Metaの10月13日のGEM更新は、Facebook、Instagram、Reels、Storiesのより多くの広告判断に大きな中央モデルを置く。会社は配信面と目標全体で転換18.9%、クリック率12%の向上を報告する。内部測定であり、各広告主への独立検証済みの約束ではない。
変化は「AIが広告を改善」より具体的だ。GEMは表現を学び、クリック、転換、インストールを予測し、低遅延の配信システムへ知識を移す。広告文生成だけでなく、順位と学習のエンジンである。
共通学習でも目標の違いは残る
技術説明は従来の個別システムをまたぐ基盤モデルを示す。クリックのように豊富な信号が、まれな転換に役立つ表現を育て得る。一つの配信面の行動が別の予測を改善するのは、学んだパターンが移せる場合だ。
集中しても専門化は必要だ。分野別の専門コンポーネントが面と目標の差を残す。Reels視聴はFacebookフィード広告後の購入と同じではない。共有しすぎれば無関係なパターンを移し、専門化しすぎれば統合の理由を失う。
GEMは配信工程の一部でもある。Andromedaが大きな広告群から候補を取り出し、GEMが順位と最適化を助ける。生成クリエイティブは提出素材を変え、GEMは既存広告の評価を変える。広告主は内部表現を直接調整できない。
最初のGEMはLLMに着想を得て小型モデルへ学習を移す教師とされた。2026年版は役割を広げる。Metaは前年の対象利用者でFacebook転換5.8%、Instagram4.1%、サイト外1.6%の改善も挙げる。狭い集団と18.9%全体値を完全に対応させておらず、足したり各アカウントの予測に使ったりできない。
効率が上がっても総計算は増え得る
MetaによるとKunlunは異種の推薦データと長い行動履歴へLLM型設計を適用する。購入、視聴、まれな転換は交換可能なトークンではなく、関心と在庫の変化も拡張を難しくする。最大事前学習規模でLLMに似た拡張関係を報告したが、全推薦システムの一般法則を独立に証明したのではない。
モデル複雑度は2.5倍、総学習演算は4倍、エンドツーエンドの学習効率は2倍になったという。数千GPU、五次元並列、独自低精度カーネルと、通信、メモリー、構成の協調変更を説明する。
モデルFLOPS利用率は理論能力の20～25%。有用なモデル計算と加速器能力の比であって、広告主の収益ではない。単位作業が効率化しても総消費は増え得る。学習量4倍は総費用半減という主張ではない。
仮想データ読み込みは全データを物理コピーせずに出所を混ぜる。「費用なしの混合」は保存とパイプライン処理を指し、学習が無料ではない。中央モデルが分野横断で学んでも、専用の下流学習を残せる。
商業上の動機は直接的だ。Metaは日々36億人が製品を使うとする。2026年第2四半期の売上608億ドルは28%増で、報告された四半期費用は420億ドル。広告はAI基盤投資の説明を担うが、売上は価格、表示量、利用や他の変化にも依存し、GEMだけの成果ではない。
2025年第4四半期説明ではGEM学習GPU倍増と、GEM・系列学習によるFacebook広告クリック3.5%、Instagram転換1%超の改善を挙げた。会社が報告する寄与の時系列で、統制した世代間比較ではない。
LoopFMとSolarisはリアルタイム経路から処理を外す
全広告機会に最大モデルを動かすと高価で遅い。LoopFMは構造化表現と系列記憶を下流へ移し、知識蒸留を補う。Metaは配信計算や遅延を増やさず知識移転を倍にしたとするが、独立した公開比較はない。
Solarisは弾力的な事前計算を加え、要求前の余裕ある推論資源で結果を用意し、必要なときに取得する。中央が高価な学習を行い、小型システムや計算済み表現が厳しい応答時間を守る。全てに最大モデルを使わず、難しい予測や価値の高い予測へ計算を増やせる。
長い履歴は今も関連する場合だけ有用だ。好み、季節需要、在庫、転換傾向は変わり、記憶には鮮度が必要になる。系列学習の説明は広い多段階移行を扱い、成果が他の配備と重なる可能性もある。独立した数字として加算できない。
Googleとの比較は戦略であり性能試験ではない
GoogleのPerformance Maxは入札、対象、素材、帰属を在庫全体で自動化する。AI Maxは検索内で広げる。明示的検索とMetaの社会的行動からの推測では、在庫、信号、測定が異なり、直接の性能比較はできない。
両者は広告主に目標、異なる素材、転換信号を求め、配信をモデルへ移す。イベント計測が間違えば有能な最適化も誤った結果を追う。申込増が有望顧客減を伴い、帰属注文に低利益、返品、元々起きる販売が含まれ得る。
プライバシー規則、端末制約、利用者の選択は使える信号を減らす。自社データと推定結果も帰属の不確実性を消さない。保留群、地域実験、転換品質の確認は、プラットフォーム件数とは別に追加価値を測る。
公開主張で未解決の点
Metaには厳密な内部試験の流量と基盤がある。ただし公開記事に信頼区間や、基準、対象者、期間、業種の十分な内訳はなく、平均改善を典型的アカウントの見通しへ変換できない。段階と目標が違えば、全数値が正しくても百分率は異なる。
集中化は一度の校正・学習変更の影響を複数面へ広げ得る。広告主は外部でGEM全体を再現できない。Metaの誘因は個社の増分利益、ブランド制約、客層と重なるが完全一致はしない。
信頼できる評価は量と質を分け、素材、予算、目標、測定の変更を記録する。獲得費、限界収益、適格需要、注文額、返金、継続率は即時イベント外の結果を示す。GEMを逆解析する手順ではなく、広告主が自分の証拠を持つ方法だ。
次に有用なのは、素材自動化や在庫変化から分けた寄与、配備段階と分野別の結果、広告主側の増分実験との一致だ。GEMは推薦拡張に向き合う本格的な構成であり、内部成果は注目に値する。しかし複雑さや転換増だけで個社の追加利益が決まるわけではない。
作業の文脈を整理・保存するための関連資料：技術文書のナレッジベース.