Meta把广告算力交给智能体调度：约10%的排序增益，优化周期从数月缩到数周
核心概要
Meta 的 Intelligent Delivery 把广告投放中的算力分配交给一套机器学习驱动的自适应优化层，按每个请求、模型、硬件和排序阶段的边际收益调度资源。自 2017 年至 2026 年上半年，它在模型与系统自身进步之上带来约 10% 的广告排序性能增量。系统先用共享的 Resource Core Model 理解请求，再分层决定区域、硬件与主机内配额，并让 AI 智能体提出并验证配置改动，工程师保留最终审批。
深度剖析
广告排序模型正朝大语言模型规模增长，而算力供给跟不上，同一单位算力在不同请求、模型和芯片上的回报差别很大，因此需要一套跨整个服务栈决定算力去向的机制。 早期做法是按投放面、上下文和广告创意表示把请求切成粗粒度分组，再由工程师为每组编写资源分配策略。 这种分组策略随新信号增多而规则成倍膨胀，且独立分组无法刻画数千个信号之间的非线性交互，精度受限。
Intelligent Delivery 用一套共享的机器学习智能层估计每个请求的算力边际效用，再由分层决策引擎把资源落到具体位置。 核心是 Resource Core Model，一个含 60 亿稀疏参数和 2000 万稠密参数的深度学习模型，在候选召回之前运行一次并贯穿整个投放漏斗。 在主要投放面的离线基准上，识别最受益于额外算力的广告请求相对此前生产模型提升约 20%。
资源分配被拆成多层决策：跨区域迁移流量、把工作负载匹配到最合适的硬件、以及在主机内按延迟预算分配算力。 硬件池横跨 Intel、AMD、Arm 的 CPU 与 NVIDIA、AMD 及 Meta 自研 MTIA 加速器，各代并存，且不同阶段受不同资源约束。 检索受内存容量约束、排序受算力约束、模型推理受加速器吞吐约束，因此系统为每个工作负载与硬件组合测量效率，再求解分配，使稀缺硬件流向产出最高的负载。
优化循环引入 AI 智能体，在长上下文窗口中阅读机制源码、设计文档和十年实验日志，把候选改动收窄到少数几个值得测试的方案。 此前依赖工程师经验挑选配置，或用只能覆盖少数关键旋钮、难以泛化的约束优化方法。 2026 年上半年，智能体参与了约 20% 的 Intelligent Delivery 优化；在最自动化的机制上，它们承担约 80% 的工程投入，把优化周期从数月缩短到数周，最终改动仍由工程师审批后上线。
启示与展望
报道覆盖的是 Meta 广告投放系统在生产环境中的部署，包括离线基准上的请求识别提升、跨区域与跨硬件的分配机制，以及智能体参与配置优化的比例；这些结论针对该公司的投放栈与硬件池，未给出可复现的公开实验设置。
约 10% 的排序性能增量是自 2017 年至 2026 年上半年在模型与系统自身进步之上累计的贡献，并非单次改动的效果；智能体提出的改动仍需工程师审批，端到端实时优化与在 GPU 上服务前沿排序模型仍是尚未完成的方向。