廣告收入計/十億美元）十億美元）數據來源：statista，中信建投 對于未來的用戶增長空間，對于未來的用戶增長空間，Facebook 需要發揮整個生態的力量。需要發揮整個生態的力量。Facebook 主平臺用戶增長幾近“穩態”，從地域維度看，Facebook 在歐美地區增長基本已經停滯，而在亞太區增長也僅為個位數。2020 年疫情帶來線上滲透率增加的紅利在近兩年基本吃盡，未來用戶增長更多靠互聯網滲透率自然提升帶來。圖圖 5:Meta分地區分地區 MAU增速增速 圖圖 6:Meta分地區分地區 MAU（百萬人）（百萬人）數據來源：公司公告

23、，中信建投 數據來源：公司公告，中信建投 圖圖 7:2022M1-2023M4 Facebook MAU（億人）（億人）圖圖 8:2022M1-2023M4 Instagram MAU（億人）（億人）數據來源：sensor tower，中信建投 數據來源：sensor tower，中信建投 192114.938.631.531.215.614.91412.712.5020406080100120140160180200-10.0%-5.0%0.0%5.0%10.0%15.0%20.0%4Q201Q212Q213Q214Q211Q222Q223Q224Q221Q23US&CanadaEurope

24、AsiaRest of World0500100015004Q201Q212Q213Q214Q211Q222Q223Q224Q221Q23US&CanadaEuropeAsiaRest of World 4 美股公司深度報告 Meta 請參閱最后一頁的重要聲明 圖圖 9:2022-2023M4 Messenger MAU（億人）（億人）圖圖 10:2022-2023M4 WhatsApp MAU（億人）（億人）數據來源：sensor tower，中信建投 數據來源：sensor tower，中信建投 管理團隊方面，公司一直由馬克扎克伯格擔任首席執行官，其余各部門負責人均一直處于變動中。管理團隊

25、方面，公司一直由馬克扎克伯格擔任首席執行官，其余各部門負責人均一直處于變動中。Mark Zuckerberg 在 Andrew McCollum 和 Eduardo Saverin 的支持下，于 2004 年 2 月創辦了“The Facebook”，2018 年，新聘法律總顧問 Theodore W.Ullyot；新聘副總裁 Theodore W.Ullyot；新聘公司秘書 Theodore W.Ullyot，之后，公司各職位人員均處在不斷變化中，目前公司的高管團隊由 CEO 馬克扎克伯格及首席財務、運營、技術、會計、法務、產品、戰略官八人組成。圖圖 11:Meta目前高管團隊目前高管團隊

26、數據來源：Wind，中信建投 組織架構方面，組織架構方面，Meta組織組織架構架構經過兩次調整。經過兩次調整。2004年 2 月 4 日，Facebook 創立于哈佛大學校園，主要創始人馬克扎克伯格。2018年 5 月 Meta 迎來成立以來最大組織架構變動，公司宣布將成立 3 個新部門，一個“應用家庭”部門（包括 Facebook、Instagram、WhatsApp 和 Messenger），一個新平臺部門（包括區塊鏈技 5 美股公司深度報告 Meta 請參閱最后一頁的重要聲明 術團隊、增強和虛擬現實、企業技術和人工智能），以及一個“中心產品服務團隊”（包括廣告、數據分析和安全等共享資源）

27、。2021年 12 月，Meta Platforms 將其 AI 團隊合并入負責開發 AR/VR 產品的 Reality Labs 部門。1.2 財務分析：財務分析：走出陰霾，收入觸底回升走出陰霾，收入觸底回升 收入結構上，廣告收入是公司主要營收來源收入結構上，廣告收入是公司主要營收來源，絕大多數收入來自應用家族出售的廣告位絕大多數收入來自應用家族出售的廣告位，占比始終超過，占比始終超過97%。Meta 收入包括應用家族帶來的廣告業務和其他收入，以及虛擬現實業務的收入。2022 年全年由于宏觀環境的走弱，公司實現營業收入 1166 億美元，同比下滑 1%，為近五年以來首次出現下降趨勢。而隨著

28、23Q1需求的恢復，公司收入重回增長曲線，2023Q1 公司實現營收 286.5 億美元，同比增長 3%。圖圖 12:Meta總營收及增速總營收及增速 圖圖 13:Meta收入結構收入結構 數據來源：公司公告，中信建投 數據來源：公司公告，中信建投 22 年以來凈利潤下滑，主要系年以來凈利潤下滑，主要系元宇宙投入，今年開始公司重點將回歸廣告業務元宇宙投入，今年開始公司重點將回歸廣告業務，減少，減少 VR 投入投入。FY17-FY22，Meta 毛利率基本保持穩定。得益于 2020 疫情以來在線娛樂生活的需求增長，公司 2020-2021 年凈利潤增長超過 30%。但 2022 年凈利潤 232

29、 億美元，同比減少 41%，主要在于元宇宙業務的巨額投入導致的虧損。2023Q1 凈利潤 57 億美元，同比減少 24%，降幅有所收窄，盈利提升源于營銷削減，裁員效果將在后續幾個季度逐步體現。一季度 Meta 整體經營利潤率回到 25%，環比提升了 5pct。其中 VR 虧損加大，但廣告為主的App 服務，經營利潤率環比提升了 5.6pct。費用率方面，費用率方面，2022 年年各項費用均各項費用均有大幅增長有大幅增長，但一季度及后續將出現明顯優化。，但一季度及后續將出現明顯優化。一季度 Meta 裁員上萬人，但由于當期還有遣散費補償，裁員效果還未能很好體現。因此一季度的盈利提升，除了成本上相

30、比四季度少了服務器重組費用外，還主要來源于營銷費用的大幅減少。剔除一次性費用之后的真實經營利潤率實際上已經恢復到 29%，但與歷史水平相比，還有優化空間。二季度仍然會有裁員補償費的影響，今年 3 月 Meta 又啟動了第三輪的萬人裁員計劃，預計還將產生近 5 億美元的遣散費，將在今年后面三個季度陸續確認。公司對費用端進行持續優化，并下調了公司對費用端進行持續優化，并下調了 2023 年費用支出指引，從年費用支出指引，從 890950 億美元收窄至億美元收窄至 860920 億美元。億美元。Meta 近幾個月采取了多種削減成本的行動，力求提升盈利能力。2023 年資本支出指引保持不變，仍為 30

31、0330 億美元。Meta 將資本開支聚焦到構建支持廣告、Feed 和短視頻服務 Reels 的 AI 能力、以及增加生成式 AI 項目能力的投資。我們認為，中短期內，費用端的優化或顯著改善公司的凈利率水平。2864533%56%35%20%7%-1%-4%-4%3%-10%0%10%20%30%40%50%60%010000200003000040000收入（百萬美元）增速yoy%6 美股公司深度報告 Meta 請參閱最后一頁的重要聲明 圖圖 14:Meta毛利率、凈利率情況毛利率、凈利率情況 圖圖 15:Meta各項費用率各項費用率 數據來源：公司公告，中信建投 數據來源：公司公告，中信建

32、投 圖圖 16:Meta分業務經營利潤及利潤率（百萬美元，分業務經營利潤及利潤率（百萬美元，%）圖圖 17:Meta歸母凈利潤及增速歸母凈利潤及增速 數據來源：公司公告，中信建投 數據來源：公司公告，中信建投 40%-1178%-1400%-1200%-1000%-800%-600%-400%-200%0%200%-5000050001000015000200004Q201Q212Q213Q214Q211Q222Q223Q224Q221Q23Family of Apps(FOA)Reality LabsFOA OPMRL OPM-80%-60%-40%-20%0%20%40%60%80%100

33、%120%-2,000 4,000 6,000 8,000 10,000 12,000歸母凈利潤（百萬美元）增速yoy%7 美股公司深度報告 Meta 請參閱最后一頁的重要聲明 2.核心廣告：核心廣告：Facebook 和和 Instagram 流量流量回暖回暖，Reels 加速變現加速變現 以廣告為核心的社交龍頭。以廣告為核心的社交龍頭。同為社交生態龍頭，Meta 與騰訊又有不同，騰訊在商業化方面多點開花，騰訊主要通過游戲和視頻增值業務、廣告、金融科技與企業服務三大業務進行貨幣化，22Q4 廣告業務占比僅為17%，短短幾年就躍升中國泛娛樂乃至消費互聯網行業的絕對龍頭，而 Meta 對自己流量

34、價值挖掘，幾乎只做好了廣告這一種商業模式，從收入結構上看，廣告收入占比始終在 97.5%以上。圖圖 18:Meta收入結構收入結構(USD millions)圖圖 19:Meta收入結構收入結構占比占比 數據來源：公司公告，中信建投 數據來源：公司公告，中信建投 廣告的命脈是宏觀經濟。廣告的命脈是宏觀經濟。2022 年的廣告市場意料之中的隨著全球經濟放緩而跌進塵埃，過去一年內，包括 Meta 在內的北美互聯網巨頭日子都相當難過，廣告主的預期也一再保守。而對于宏觀經濟，當前可能的最大預期變化，在于經濟從“強衰退”演繹為“弱增長”帶來的差異，這將顯著影響廣告主在今年的營銷投放節奏，也包含一定的邊際

