Экономика вычислений: Meta* сократит затраты на серверы на $45 млн с помощью ИИ

Более 60% переноса новых архитектурных методов между рекламными моделями Meta* теперь выполняется автономными ИИ-агентами. Первые результаты внедрения показывают трехкратный рост продуктивности разработчиков по сравнению с ручным выполнением тех же задач. Meta напрямую связывает эти операционные успехи с расходами на инфраструктуру, прогнозируя экономию более $45 млн на вычислительных мощностях к концу года при четырехкратном медианном сокращении затрат на обучение для ряда комбинаций.
Рекомендательный движок Meta опирается на множество отдельных моделей ранжирования рекламы. Каждая из них настроена под конкретные интерфейсы продуктов, цели рекламодателей, наборы обучающих данных и аппаратные ограничения инференса. По прогнозам аналитиков, объем рынка рекомендательных систем вырастет с $7,6 млрд до $139 млрд к 2035 году, замыкая спрос внутри закрытых экосистем. Для Meta монетизация этого роста требует постоянного обновления растущего портфеля новейшими улучшениями ранжирования — Meta называет их техниками. Они включают в себя архитектурные решения вроде слоев факторизации Wukong и сетей взаимодействий Interformer, более насыщенные представления данных, а также оптимизации процессов обучения и инференса.
Однако ограниченная пропускная способность инженерных команд создавала угрозу замедления разработки. Поскольку каждая модель обладает собственной архитектурой и специфическими ограничениями, метод, доказавший эффективность на одной из них, практически невозможно перенести простым копированием кода. При этом методы машинного обучения быстро устаревают: они рискуют стать неактуальными всего за пару циклов разработки, если их оперативно не развернуть по всей инфраструктуре. Автономные агенты берут на себя ручной труд инженеров по репликации архитектур, обеспечивая многомиллионную экономию на инфраструктуре.
Инженерное бутылочное горлышко в парке моделей
Исторически Meta привлекала профильных инженеров для ручной адаптации улучшений: специалисты анализировали архитектурные взаимосвязи, обобщали код и настраивали его под целевые ограничения. Хотя ручной подход обеспечивает максимальный результат и сохраняется для моделей, приносящих Meta наибольшую выручку, масштабировать его на весь парк систем невозможно. Производительность упирается в жесткий потолок доступных инженерных часов на фоне экспоненциального роста числа потенциальных адаптаций. Вторым барьером выступают затраты на вычисления: хаотичные тестовые прогоны быстро сжигают выделенные лимиты серверов на неоптимальные конфигурации.
Изначально Meta попыталась снять это ограничение за счет стандартизации архитектуры. За последние два года унифицированный дизайн моделей и автоматизация позволили компании внедрить более 5000 комбинаций методов и моделей, сократив затраты инженерного времени на одну модель на 92%.
«За последние два года благодаря стандартизации и автоматизации мы развернули более 5000 комбинаций методов и моделей по всему нашему масштабному и разнородному парку систем, сократив время работы инженеров в расчете на одну модель на 92%».
Стандартные шаблоны упростили детерминированные этапы за счет объединения моделей в переиспользуемые компоненты: валидация на уровне шаблона автоматически переносилась на производные модели. Тем не менее шаблоны не могли заменить принятие сложных решений. Инженерам-людям по-прежнему приходилось определять, какую технику стоит переносить на конкретную модель, рассчитывать границы поиска гиперпараметров и диагностировать причины, по которым отдельные архитектуры не демонстрировали прироста метрик.
Как Meta ликвидировала операционный разрыв между детерминированной автоматизацией и принятием решений, требующих экспертной оценки?
Делегирование архитектурных решений агентам
Meta поручила выполнение подобных экспертных оценок автономным агентам. Компания развернула систему Ranking Engineer Agent, предназначенную для генерации гипотез, проектирования экспериментов и валидации новых методов машинного обучения на моделях ранжирования рекламы. С тех пор как ИИ-агенты взяли на себя исполнение в марте 2026 года, Meta перевела весь процесс переноса решений на агентную архитектуру, выстроенную вокруг трех ключевых функций: обнаружения, генерации и внедрения. Уровень обнаружения непрерывно отслеживает подтвержденные методы и рассчитывает вероятности их переноса, формируя приоритетный пайплайн моделей.
Этот сдвиг в операционных процессах отвечает на скептицизм вокруг алгоритмического контроля: способны ли автономные системы принимать архитектурные решения без участия человека? Практические данные Meta подтверждают: агенты могут ориентироваться в сложных пространствах гиперпараметров и диагностировать сбои по всему парку моделей, обеспечивая четырехкратное медианное сокращение затрат на вычисления при обучении целевых комбинаций.
«С тех пор как агенты начали управлять исполнением процессов в марте 2026 года, по нашим оценкам, они выполняют более 60% всего переноса методов».
Несмотря на делегирование задач программным агентам, ручной инженерный труд в инфраструктуре Meta не исчез. Компания по-прежнему привлекает профильных экспертов для ручной настройки моделей с максимальной выручкой, где предельная отдача от точности перевешивает экономию на фонде оплаты труда при автономном переносе. Автономные агенты обеспечивают эффективность на масштабе всего парка моделей и экономят $45 млн на серверах, однако наиболее прибыльные рекламные системы Meta остаются под прямым управлением людей.
На фоне других
Прогноз экономии в $45 млн на серверных мощностях показывает, где именно агенты окупаются в первую очередь — не в генерации контента, а в оптимизации тяжелого кода под капотом. Хотя ручной труд инженеров Meta все еще оставляет для моделей с наибольшей выручкой, автоматизация переноса архитектур берет на себя массу промежуточных систем. Теперь программные агенты масштабируют эти наработки на весь остальной парк без сжигания дорогих человеко-часов. Главная ценность автономных агентов для бигтеха свелась к утилитарному снижению себестоимости сложного обучения нейросетей.
Наши материалы: Экономика ИИ: почему системы ранжирования важнее GenAI (28 апреля); Архитектура рекламы Meta: масштабирование ранжирования через LLM (16 августа).
Источник: Engineering at Meta