35、改善。廣告主對經濟預期最謹慎的時期基本上發生在去年下半年，尤其是 Q3（很多機構快速調整了營銷預算），四季度雖然也整體偏謹慎，但相比三季度，預期沒有進一步的惡化。我們認為三四季度短期過于謹慎的投放節奏并非今年全年常態，上半年可能會有慣性保守，但當經濟軟著陸預期越來越強，廣告主的營銷活動也會逐步恢復，恢復節奏有望加快。再加上去年的低基數，預計今年下半年的廣告市場會有顯著回暖的跡象。從從 22Q4 的情況看，的情況看，Meta 廣告業務重回正增長廣告業務重回正增長，Q2 業績指引好于預期。業績指引好于預期。一季度雖然公司面臨較大的宏觀壓力，但依靠零售廣告、AI 廣告技術、短視頻等轉型的持續拉動，公

36、司在經歷長達一年的收入逆風后重回正增長，并針對二季度給出相對較為積極的收入指引。一季度 Meta 廣告收入 286.5 億美元，同比增長 4%，超市場預期，VR 業務在這個季度同比下滑了 51%，雖然有上年同期高基數的影響，但本身的用戶需求轉淡也是更深層次的拖累因素。公司 23Q2 的業績預期為 295320 億美元（yoy+2%-10%），其中高匯率的負面影響約 1%，公司指引顯著優于市場預期的 295 億。從單用戶廣告價值看，從單用戶廣告價值看，Meta 在主要地區的變現率相對較高。在主要地區的變現率相對較高?？v觀歐美地區的變現水平，除了歐洲地區還存在一定的提升空間外，北美地區在廣告變現上

37、相比其他同行平臺（Snapchat、YouTube、TikTok），其實已經算達到一個極致優越的水平，亞太地區則比較克制。281010100002000030000400004Q201Q212Q213Q214Q211Q222Q223Q224Q221Q23advertisingothersReality Labs98.1%1.2%0.0%20.0%40.0%60.0%80.0%100.0%4Q201Q212Q213Q214Q211Q222Q223Q224Q221Q23advertisingothersReality Labs 8 美股公司深度報告 Meta 請參閱最后一頁的重要聲明 圖圖 20:

38、Meta廣告收入增速廣告收入增速 圖圖 21:Meta 廣告季度廣告季度 ARPU/每每 DAU（分地區）（分地區）數據來源：公司公告，中信建投 數據來源：公司公告，中信建投 站在當前時點，我們認為隨著管理層經營重心從 VR 回歸廣告的轉變，未來在不發生深度衰退的宏觀背景下，Meta 已經走完自身的下坡周期，重回增長通道?；嘏念A期主要基于三駕馬車：1）流量回暖；2）reels帶動粘性提升并將繼續擴大變現；3）TikTok 競爭減弱，Meta 底層社交護城河依然難以撼動。2.1 流量回暖，流量回暖，粘性上升粘性上升 前文已經提到，Facebook 主平臺用戶增長幾近“穩態”，從地域維度看，Fa

39、cebook 在歐美地區增長基本已經停滯，而在亞太區增長也僅為個位數增速，2020 年疫情帶來線上滲透率增加的紅利在近兩年基本吃盡。23Q1 公司 DAU 達到 20.4 億，同比增長 3.9%，主要來自于亞太區用戶貢獻，同比增長 5.6%，環比增長 2.2%；MAU 達到 29.9 億，同比增長 1.9%，用戶粘性（DAU/MAU）在短視頻 Reels 的加持下繼續新高。Facebook 主站也在增加，并且環比上季度有明顯的加快。自從 Reels 在 FB 上也優先透出后，Facebook 從原本幾乎停止增長到恢復凈增。展望未來，Reels 的加速滲透有望進一步推動 Meta 生態向更多場景

40、滲透，同時短視頻的形態也將進一步增強用戶粘性。圖圖 22:21Q1-23Q1 Meta MAU 及增速及增速 圖圖 23:21Q1-23Q1 Meta DAU 及增速及增速 數據來源：公司公告，中信建投 數據來源：公司公告，中信建投 -10.0%0.0%10.0%20.0%30.0%40.0%50.0%60.0%4Q20 1Q21 2Q21 3Q21 4Q21 1Q22 2Q22 3Q22 4Q22 1Q2367.461.068.566.877.261.364.964.875.463.622.120.623.522.126.520.721.018.822.720.46.36.26.56.77.

41、76.87.06.87.06.84.24.04.64.85.24.75.04.85.34.90.020.040.060.080.0100.04Q20 1Q21 2Q21 3Q21 4Q21 1Q22 2Q22 3Q22 4Q22 1Q23US&CanadaEuropeAsiaRest of World0.0%2.0%4.0%6.0%8.0%10.0%12.0%2750280028502900295030001Q212Q213Q214Q211Q222Q223Q224Q221Q23MAU（百萬人）yoy%0.0%2.0%4.0%6.0%8.0%10.0%1750180018501900195020

42、0020501Q212Q213Q214Q211Q222Q223Q224Q221Q23DAU（百萬人）yoy%9 美股公司深度報告 Meta 請參閱最后一頁的重要聲明 圖圖 24:Meta 用戶粘性水平（用戶粘性水平（DAU/MAU）數據來源：公司公告，中信建投 2.2 進軍短視頻，依托進軍短視頻，依托 Facebook和和 Instagram 流量推進流量推進 Reels Meta 旗下旗下 Instagram 與與 Facebook 先后上線短視頻功能先后上線短視頻功能 Reels，基于自身成熟用戶生態和強大流量發展迅，基于自身成熟用戶生態和強大流量發展迅速。速。2022 年第二季度，Ree

43、ls 已占據 Instagram 用戶使用時間的 20%，2022 年第二季度，用戶使用 Reels 時長環比增幅超 30%，超過 45%的 Instagram 用戶每天都與 Reels 互動。此外公司開始探索 Reels 的商業化，并在2023 年開始加速商業化進程。Reels 于 21 年初逐步投入廣告以來，廣告 收入穩步提升，從 21Q4 占比 1%至 22Q2 占比 3.9%。其次對于 Facebook，根據 Tinuiti，在 22Q2，Facebook 廣告收入主要來源于 Feed，占比高達 72.1%，而 Reels 的廣告收入初露頭角，于 22Q2 占比達 0.9%(包括 Re

44、els Overlay)。Reels 作為 22 年的重要事項之首，Meta 高管認為 Reels 的變現能力大有可觀，截至 22Q2，Reels 的變現能力已超過了同期的 Stories，累計創收超過 10 億美元。圖圖 25:美國美國 Instagram廣告曝光份額占比（廣告曝光份額占比（21Q4)圖圖 26:美國美國 Instagram廣告曝光份額占比（廣告曝光份額占比（22Q2)數據來源：Tinuiti，中信建投 數據來源：Tinuiti，中信建投 Meta 多次試水短視頻領域，直至推出多次試水短視頻領域，直至推出 Reels。2018 年 11 月，Meta 開始試水短視頻領域，上線

45、短視頻應用“Lasso”，上線后表現不佳，于 2020 年 7 月正式關閉。但是 Meta 沒有停下發展短視頻業務的腳步，2019 年 6月 Instagram 上線短視頻功能“Reels”，用戶可以訪問來自朋友和頁面的短視頻，2020 年 8 月“Reels”全面登陸全球 50 余個市場。2021 年 9 月，Facebook 也推出了 Reels 功能，并在 2022 年 2 月向全球 150 多個國家的用戶開放。在 Reels 推出之前，Facebook 和 Instagram 平臺的 MAU 分別在 20 億和 10 億以上，且超過 60%的用戶年齡在 34 歲以下，已經積攢起完備的年

46、輕用戶池，而將短視頻模塊植入具有較大用戶基礎的 Instagram，大幅64.5%65.0%65.5%66.0%66.5%67.0%67.5%68.0%68.5%1Q21 2Q21 3Q21 4Q21 1Q22 2Q22 3Q22 4Q22 1Q2347.0%42.0%9.0%1.0%0.1%0.0%5.0%10.0%15.0%20.0%25.0%30.0%35.0%40.0%45.0%50.0%FeedStoriesExploreReelsInstagramshop48.6%38.8%7.6%3.9%1.1%0.0%10.0%20.0%30.0%40.0%50.0%60.0%FeedStor

47、iesExploreReelsInstagramshop 10 美股公司深度報告 Meta 請參閱最后一頁的重要聲明 增強了 Reels 的競爭力。雖然 Reels 上線時間尚短，但規模已經形成，是海外短視頻重要玩家之一，在商業化方面目前也已吸引了部分商家和品牌入駐，廣告商業化模式已初具雛形。2022 年 2 月，Meta 肯定了 Instagram中短視頻功能 Reels 的發展情況，稱這是 Instagram 增長最快的內容格式，用戶觀看 Reels 總時長占比超過 20%，未來 Reels 將是 Meta 重要的戰略發展方向之一。圖圖 27:Meta在短視頻領域布局在短視頻領域布局 圖圖

48、 28:Instagram Reels 用戶界面用戶界面 時間時間 事件事件 2018 年 11月 上線短視頻應用“Lasso”2019 年 6 月 Instagram 中上線短視頻功能“Reels”2020 年 7 月 關?！盠asso“，關停時 DAU 不足 8 萬 2020 年 8 月“Reels”全面登陸全球 50 余個市場 2021 年 9 月 Facebook 上線 Facebook Reels 2022 年 2 月 Facebook Reels 向全球 150 多個國家開放 數據來源：公司公告，中信建投 數據來源：NPR，中信建投 Reels 始終以追趕對標 Tiktok 的策略

49、為主，從表觀看，Reels 的產品設計與 Tiktok 基本一致，但二者由于產品定位不同在算法和分發邏輯、用戶結構、創作者生態方面均存在核心差異，這種差異不會因為對內容品類的簡單模仿而改變。從產品定位看，從產品定位看，Reels 僅是僅是 Facebook 生態的補充模塊，生態的補充模塊，Tiktok 作為獨立短視頻產品更能滿足行為上癮式作為獨立短視頻產品更能滿足行為上癮式消遣需求。消遣需求。Reels 屬于 Instagram 的其中一個模塊，入口并不明顯，不具備獨立的主頁面、創作入口，操作略顯繁瑣，而 Tiktok 相對直觀，進入 APP 即為短視頻內容。單從用戶進入短視頻功能后的使用觀感

50、看，Tiktok 與Reels 差異并不顯著，但從創作者視角看，Tiktok 具有明顯優勢，主要表現在：創作素材（音樂、特效及濾鏡）、UI 設計等。首先，Tiktok 因版權購買，在音樂資源庫方面擁有獨特優勢。Musical.ly 前期通過股權出讓和短時長音樂采買的概念獲得了一年一簽的音樂版權資格，為 Tiktok 的版權資源奠定基礎；而臉書系受制于版權政策，音樂庫資源較少；就特效、濾鏡庫來說，Tiktok 可以從多種效果、模板和濾鏡中選擇濾鏡功能，而 Reels 側重于更美觀的修飾濾鏡。音效方面 Tiktok 有多種有趣音效和畫外音工具，而 Reels 不能給聲音添加有趣效果；UI設計方面，

51、Tiktok 的剪輯入口為一級入口，而 Reels 的剪輯入口不在主頁面，降低創作者的使用便捷性。圖圖 29:Tiktok與與 Instagram Reels 在界面、功能上的差別在界面、功能上的差別 Tiktok Reels 濾鏡庫 從多種效果、模板和濾鏡中選擇濾鏡功能；使用不同字體或表情符號的文本 更側重于美觀的修飾濾鏡 音效 多種有趣音效；有畫外音工具 音效方面可以錄制旁白，但不可以給音頻增加好玩的效果 短視頻內容展示 進入 APP 即為短視頻內容 屬于 Instagram 的其中一個模塊，入口并不明顯，且用戶注意力容易受圖文內容分散 剪輯入口 Tiktok 的剪輯入口就主頁面下方 剪輯

52、入口與 Stories、圖文模塊剪輯入口處于同一層級，不在主頁面 數據來源：Tiktok，Instagram，中信建投 11 美股公司深度報告 Meta 請參閱最后一頁的重要聲明 圖圖 30:Instagram音樂版權限制多于音樂版權限制多于 Tiktok 圖圖 31:Instagram的濾鏡多樣化程度劣于的濾鏡多樣化程度劣于 Tiktok 數據來源：Instagram，Tiktok，中信建投 數據來源：Instagram，Tiktok，中信建投 Facebook 系應用具有強社交屬性，其社交地位難以被系應用具有強社交屬性，其社交地位難以被 TikTok 取代。取代。根據 22 年 10 月

53、GWI 在 16-64 歲人群的調查，47%的互聯網用戶使用社交媒體的主要原 因為和朋友和家人保持聯絡，排名第一；其次，35.4%的用戶使用社交媒體的原因為打發時間。本質上來說，和熟人社交仍是大多數人使用社交媒體的頭等動因。在這點上，盡管目前 TikTok 發展十分強悍，但是其依然無法取代 Meta 在熟人社交和通訊的地位。根據功能定位，用戶使用 Facebook 的主要功能為給家人或朋友發消息，而 TikTok 的這項活動的占比是最低的。因此盡管 TikTok 對 Meta 造成了一定的沖擊，但用戶使用 Facebook 系應用進行社交的剛性需求不會改變，Meta 的社交龍頭地位仍難以撼動。

54、Tiktok 用戶相比用戶相比 Reels 更加年輕化，更加年輕化，用戶畫像上與用戶畫像上與 Snapchat 更為接近。更為接近。由于由于功能定位和用戶畫像不同，受 TikTok 影響最大的可能是 Snapchat 而非 Facebook 和 Instagram。根據 emarketer，Instagram 用戶主要分布在25-34 歲之間，其次是 18-24 歲,而大多數 Tiktok 用戶年齡分布在 15-24 歲之間。圖圖 32:2022 年初年初 Tiktok北美用戶年齡分布（北美用戶年齡分布（%）圖圖 33:三大社交軟件在美國三大社交軟件在美國 Gen Z 用戶數量（百萬人）用戶數

55、量（百萬人）數據來源：Statista，中信建投 數據來源：eMarketer，中信建投 Reels 算法邏輯整體與算法邏輯整體與 Tiktok 類似，從側重上看類似，從側重上看 TiktokTiktok 的算法更重內容，的算法更重內容，ReelsReels 更重社交更重社交，但，但 Tiktok 精精細化程度高于細化程度高于 Reels。Reels Explore 實行兩階段排名系統。首先是候選生成階段，在為“探索”頁面策劃內容時，算法首先尋找人們之前與之交互過的“種子”帳戶，分析出一個人可能感興趣的賬戶。接下來是排名階段，12 美股公司深度報告 Meta 請參閱最后一頁的重要聲明 Inst

56、agram 通過分析人們在媒體上已經采取的個人“動作”（如“喜歡”、“不喜歡”）來預測其何種動作能夠表示其對內容的特定態度，并借此衡量一段內容與給定用戶的相關程度。Tiktok 的 For You 推薦系統使用流量池算法機制：推薦算法遵循螺旋上升機制進行流量分發，不斷使優質內容最大化曝光，社交屬性相對較弱。此外，Tiktok 相較于 Reels Explore 的權重體系更加精細化。除了與 Reels 相似的用戶交互行為，播放時間、視頻詳細信息、設備所設置等多方因素都會被 For You算法考慮在內。圖圖 34:Reels 算法邏輯以及算法邏輯以及 Tiktok相較于相較于 Reels的優勢所

57、在的優勢所在 數據來源：Instagram，Tiktok，中信建投 Tiktok 的算法打造了相對更低的創作門檻和更有利于新創作者的分發機制，形成更優質的的算法打造了相對更低的創作門檻和更有利于新創作者的分發機制，形成更優質的 UGC 創作生態。創作生態?；谝陨蠈?Tiktok 和 Reels 算法的分析，我們發現：Reels 更加傾向于傳達熟人和關注對象、其次是頭部賬號的短視頻，吸引原有用戶的能力更強，新賬號創作的作品的分發權重較低，也不會被廣泛傳播給潛在的陌生受眾，這導致在 Reels 發展新賬號的冷啟動周期更長，抑制了新用戶的創作熱情。而 Tiktok 的算法更著重于內容，能夠出現爆款

58、傳播，對創作者的正反饋更強。從數據上看，Tiktok 用戶對于紅人原生內容的互動率超過了 Instagram Reels，而對于已經具有品牌和強大影響力的賬戶在 Reels 上的影響力更大。圖圖 35:大牌短視頻內容在大牌短視頻內容在 Reels 上點贊數高于上點贊數高于 Tiktok，網絡紅人短視頻內容反之，網絡紅人短視頻內容反之 數據來源：Markerly，中信建投 數據來源：Markerly，中信建投 Instagram Reels 多方面對標多方面對標 Tiktok，鼓勵用戶創作熱門話題的衍生內容，拓寬短視頻錄制時長范圍，簡，鼓勵用戶創作熱門話題的衍生內容，拓寬短視頻錄制時長范圍，簡化

59、入口界面設計?；肟诮缑嬖O計。早先 Reels 出于對原創者的版權保護，并不鼓勵這類型二創，一定程度上阻礙了傳播路徑,無法形成爆款，為改善這一問題 Reels 推出 Remix for Photos 功能，允許用戶重新混合他人視頻，逐步向 Tiktok138005758439004739017000153360050000100000150000200000Sephora FranceBurgur KingLouis VuitionTikTok LikesReels Likes58000004000000270000061800010000002000000300000040000005000

60、00060000007000000willsmithkyliejennerTikTok LikesReels Likes 13 美股公司深度報告 Meta 請參閱最后一頁的重要聲明 看齊。Reels 進一步延長短視頻的錄制時長對標 Tiktok，此外還宣布 15 分鐘以內的新視頻帖子將自動轉化到Reels 上，這不僅意味著 Instagram 放寬了短視頻上傳的門檻，還打通了 Instagram 視頻和 Reels 的分界。最近Instagram啟動了對全屏的測試，該測試將常規帖子、Stories 和 Reels 合并到一起，復刻了 Tiktok 的版面設計。圖圖 36:Instagram 上

61、線與上線與 Tiktok Duet 相似功能相似功能 Remix 數據來源：Instagram，中信建投 14 美股公司深度報告 Meta 請參閱最后一頁的重要聲明 3.XR:逐步減虧，新品多點開花逐步減虧，新品多點開花 3.1 系列產品系列產品:收購收購 Oculus，全球最大的硬件設備商，全球最大的硬件設備商 目前目前 Meta 已發售六款已發售六款 VR 相關產品。相關產品。2014 年 3 月，Facebook 宣布以 20 億美元的價格收購了 Oculus。2016 年，Oculus 發布了 Oculus Rift 第一個消費者版本 Oculus Rift“CV1”，Oculus T

62、ouch 控制器、全空間動作感應、頭部追蹤、高分辨率屏幕和 PC 連線的功能使 Rift 大獲成功。2017 年 10 月，Oculus 與我國電子產品制造商小米合作，推出了 Oculus Go，這是 Oculus 推出的第一部 VR 一體機。2019年 2 月，Oculus 推出了 Oculus Quest，繼 Oculus Go 之后發布第二臺 VR 一體機。2019 年 3 月，Facebook 與中國電子制造商聯想合作推出了Oculus Rift S，這是最初 Rift PC 頭戴設備的升級版。2020 年，經過前兩款 VR 一體機之后，Oculus 推出了屏幕分辨率、刷新率、存儲和處

63、理能力更好的 Quest 2。之后，在眾多企業紛紛入場 VR 頭顯賽道的同時，Meta 在2022 年 10 月 12 日凌晨的 VR 年度大會 Connect 上，推出全新 VR 設備 Quest Pro，較 Quest 2 實現了硬件及性能的多重升級。圖圖 37:Meta系列產品系列產品 數據來源：京東，中信建投 表表 1:Meta系列產品歷史及參數系列產品歷史及參數 產品名稱 發售時間 產品簡介 Oculus Rift 2014年 7月 在硬件配置上，Oculus Rift 具有兩個目鏡，每個目鏡的分辨率為 640800，雙眼的視覺合并之后擁有 1280800 的分辨率。并且具有陀螺儀控

64、制的視角是這款游戲產品一大特色，游戲的沉浸感大幅提升。Oculus GO 2018年 5月 Oculus Go是 Oculus推出的首款 VR一體機，由 Oculus和高通以及小米聯合開發，采用了高通驍龍 821處理器，擁有 5.5 英寸 25601440 分辨率的 LCD屏幕。Oculus Rift S 2019年 5月 作為一款升級版產品，Oculus Rift S 的面板升級為單獨一塊 2560 x1440 分辨率的 LCD 面板，但屏幕刷新率從 90Hz 降低至 80Hz。其次，Oculus Rift S 也內置 Ouclus Insight 內向外追蹤技術，但攝像頭從 Oculus

65、Quest 的 4 顆升級為 5 顆。另外，Oculus Rift S 還升級了頭盔的佩戴結構、音頻以及控制器。Oculus Quest 2019年 5月 Oculus Quest 是 Oculus繼 Oculus Go之后推出的第二款 VR一體機，其機器內采用高通驍龍835 處理器，相較 Go換用了分辨率更低的 OLED屏幕，使用第二代 Oculus Touch Controller控制器。Oculus Quest2 2020年 10 月 Oculus Quest 2 是 Oculus繼 Oculus Quest 之后推出的第三款 VR 一體機，其機器內采用高通驍龍 XR2 處理器，采用了支

66、持 120赫茲刷新率的 LCD屏幕。于 2020年 10 月開售；并于2021年將 64GB 版本停售，并在同價位將機身儲存更新為 128GB。Meta Quest Pro 2022年 10 月 與 Quest 2 相比，Quest Pro進行了一些硬件層面的升級，配備了 10個高分辨率傳感器（內部 5 個，外部 5 個）以及升級后的 90Hz LCD顯示屏（單眼分辨率提升至 18001920）。通過新增的內部與外部傳感器，Quest Pro可以更好地實現面部和眼睛的跟蹤，同時這項技術還可以與 Quest Touch Pro控制器中的 Snapdragon 662 芯片配合使用，從而降低畫面和

67、操作的延遲，提升整體沉浸感。性能方面，Quest Pro同樣也是第一款采用高通驍龍 XR2+處理器以及 12GB 內存、256GB 存儲空間和 90Hz刷新率的 VR設備。根據高通給出的數據，與驍龍 XR2 平臺相比，驍龍 XR2+實現了 50%的續航提升和 30%的散熱提升。數據來源：Oculus，新浪VR，中信建投 15 美股公司深度報告 Meta 請參閱最后一頁的重要聲明 表表 2:Oculus Quest/Quest2 產品參數及價格對比產品參數及價格對比 Oculus Quest Oculus Quest2 單眼分辨率 1440*1600（OLED)1832*1920（LCD）刷新率

68、 72Hz 90Hz 運行內存 4GB 6GB 重量 571 克 503 克 CPU 高通驍龍 835 高通驍龍 XR2 存儲大小 64GB 或 128GB 128GB 或 256GB 價格 約￥3400 約￥3000 資料來源：Oculus，新浪VR，中信建投 Meta 元宇宙的用戶數逐步增長，元宇宙的用戶數逐步增長，Oculus Quest 2 銷量已過千萬，但近期由于漲價銷量不及預期。銷量已過千萬，但近期由于漲價銷量不及預期?，F階段Meta 以斷崖式領先占據全球 VR 市場份額第一，數據顯示 2022 年 Meta 全球市占率飆升至八成。具體到產品，Quest2 貢獻了 80%以上的出貨

69、量。上市六個月之后，Oculus Quest2 的銷量超過此前發布的 Oculus 系列產品銷量的總和，并且于 2021 年 11 月其銷量突破 1000 萬，這被認為是行業開始復蘇，迎來拐點的一個標志。截至2022 年上半年，IDC 估計 Quest 2 的全球累計銷量已達到 1480 萬臺。2022 年 7 月底，Meta 表示，128GB 與256GB 版本 Quest2 都將漲價 100 美元，8 月 1 日開始實施。Quest2 的漲價對銷量產生了嚴重影響，Quest2 本身已面臨產品老舊的問題，明年 Quest3 有望面世，在漲價的沖擊下，全年 Meta 產品銷量預計將為 750

70、萬臺，較年初市場預期腰斬。截至 2023 年 2 月，Quest 系列產品出貨量已達 2000 萬臺。圖圖 38:2022 年年 Q2 全球暢銷全球暢銷 VR Top10 品牌市場份額品牌市場份額分析分析 圖圖 39:Oculus Quest2 季度出貨量（萬臺）季度出貨量（萬臺）數據來源：潮電智庫，中信建投 數據來源：VR陀螺，WellsennXR，中信建投 在在 2022 年市場疲軟之后，年市場疲軟之后，IDC 下調了對下調了對 2023 年年 AR 和和 VR 出貨量的預測。出貨量的預測。根據 IDC 發布的全球 AR 和VR 頭盔季度追蹤報告，2023 年全球 AR、VR 頭盔的出貨量

71、預計將達到 1010 萬臺。盡管 IDC 下調了預測值，但其預測總出貨量在 2023 年仍將有 14%的增長，并在 2023 至 2027 年間加速增長，未來五年的復合年增長率預計為 32.6%。16 美股公司深度報告 Meta 請參閱最后一頁的重要聲明 圖圖 40:2020-2022Q2 XR 市場份額市場份額 圖圖 41:2022 年年 Meta 產品及主要競品價格產品及主要競品價格 數據來源：Statista，中信建投 數據來源：Statista，中信建投 根據財報，負責根據財報，負責 VR/AR 元宇宙元宇宙業務的業務的 Reality Labs 投入持續升高。投入持續升高。該部門在

72、2022 年第四季度的營收為7.27 億美元，同比下降 17.1%，虧損額達 42.79 億美元。不過，與 2022 年第三季度同比下降約 50%相比，2022年第四季度的降幅要小得多。2022 年第三季度的收入是 Meta 開始公布 Reality Labs 財務數據以來最低的，而2022 年第四季度的收入是有史以來第二高的。7.27 億美元營收的成本卻達到了驚人的 50 億美元，是 Meta 開始公布 Reality Labs 財務數據以來最高的。首席財務官解釋說，這主要是“與員工相關的成本和重組費用”指的 Meta 在全公司進行的超過 1.1 萬人的裁員中所涉及的遣散費。圖圖 42:Re

73、ality Labs 季度營收及成本變化（十億美元）季度營收及成本變化（十億美元）數據來源：公司公告，中信建投 3.2 新品新品：VR、AR、智能穿戴設備多點開花、智能穿戴設備多點開花 未來五年，未來五年，Meta 計劃推出三款計劃推出三款 VR 頭顯、四款頭顯、四款 AR 眼鏡及一款智能手表。按現有的產品路線圖，眼鏡及一款智能手表。按現有的產品路線圖，Meta 將將在在 2023 年推出代號為年推出代號為 Stinson 的消費級的消費級 VR 頭顯頭顯 Quest 3，2024 年推出代號為年推出代號為 Ventura 的低價版消費級的低價版消費級 VR 頭頭顯，顯，2025 年推出代號為

74、年推出代號為 La Jolla 的工作的工作 VR 頭顯。頭顯。依照舊例，Meta 應該會在今年 Meta Connect 大會上推出新的消費級 VR 頭顯 Quest 3。據透露，Quest 3 采用 Pancake 技術，搭載透視攝像頭，其頭顯前端現實區域相較Quest 2 薄兩倍，功能至少增加一倍，價格則會略高于“400 美元”。代號為 La Jolla 的頭顯或許將成為 Meta 工作頭顯系列的“繼任者”，該產品將于 2025 年推出，據介紹，該頭顯將擁有更高的分辨率，并且能夠實現真正地工作、編寫文本等，其設計中將引入從 Quest Pro 中獲取的頭顯設計、分離式架構等等。代號 Ve

75、ntura 的 17 美股公司深度報告 Meta 請參閱最后一頁的重要聲明 VR 頭顯定位則是以最具吸引力的價格為 VR 消費市場提供最大的沖擊力，或許該頭顯將會成為下一個“Quest 2”。目前，目前，Meta 正在打造三條正在打造三條 AR 眼鏡產品線，推進四款眼鏡產品線，推進四款 AR 眼鏡的研發。眼鏡的研發。此前，Meta 曾在 2021 年 9 月推出第一款智能眼鏡 Ray-Ban Stories，可以拍攝，并且眼鏡框兩側的揚聲器可通過藍牙播放聲音。今年秋天，Meta將推出第二代配備攝像頭的智能眼鏡。2024 年，Meta 將在員工中內測代號為 Orion 的 AR 眼鏡。2025

76、年，Meta 將推出第三代智能眼鏡，該設備將擁有顯示屏，并且將配備一個肌電手環。2027 年，Meta 將正式發布代號為 Orion 的 AR 眼鏡，并且還將迭代此前的產品。第三代智能眼鏡將成為 Meta 的重要產品之一。該設備將會配有一個“取景器”的顯示屏，可以查看收到的信息、掃描二維碼以及實時翻譯，配套的肌電手環使用戶可以通過手部動作來控制眼鏡。而代號為 Orion 的 AR 眼睛目前 Meta 已經研發了 8 年之久，將采用更先進的技術，定價也更高，該設備希望能夠將高清的全息圖投射到現實世界中。Meta 還在開發一款擁有神經接口的智能手表。還在開發一款擁有神經接口的智能手表。該手表將搭配

77、第三代智能眼鏡使用，可以讓用戶通過虛擬鍵盤打字的速度和使用手機鍵盤的速度不相上下。圖圖 43:Meta Quest3 設計圖設計圖 圖圖 44:Meta Ray-Ban Stories AR 眼鏡眼鏡 數據來源：青亭網，中信建投 數據來源：京東，中信建投 目前市場中目前市場中 Meta 遙遙領先，蘋果即將發布的遙遙領先，蘋果即將發布的 MR 有望實現沖擊。有望實現沖擊。目前蘋果 MR 的配置較高，索尼原廠的單眼 4K Micro-OLED 顯示器、120 FOV（視場角）的 3P Pancake 光學模組，八個面部和眼部攝像頭，正面追蹤攝像頭dtof 的激光雷達，以及外置供電設備。通過外置供電

78、可以減輕設備重量，Pancake 方案則減小了設備體積，更加輕巧，目前的缺點是成本比較高，產品定價在 3000 美金左右。由于產品體驗問題，蘋果由于產品體驗問題，蘋果 MR 可能無緣可能無緣 WWDC23。具體原因有：全球經濟低迷，消費電子行業下行；蘋果不想為了量產而在硬件規格上有所妥協；目前頭顯的應用程序準備不足；3000 美元的售價過高影響銷量。除此之外，由于量產時間延后，蘋果 MR 頭顯出貨量僅為 20-30 萬部，可能少于此前的預計出貨量 100 萬部。18 美股公司深度報告 Meta 請參閱最后一頁的重要聲明 4.生成式生成式 AI：發布：發布 SAM、LLaMA 等大模型，前景可期

79、等大模型，前景可期 4.1 SAM 模型：模型：CV 界的界的 GPT 模型模型 4.1.1 SAM模型能做什么？2023 年 4 月 5 日，Meta 宣布推出 Segment Anything Model（SAM），能夠根據文本指令等方式實現圖像分割，并且萬物皆可識別和一鍵摳圖。同時，Meta 也發布了通用的圖像大模型 Segment Anything Model（SAM）與對應的數據集 Segment Anything 1-Billion mask dataset（SA-1B）。SAM 是一個可以接受文本提示、基于海量數據訓練而獲得泛化能力、可以對任意圖片進行分割的模型，而 SA-1B

80、則是目前最大的分割數據集。這一通用的分割模型的核心思想是在用戶輸入的指令下分割一切。Meta 通過三個相互關聯的關鍵部分來構建分割的基礎模型。這三個關鍵部分分別是，可提示的分割任務，支持數據注釋并通過提示工程將零樣本傳輸到一系列任務的分割模型（SAM），以及一個用于收集 SA-1B 的數據引擎。圖圖 45:引入三個相互關聯的組件來構建分割的基礎模型引入三個相互關聯的組件來構建分割的基礎模型 數據來源：Segment Anything，中信建投 這一基礎模型的第一個關鍵部分，這一基礎模型的第一個關鍵部分，可提示的分割任務可提示的分割任務（Promptable segmentation task）

81、，指在給定任何提指在給定任何提示（示（Prompt）的情況下返回有效的分割掩碼。）的情況下返回有效的分割掩碼。Meta AI 團隊的靈感來自于 NLP，希望可以將 NLP 領域的Prompt 范式延展到計算機視覺（CV）領域。其中，圖像分割的提示可以是一組前景/背景點、粗略框或掩碼自由格式的文本，或者指示分割圖像的任何信息；掩碼的有效則指，即使提示不明確、并且可能涉及多個對象，輸出也應該是其中至少一個對象的合理掩碼。提示形式的多樣化是 SAM 的一大亮點。除了簡單的識別圖片中的物品之外，SAM 還支持用戶使用各種交互性的方式來分割出想要的物體。用戶可以通過將鼠標懸浮在該物體之上，就能自動定位出

82、物體的輪廓。用戶也可以直接輸入文字查詢，AI 就可以幫助找到并標記出這個圖片中用戶想找的這個文字對象。對于視頻中的物體，SAM 也能準確識別并且還能快速標記出物品的種類、名字、大小，并自動用 ID 給這些物品進行記錄和分類。19 美股公司深度報告 Meta 請參閱最后一頁的重要聲明 圖圖 46:SAM 在在 1 個不明確的提示下生成個不明確的提示下生成 3 個有效掩碼個有效掩碼 數據來源：Segment Anything，中信建投 這一基礎模型的第二個關鍵部分，這一基礎模型的第二個關鍵部分，SAM 模型（模型（Segment Anything Model），包括），包括三個組件：圖像編碼器、三

83、個組件：圖像編碼器、靈活的提示編碼器和快速的靈活的提示編碼器和快速的掩碼掩碼解碼器。解碼器。因為可提示的分割任務和現實世界使用的目標對模型架構施加了約束，該模型必須支持靈活的提示，需要分攤實時計算掩碼以允許交互式使用，并且必須具有歧義識別能力。Meta通過簡單的設計滿足所有三個約束：一個強大的圖像編碼器計算一個圖像嵌入，一個提示編碼器嵌入提示，這兩個信息源被組合在一個輕量級掩碼解碼器中，預測分割掩碼。相同的圖像嵌入可以在不同的提示下重復使用（及其成本分攤）。給定一個圖像嵌入、提示編碼器和掩碼解碼器在約 50 毫秒的網絡瀏覽器中根據提示預測掩碼。Meta 專注于點、框和掩碼提示，并且還使用自由格

84、式的文本提示呈現初始結果。為了使 SAM 具有歧義意識，Meta 將其設計為預測單個提示的多個掩碼，即，使用一個輸出，如果給定一個具有歧義的提示，模型將平均多個有效掩碼。實驗發現 3 個掩碼輸出足以解決大多數常見情況（嵌套掩碼通常最多三個深度：整體、部分和子部分）。在訓練期間，僅反向傳播掩碼的最小損失。為了對掩模進行排名，該模型預測每個掩模的置信度分數。圖圖 47:SAM 在不明確的提示下生成有效掩碼與對應置信度分數的機制在不明確的提示下生成有效掩碼與對應置信度分數的機制 數據來源：Segment Anything，中信建投 20 美股公司深度報告 Meta 請參閱最后一頁的重要聲明 圖圖 4

85、8:SAM 進行圖片自動分割的示例進行圖片自動分割的示例 數據來源：Segment Anything，中信建投 這一基礎模型的第三個關鍵部分，則是用于生成包含了這一基礎模型的第三個關鍵部分，則是用于生成包含了一組一組 1100 萬張萬張得到許可的得到許可的新圖片新圖片和和 11 億掩碼億掩碼的的SA-1B 數據集的數據引擎（數據集的數據引擎（Segment Anything Data Engine）。）。由于互聯網上的分割掩碼并不豐富，Meta AI 團隊構建了一個數據引擎來收集數據集 SA-1B。數據引擎分為三個階段：（1）模型輔助手動注釋階段；（2）混合自動預測掩碼和模型輔助注釋的半自動階

86、段；（3）全自動階段，在該階段中，我們的模型在沒有注釋器輸入的情況下自動生成掩碼。這三個關鍵部分組成的這一基礎模型，能夠對具有不同數量掩碼的圖片實現較為準確的自動分割。4.1.2 SAM模型有何創新性？在在 SAM 之前，有兩類方法可以解決不同類型的分割問題，但都沒有提供通用的全自動細分方法。之前，有兩類方法可以解決不同類型的分割問題，但都沒有提供通用的全自動細分方法。第一種是交互式分割，允許分割任何類別的對象，但需要一個人通過迭代完善掩碼來指導方法。第二種是自動分割，允許對提前定義的特定對象類別（例如貓或椅子）進行分割，但需要大量手動注釋的對象來訓練（例如數千、甚至數萬個分段貓的例子），以及

87、計算資源和技術專長來訓練分割模型。SAM 是這兩類方法的概括與升級。是這兩類方法的概括與升級。它是一個單一模型，可以輕松執行交互式分割和自動分割。模型的提示界面允許以靈活的方式使用它，只需為模型設計正確的提示（點擊、框、文本等），即可完成廣泛的分割任務。此外，SAM 在超過 1 億個掩碼（作為該項目的一部分收集）的多樣化，高質量數據集上進行訓練，這使其能夠泛化到新型對象和圖像，而不是在訓練期間觀察到的。這種泛化能力意味著，總的來說，從業者將不再需要收集自己的細分數據并為其用例微調模型。21 美股公司深度報告 Meta 請參閱最后一頁的重要聲明 概括而言，與其他的計算機視覺模型相比，SAM 在以

88、下幾個方面體現出其創新性。（1）擁有目前最大的分割數據集：SAM 的訓練數據集包括 1100 萬張圖像和 11 億個掩碼的海量數據集。（2）具有較強的零樣本性能：SAM 在分割任務中能對從未訓練過的圖片進行精準分割，初步驗證了多模態技術路徑及其泛化能力。（3）提示形式多樣性：開創性地結合 Prompt 模式，標志著自然語言處理的 Prompt 模式開始被應用在了計算機視覺領域。4.1.3 SAM模型目前的局限性在哪里？進行一個更高層次的任務，即根據自由形式的文本分割對象后，確實證明了 SAM 具備一定的處理文本提示的能力。SAM 可以根據簡單的文本提示（如“車輪”）以及短語對對象進行分割。當

89、SAM 無法僅從文本提示中選擇正確的對象時，需要借助額外的點提示，通常就能修復預測。SAM 模型依舊存在進步空間。圖圖 49:SAM 通過額外的點提示做出文本提示的正確分割通過額外的點提示做出文本提示的正確分割 數據來源：Segment Anything，中信建投 此外，SAM 模型與當前尖端的偽裝物體分割模型依舊有很大的差距。背景匹配偽裝，是一個或者多個生物為了防止被發現，嘗試將其顏色與周圍環境“無縫地”匹配的行為。SAM 偽裝目標分割任務是檢測出那些與自然棲息地中有著相似模式的物體。通過實驗得到，在自然場景中，SAM 模型辨別、分割隱蔽動物具有一定難度。不僅如此，在工業場景中 SAM 亦無

90、法做到“分割一切”。由于工業場景中通常是短焦距下拍攝的近景圖像，所以 SAM 模型更傾向于去分割整個物體或者是物體的主體部分。同時，SAM 模型難以區分缺陷區域和紋理背景之間的差異性，針對于工業場景中缺陷區域檢出能力較差。22 美股公司深度報告 Meta 請參閱最后一頁的重要聲明 4.2 LLaMA：AI 大型語言模型大型語言模型 4.2.1 LLaMA：開源語言大模型 2023 年 2 月 24 日，Meta 的 FAIR 團隊宣布推出 LLaMA 模型，旨在幫助研究人員和工程師探索人工智能應用和相關功能，能夠應用于生成文本、對話、總結書面材料、證明數學定理或預測蛋白質結構等更復雜的任務方面

91、。LLaMA 訓練數據集是不同來源的組合，涵蓋眾多的領域。訓練數據集是不同來源的組合，涵蓋眾多的領域。從參數規模來看，大語言模型 LLaMA 包括包括四種尺寸：7B、13B、33B 和 65B，FAIR 團隊用 1.4 萬億個 tokens 訓練了 LLaMA 33B 和 LLaMA 65B，參數規模最小的模型 LLaMA 7B 也用了 1 萬億個 tokens 進行了訓練。與其他大型語言模型一樣，LLaMA 的工作原理是將一系列單詞作為輸入并預測下一個單詞以遞歸生成文本。為了訓練模型，FAIR 團隊從使用最多的 20 種語言中選擇了文本，重點是那些使用拉丁字母和西里爾字母的語言。與 GPT、

92、Gopher、Chinchilla 及 PaLM 等同類成果比較，其他幾種模型都用到了廣泛的公共數據，但也引入了某些非公開可用或未記錄在案的文本數據。而LLaMA則僅使用公開可用的數據集進行訓練，所以雖然自身尚未開源，但該模型與開源原則完全兼容。性能較好：在大多數基準測試中，參數僅為十分之一的性能較好：在大多數基準測試中，參數僅為十分之一的 LLaMA-13B 的性能優于的性能優于 OpenAI 推出的推出的 GPT3（175B），也即支持 ChatGPT 的 GPT3.5 的前身。LLaMA-65B 也可與業內領先的 Chinchilla-70B 和 PaLM-540B競爭。圖圖 50:LL

93、aMA訓練數據來源訓練數據來源 數據集數據集 占比占比 EpochsEpochs 數據集大小數據集大小 簡介簡介 CommomCrawl 67.0%1.10 3.3TB 海量的、非結構化的、多語言的網頁數據集 C4 15.0%1.06 783GB 經爬蟲后得到的數據集，共計大約 1560token Github 4.5%0.64 328GB 面向開源及私有軟件項目的托管平臺 Wikipedia 4.5%2.45 83GB 用多種語言編寫而成的網絡百科全書 Books 4.5%2.23 85GB 書籍數據集，包含約 20 萬本書籍 ArXiv 2.5%1.06 92GB 免費在線科學預印本存儲庫

94、，收錄多領域論文 StackExchange 2.0%1.03 78GB 問答網站，每一個網站包含不同領域的問題 數據來源：LLaMA:Open and Efficient Foundation Language Models，中信建投 LLaMA 使用使用 Transformer 作為作為 decoder，在結構上它與，在結構上它與 GPT 非常類似。非常類似。LLaMA 的 SA 與原始 Attention存在一定區別，同時其 FFN 進行了改進。該模型使用的 Transformer 也在以下兩方面作了優化：第一，預規范化。為了提高訓練的穩定性，將每個 Transformer 子層的輸入歸

95、一化，而不是輸出歸一化。使用由 Zhang 和Sennrich(2019)引入的 RMSNorm歸一化函數。第二，引入 RMS Norm（Root Mean Square Layer Normalization），這是一般 LayerNorm 的一種變體，可以在梯度下降時令損失更加平滑。與 layerNorm 相比，RMS Norm 的主要區別在于去掉了減去均值的部分，只保留方差部分。模型運行中首先輸入 token，做 token embedding，然后添加位置信息。對于 decoder 模型，為了防止標簽泄漏，需要 mask，所以做上三角的 mask 矩陣。接下來就是逐層的計算 trans

96、former。根據不同規模的模型，堆 23 美股公司深度報告 Meta 請參閱最后一頁的重要聲明 疊不同層數的 transformerBlock。LLaMA 使用標準優化器在大量文本數據上訓練大型使用標準優化器在大量文本數據上訓練大型 Transformer。模型使用 AdamW 優化器(Loshchilov和 Hutter,2017)進行訓練，具有以下超參數:1=0.9，2=0.95。模型使用余弦學習率計劃，這樣最終的學習率等于最大學習率的 10%；使用 0.1 的權重衰減和 1.0 的梯度裁剪；使用 2000 個熱身步驟，并根據模型的大小改變學習率和批處理大小。之后進行環境設置并下載、推理

97、模型即可進行模型部署。圖圖 51:不同模型的超參數詳細信息不同模型的超參數詳細信息 paramsparams dimensiondimension n headsn heads n layersn layers learning ratelearning rate batch sizebatch size n tokensn tokens 6.7B 4096 32 32 3.0e4 4M 1.0T 13.0B 5120 40 40 3.0e4 4M 1.0T 32.5B 6656 52 60 1.5e4 4M 1.4T 65.2B 8192 64 80 1.5e4 4M 1.4T 數據來源：L

98、LaMA:Open and Efficient Foundation Language Models，中信建投 4.2.2 LLaMA具有參數規模小、訓練數據多、完全開源的特點 LLaMA 參數規模小，對算力要求低。參數規模小，對算力要求低。在大模型上，人們似乎都會假設更多的參數會帶來更好的性能。但是 Hoffmann et al.(2022)的工作表明，在給定的計算預算下，最好的性能不是由最大的模型實現的，而是由在更多的數據上訓練的小模型實現的。和谷歌、微軟不同，在大型語言模型上，Meta 選擇了算力和資源要求更少的小模型。LLaMA模型在大量未標記的數據上進行訓練，因而非常適合對各種任務進

99、行微調。Meta 推出的 LLaMA 參數規模有 70 億（7B）、130 億（13B）、330億（33B）和 650 億（65B）四種。相比 ChatGPT 的底層模型 OpenAI GPT-3 有 1750 億（175B）個參數，LLaMA 模型的參數量很小。Meta 首席 AI 科學家楊立昆（Yann LeCun）表示，在一些基準測試中，LLaMA 130 億參數規模的模型性能優于 OpenAI 推出的 GPT3，且能跑在單個 GPU 上；650 億參數的 LLaMA模型能夠和 DeepMind700 億參數的 Chinchilla 模型、谷歌 5400 億參數的 PaLM 模型競爭。圖

100、圖 52:LLaMA與主要競爭對手參數規模對比與主要競爭對手參數規模對比 模型名稱 LLaMALLaMA GPTGPT-3.53.5 LaMDALaMDA ChinchillaChinchilla PaLMPaLM 發布者 Meta OpenAI Google DeepMind Google 參數規模 70 億/130 億/330 億/650 億 1750 億 1370 億 700 億 5400 億 數據來源：各公司官網，中信建投 LLaMA 訓練數據多，效果顯著。訓練數據多，效果顯著。與 Chinchilla、PaLM 或 GPT-3 不同的是，Meta 只用了公開的數據集。這將有助于模型開

101、源和復現，也證明了無需“定制”數據集也能實現 SOTA（State of the arts），即在某一領域表現最好的模型。LLaMA 的訓練數據集來源廣泛其中包括開放數據平臺 Common Crawl、英文文檔數據集 C4、代碼平臺 GitHub、維基百科、論文預印本平臺 ArXiv 等。項目成員稱，這是為了使其工作與開源兼容和可復現。這種方法的優勢在于，在更多的 token 上訓練的較小的模型，更容易重新訓練并針對特定的產品使用情況進行調整。在大多數基準上，性能穩步提高，并與模型的訓練困惑度呈正相關。24 美股公司深度報告 Meta 請參閱最后一頁的重要聲明 圖圖 53:訓練過程中損失訓練過

102、程中損失 圖圖 54:訓練期間問答和常識推理的表現演變訓練期間問答和常識推理的表現演變 數據來源：LLaMA:Open and Efficient Foundation Language Models 數據來源：LLaMA:Open and Efficient Foundation Language Models 盡管參數規模小，但通過大量的訓練數據，盡管參數規模小，但通過大量的訓練數據，LLaMA 實現了良好的性能。實現了良好的性能。第一，LLaMA 安裝難度低，只需使用 pip 安裝即可，同時由于 LLaMA 依賴于其它一些庫，安裝過程中還應安裝相應的庫；第二，LLaMA 的文檔質量高，包

103、括了詳細的 API 文檔、示例代碼和教程，對初學者非常友好；第三，LLaMA功能豐富度高，它提供了多種元學習算法，此外還提供了多種元特征提取方法和元模型選擇方法；第四，LLaMA 穩定性較高，測試過程中沒有出現崩潰或錯誤的情況，但由于其代碼開源，可能存在未知的風險；第五，LLaMA性能強，測試中它運行速度快且準確率較高，但由于元學習算法的特殊性質，性能表現可能會受到數據集的影響。Meta 希望可以共享希望可以共享 LLaMA 代碼以更好解決目前限制代碼以更好解決目前限制 LLM 問題的方法。問題的方法。Meta 表示，像 LLaMA規模的模型可以使那些無法訪問大規?；A設施的人能夠研究這些模型

104、，在大型語言模型當道之時，像 LLaMA這樣的較小基礎模型更有價值，因為它需要更少的計算能力和資源來測試新方法、驗證他人的工作和探索新用例。像 ChatGPT 和 Bard 一樣，LLaMA也沒有擺脫如混亂、偏見和產生有害內容等的問題，Meta 希望共享 LLaMA的代碼，供研究人員測試解決這些問題的新方法。4.2.3 多項 AI能力與現有模型的對比 LLaMA 在常識推理、閉卷答題和閱讀理解方面表現突出。在常識推理、閉卷答題和閱讀理解方面表現突出。在多項基準測試中，最多只有 650 億（65B）參數的 LLaMA 在單 GPU 上運行的性能優于有 1750 億（175B）參數的 GPT-3，

105、比如常識推理，閉卷問答（一些基礎問題的解決），閱讀理解等。同樣 LLaMA-65B 幾乎在常識推理、閉卷答題和閱讀理解方面的所有基準上都優于 Chinchilla-70B 和 PaLM-540B。25 美股公司深度報告 Meta 請參閱最后一頁的重要聲明 圖圖 55:不同產品常識推理表現不同產品常識推理表現 BoolQ PIQA SIQA HellaSwag WinoGrande ARC-e ARC-c OBQA GPTGPT-3 3 175B 60.5 81.0 78.9 70.2 68.8 51.4 57.6 GopherGopher 280B 79.3 81.8 50.6 79.2 70

106、.1 ChinchillaChinchilla 70B 83.7 81.8 51.3 80.8 74.9 PaLMPaLM 62B 84.8 80.5 79.7 77.0 75.2 52.5 50.4 PaLMPaLM-contcont 62B 83.9 81.4 80.6 77.0 PaLMPaLM 540B 88.088.0 82.3 83.4 81.181.1 76.6 53.0 53.4 LLaMALLaMA 7B 76.5 79.8 48.9 76.1 70.1 72.8 47.6 57.2 13B 78.1 80.1 50.4 79.2 73.0 74.8 52.7 56.4 33

107、B 83.1 82.3 50.4 82.8 76.0 80.080.0 57.857.8 58.6 65B 85.3 82.882.8 52.352.3 84.284.2 77.0 78.9 56.0 60.260.2 數據來源：LLaMA:Open and Efficient Foundation Language Models，中信建投 圖圖 56:不同產品閉卷答題表現不同產品閉卷答題表現 圖圖 57:不同產品閱讀理解表現不同產品閱讀理解表現 0-shot 1-shot 5-shot 64-shot GopherGopher 280B 43.5 57.0 57.2 ChinchilChin

108、chillala 70B 55.4 64.1 64.6 LLaMALLaMA 7B 50.0 53.4 56.3 57.6 13B 56.6 60.5 63.1 64.0 33B 65.1 67.9 69.9 70.4 65B 68.268.2 71.671.6 72.672.6 73.073.0 RACE-middle RACE-high GPTGPT-3 3 175B 58.4 45.5 PaLMPaLM 8B 57.9 42.3 62B 64.3 47.5 540B 68.168.1 49.1 LLaMALLaMA 7B 61.1 46.9 13B 61.6 47.2 33B 64.1

109、48.3 65B 67.9 51.651.6 數據來源：LLaMA:Open and Efficient Foundation Language Models，中信建投 數據來源：LLaMA:Open and Efficient Foundation Language Models，中信建投 LLaMA 的數學推理能力與代碼生成能力分別優于的數學推理能力與代碼生成能力分別優于 Minerva 和和 LaMDA。研究者將 LLaMA 與 PaLM 和 Minerva(Lewkowycz et al.,2022)進行了對比，盡管 LLaMA-65B 沒有在數學數據上進行過微調，但它在GSM8k 上

110、的表現依然要優于 Minerva-62B。在代碼生成方面，對于類似的參數數量，LLaMA 的表現優于LaMDA 和 PaLM。在 HumanEval 和 MBPP 上，13B 以上參數的 LLaMA 超過了 LaMDA 137B。LLaMA 65B也優于 PaLM 62B，即使它的訓練時間更長。LLaMA 的多任務語言理解能力較弱。的多任務語言理解能力較弱。在大規模多任務語言理解 5-shot 的情況下，如下表 9 所示，LLaMA-65B 在大多數領域都落后于 Chinchilla-70B 和 PaLM-540B 平均幾個百分點。一個潛在的解釋是，LLaMA 預訓練數據中相關的數據有限，即

111、ArXiv、Gutenberg 和 Books3，總和只有 177GB，而其他模型是在高達 2TB 的書籍上訓練的。為此，Meta 嘗試使用了論文Scaling Instruction-Finetuned Language Models中介紹的“指令微調”“指令微調”方法。由此產生的模型 LLaMA-I，在 MMLU 上要優于 Flan-PaLM-cont，還擁有了一些有趣的指令能力。26 美股公司深度報告 Meta 請參閱最后一頁的重要聲明 圖圖 58:不同產品多任務語言理解能力不同產品多任務語言理解能力 圖圖 59:有無指令微調對產品的影響有無指令微調對產品的影響 數據來源：LLaMA:O

112、pen and Efficient Foundation Language Models 數據來源：LLaMA:Open and Efficient Foundation Language Models 27 美股公司深度報告 Meta 請參閱最后一頁的重要聲明 盈利預測盈利預測與估值與估值 23Q1 及 22Q4 業績邊際改善顯示出公司自身轉型的成效以及自身業績的韌性，同時降本增效顯著提升了市場對公司利潤改善的預期。從中長期視角下，視頻化與在線廣告技術的調整，將支撐公司長期增長，競爭格局的優化、用戶的增長等均是公司股價上行的支撐力量?；趯?MAU 維持低個位數增長，元宇宙業務縮減以及公司費

113、用持續優化（按照公司指引預計 2023 年節省最高 30 億美元左右的費用支出）的預期假設，我們預計2023-2025 年收入為 1261/1411/1563 億美元、凈利潤為 310/395/447 億美元，當前公司股價對應 2023-25 年的PE 估值為 19.2x/14.7x/13.0 x。結合谷歌、微軟、亞馬遜的估值，截止 2023/5/3，谷歌 P/E 為 17.13x，亞馬遜 P/E 為 35.25x，微軟為28.35x，我們給與 Meta 23x P/E，目標價為 279.4 美元/股。圖圖 60:Meta利潤表預測利潤表預測 2021 2022 2023E 2024E 202

114、5E Total Revenue 117,929 116,609 126,082 141,073 156,309 GAAP Gross Profit 95,280 91,360 97,320 104,698 112,098 Sales&Marketing (14,043)(15,261)(13,098)(12,685)(12,883)R&D(24,655)(35,338)(34,578)(31,821)(31,741)SG&A(9,829)(11,816)(10,954)(10,544)(10,901)Stock-Based Comp(9,163)(11,991)(11,311)(11,158

115、)(11,426)GAAP Operating Income 46,753 28,945 38,690 49,648 56,573 Total GAAP Expenses(71,176)(87,664)(87,392)(91,425)(99,736)Family of Apps OI 56,947 42,662 55,558 67,466 74,321 Reality Labs OI(10,194)(13,717)(16,868)(17,818)(17,748)Net Income 39,370 23,199 31,027 39,455 44,670 GAAP EPS 13.80 8.59 1

116、2.15 15.90 18.01 GAAP EBITDA 54,719 37,631 49,702 63,103 72,127 Capex(18,567)(31,186)(31,182)(31,009)(30,451)Free Cash Flow 38,439 18,439 20,529 32,614 41,949 數據來源：公司公告，中信建投 28 美股公司深度報告 Meta 請參閱最后一頁的重要聲明 風險分析風險分析 用戶增長不及預期：Facebook 主平臺用戶增長幾近“穩態”，從地域維度看，Facebook 在歐美地區增長基本已經停滯，而在亞太區增長也僅為個位數。2020 年疫情帶來線

117、上滲透率增加的紅利在近兩年基本吃盡，隨著短視頻進一步侵蝕，市場競爭加劇可能影響流量表現，使預期與實際業績產生偏差。Reels 商業化不及預期：Reels 作為 Meta 新的增量，若發展不及預期或者 ROI 不高，將影響公司長期廣告收入。隨著 Tik Tok 加速商業化，Meta 的廣告市場份額可能進一步降低。宏觀環境恢復，行業增長不及預期：當前我們對宏觀經濟的預期為從“強衰退”演繹為“弱增長”，若宏觀環境復蘇不及預期，廣告主預算仍然謹慎保守，有可能影響公司年內收入增長。監管不確定性：滿足不同國家的監管要求及潛在的變化會對業務產生一定不確定性的影響。宏觀環境對廣告收入影響較大，因此我們進行廣告

118、收入的敏感性測算。圖圖 61:廣告收入變化和廣告收入變化和 EPS 敏感性測算敏感性測算 廣告收入變化/EPS 2023E 2024E 2025E-5%-3.2%-3.5%-3.8%+5%+2.7%+2.9%+3.2%數據來源：中信建投測算 29 美股公司深度報告 Meta 請參閱最后一頁的重要聲明 報表預測報表預測 圖圖 62:Meta 資產負債表預測資產負債表預測 2021 2022 2023E 2024E 2025E Cash&cash equivalents$16,601$14,681$10,481$19,400$60,596 Marketable securities$31,397$

119、26,057$19,845$16,119$13,093 Accounts receivable,net$14,039$13,466$13,885$15,501$15,688 Prepaid expenses and other current assets$4,629$5,345$3,962$4,423$4,899 Total Current Assets$66,666$59,549$48,172$55,442$94,276 Property and equipment,net$57,809$79,518$100,028$117,582$132,479 Operating lease righ

120、t-of-use assets,net$12,155$12,673$14,644$15,718$17,145 Goodwill and intangibles$19,831$21,203$21,598$21,598$21,598 Goodwill$19,197$20,306$20,649$20,649$20,649 Intangibles$634$897$949$949$949 Equity Investments$6,775$6,201$6,167$6,167$6,167 Other Assets$2,751$6,583$8,202$9,275$10,215 Total Assets$165

121、,987$185,727$198,811$225,783$281,881 Accounts payable$4,083$4,990$5,910$7,260$8,710 Platform partners payable$1,052$1,117$1,139$1,162$1,185 Operating lease liabilities,current$1,127$1,367$1,679$1,802$1,966 Accrued expenses&other current liabilities$14,312$19,552$23,159$27,841$32,671 Deferred revenue

122、 and deposits$561$-$-$-$-Total Current Liabilities$21,135$27,026$31,887$38,065$44,532 Operating lease liabilities,non-current$12,746$15,301$12,965$13,916$15,179 Long-term debt$-$9,923$9,925$9,925$9,925 Other liabilities$7,227$7,764$9,308$10,387$11,578 Total Liabilities$41,108$60,014$64,085$72,293$81

123、,215 Other Stockholders Equity$55,118$60,914$48,166$27,476$29,982 Convertible preferred stock Common stock and additional paid-in capital Accumulated other comprehensive income Retained Earnings$69,761$64,799$86,559$126,014$170,684 Total Shareholders Equity$124,879$125,713$134,726$153,490$200,666 To

124、tal Liabilities&Shareholders Equity$165,987$185,727$198,811$225,783$281,881 數據來源：公司公告，中信建投 圖圖 63:Meta 現金流量表現金流量表預測預測 2021 2022 2023E 2024E 2025E Net cash provided by(used in)operating activities 57,683 50,475 51,975 63,623 72,400 Net cash(used in)provided by investing activities(7,570)(28,970)(25,05

125、9)(27,284)(27,425)Net cash provided by(used in)financing activities(50,728)(22,135)(31,248)(27,420)(3,779)F/X impact on cash(474)(639)85 0 0 Net change in Cash(1,089)(1,269)(4,246)8,919 41,196 數據來源：公司公告，中信建投 30 美股公司深度報告 Meta 請參閱最后一頁的重要聲明 分析師介紹分析師介紹 孫曉磊孫曉磊 海外研究首席分析師，北京航空航天大學碩士，游戲產業和金融業 7 年復合從業經歷，專注于互

126、聯網研究，對騰訊、網易、阿里、美團、閱文等互聯網巨頭有較為深入的理解。2019 年新財富港股及海外最佳研究團隊入圍，2020 年、2021 年新財富港股及海外最佳研究團隊第五名。崔世峰崔世峰 海外研究聯席首席分析師，南京大學碩士，6 年買方及賣方復合從業經歷，專注于互聯網龍頭公司研究，所在賣方團隊獲得 2019-2020 年新財富傳媒最佳研究團隊第二名。2022 年新財富海外研究最佳研究團隊入圍。31 美股公司深度報告 Meta 請參閱最后一頁的重要聲明 評級說明評級說明 投資評級標準 評級 說明 報告中投資建議涉及的評級標準為報告發布日后6 個月內的相對市場表現，也即報告發布日后的 6個月內

127、公司股價（或行業指數）相對同期相關證券市場代表性指數的漲跌幅作為基準。A 股市場以滬深 300 指數作為基準；新三板市場以三板成指為基準；香港市場以恒生指數作為基準；美國市場以標普 500 指數為基準。股票評級 買入 相對漲幅 15以上 增持 相對漲幅 5%15 中性 相對漲幅-5%5之間 減持 相對跌幅 5%15 賣出 相對跌幅 15以上 行業評級 強于大市 相對漲幅 10%以上 中性 相對漲幅-10-10%之間 弱于大市 相對跌幅 10%以上 分析師聲明分析師聲明 本報告署名分析師在此聲明：（i）以勤勉的職業態度、專業審慎的研究方法，使用合法合規的信息，獨立、客觀地出具本報告,結論不受任何

128、第三方的授意或影響。（ii）本人不曾因，不因，也將不會因本報告中的具體推薦意見或觀點而直接或間接收到任何形式的補償。法律主體說明法律主體說明 本報告由中信建投證券股份有限公司及/或其附屬機構（以下合稱“中信建投”）制作，由中信建投證券股份有限公司在中華人民共和國（僅為本報告目的，不包括香港、澳門、臺灣）提供。中信建投證券股份有限公司具有中國證監會許可的投資咨詢業務資格，本報告署名分析師所持中國證券業協會授予的證券投資咨詢執業資格證書編號已披露在報告首頁。在遵守適用的法律法規情況下，本報告亦可能由中信建投（國際）證券有限公司在香港提供。本報告作者所持香港證監會牌照的中央編號已披露在報告首頁。一般

129、性聲明一般性聲明 本報告由中信建投制作。發送本報告不構成任何合同或承諾的基礎，不因接收者收到本報告而視其為中信建投客戶。本報告的信息均來源于中信建投認為可靠的公開資料，但中信建投對這些信息的準確性及完整性不作任何保證。本報告所載觀點、評估和預測僅反映本報告出具日該分析師的判斷，該等觀點、評估和預測可能在不發出通知的情況下有所變更，亦有可能因使用不同假設和標準或者采用不同分析方法而與中信建投其他部門、人員口頭或書面表達的意見不同或相反。本報告所引證券或其他金融工具的過往業績不代表其未來表現。報告中所含任何具有預測性質的內容皆基于相應的假設條件，而任何假設條件都可能隨時發生變化并影響實際投資收益。

130、中信建投不承諾、不保證本報告所含具有預測性質的內容必然得以實現。本報告內容的全部或部分均不構成投資建議。本報告所包含的觀點、建議并未考慮報告接收人在財務狀況、投資目的、風險偏好等方面的具體情況，報告接收者應當獨立評估本報告所含信息，基于自身投資目標、需求、市場機會、風險及其他因素自主做出決策并自行承擔投資風險。中信建投建議所有投資者應就任何潛在投資向其稅務、會計或法律顧問咨詢。不論報告接收者是否根據本報告做出投資決策，中信建投都不對該等投資決策提供任何形式的擔保，亦不以任何形式分享投資收益或者分擔投資損失。中信建投不對使用本報告所產生的任何直接或間接損失承擔責任。在法律法規及監管規定允許的范圍

131、內，中信建投可能持有并交易本報告中所提公司的股份或其他財產權益，也可能在過去 12 個月、目前或者將來為本報告中所提公司提供或者爭取為其提供投資銀行、做市交易、財務顧問或其他金融服務。本報告內容真實、準確、完整地反映了署名分析師的觀點，分析師的薪酬無論過去、現在或未來都不會直接或間接與其所撰寫報告中的具體觀點相聯系，分析師亦不會因撰寫本報告而獲取不當利益。本報告為中信建投所有。未經中信建投事先書面許可，任何機構和/或個人不得以任何形式轉發、翻版、復制、發布或引用本報告全部或部分內容，亦不得從未經中信建投書面授權的任何機構、個人或其運營的媒體平臺接收、翻版、復制或引用本報告全部或部分內容。版權所有，違者必究。中信建投證券研究發展部中信建投證券研究發展部 中信建投（國際）中信建投（國際）北京 上海 深圳 香港 東城區朝內大街 2 號凱恒中心 B座 12層 上海浦東新區浦東南路 528號南塔 2103 室 福田區福中三路與鵬程一路交匯處廣電金融中心 35 樓 中環交易廣場 2 期 18樓 電話：（8610）8513-0588 電話：（8621）6882-1600 電話：（86755）8252-1369 電話：（852）3465-5600 聯系人：李祉瑤 聯系人：翁起帆 聯系人：曹瑩 聯系人：劉泓麟 郵箱： 郵箱： 郵箱： 郵箱：charleneliucsci.hk