微软自研芯片三年三代，2027年要大规模部署Maia 300

“现在人人都在自己造芯片。淘金热的法则是：先卖铁锹，再卖造铁锹的工厂。”这句话出现在萨提亚·纳德拉发帖的评论区。10月12日晚间，这位微软董事长兼首席执行官在社交媒体上公布了微软自研芯片的最新计划：2027年，微软计划大规模部署Azure Maia 300。

消息公布当天，微软股价上涨1.14%至541.15美元，市值重回4万亿美元。但比股价更值得琢磨的，是这条计划背后的算盘——微软为什么要在英伟达最强势的时候，自己拿起锤子？

推理成本，才是真正的账单

过去几年，AI产业最大的变化是模型能力快速提升。随着ChatGPT、Copilot等产品进入商业应用阶段，行业关注点开始发生变化。

训练大模型需要大量计算资源，训练完成后，长期消耗成本的是推理。好比训练像建造一座工厂，而推理像每天运行这座工厂。当数亿用户每天调用AI助手时，计算成本会持续产生。

微软目前拥有Azure云服务，也是OpenAI的重要合作伙伴。微软公布的数据显示，Azure年度收入已经突破1000亿美元。2026财年第四季度，Microsoft Cloud收入达到593亿美元，同比增长27%；其中Azure及其他云服务收入增长43%。

在应用侧，Microsoft 365 Copilot的商业用户规模持续扩大，付费用户数量已经超过3000万。Copilot、GitHub Copilot、Microsoft Foundry等产品在持续增加对AI推理算力的需求。

微软造Maia 300，是因为Azure正在承载越来越大的AI计算压力。

2023年生成式AI爆发后，英伟达H100等高端AI GPU成为全球科技公司的争夺对象。H100单卡价格一度达到2.5万至3万美元，需求高峰期甚至出现交付周期延长的情况。对于普通企业来说，一块GPU价格昂贵。对于微软、谷歌这样的云计算巨头，真正的压力来自规模。

谷歌用TPU支撑搜索、广告和AI服务，亚马逊用Trainium和Inferentia支撑AWS。微软的Maia系列从2023年11月发布Maia 100算起，已经走到第三代：今年1月发布的Maia 200投入生产后，正在替Copilot等微软服务承担实际负载，Maia 300则瞄准2027年的大规模部署。从Maia 100到Maia 300不到三年，迭代节奏在明显加快。

三家的路径看似平行，投入的性质已经不同，自研芯片正在从可选项变成云厂商的标配。

Maia 300的三个设计重点

Maia 300的设计重点，集中解决AI计算过程中三个越来越明显的问题。

1. 减少数据搬运，提高芯片利用率。大型AI模型运行时，需要不断在计算单元和高速内存之间交换数据。如果数据传输效率不足，计算核心就会等待，利用率就会下降。微软为Maia 300设计的软件定义数据流架构，就是针对这个问题。简单理解，就是让芯片提前规划好数据应该在哪里停留、什么时候调用，减少计算单元等待数据的时间。这也是为什么微软强调“每瓦有效计算能力”，而不只是强调峰值算力。微软表示，相比于领先的GPU系统，可提供每兆瓦40%更多的AI token处理能力。
2. 高带宽内存，让大模型处理更长上下文。未来的AI Agent需要同时读取企业数据库、大量文档、代码仓库、历史任务记录，这要求芯片拥有更强的数据读取能力。Maia 300单颗加速器拥有18TB/s峰值内存带宽，热设计功耗为950W。在机架级系统中，96个Maia 300加速器可以提供27.6TB HBM容量，以及1.7PB/s的聚合内存带宽。
3. Chiplet芯粒架构降低高端芯片制造难度。过去，大型芯片通常把所有功能集中在一块芯片中；Maia 300将计算、内存控制和I/O模块分离，提高设计灵活性并降低制造成本。其中计算芯粒采用台积电N2P先进制程，这种方式能提高制造灵活性，把最先进工艺集中在关键计算部分。

除了关键的三点，Maia 300还通过MXFP4等低精度计算格式降低模型运行时的计算和内存需求；通过高速互连和AI优化网络协议，提高多芯片协同效率；通过96颗加速器组成的机架级系统，提高数据中心整体吞吐能力。

这些设计共同指向一个目标：让AI计算从单颗芯片性能竞争，转向整个系统效率竞争。

芯片有了，怎么跑起来才是难题

这一竞争，在中国市场表现得更加明显。近年来国产AI芯片产业形成了多条技术路线。

华为昇腾在布局通用AI计算平台，2019年发布了昇腾910和昇腾310两款AI处理器。随后又围绕MindSpore框架、CANN计算架构和Atlas硬件平台建立生态，使AI芯片进入云计算、工业、能源等场景。

寒武纪代表了专业AI芯片企业路线。思元系列AI芯片覆盖云端训练和推理场景，相比于拥有大量业务场景的互联网企业，寒武纪重点解决的是芯片性能和软件生态建设问题。

百度和阿里则依托自身业务推动落地。百度将昆仑芯应用于搜索、智能云等AI业务；阿里推出含光800推理芯片，结合阿里云服务优化AI计算。

这些企业希望建立不同于英伟达CUDA体系的国产算力路线。但随着大模型应用深入，一个新的问题开始出现：芯片有了，如何真正跑起来？

一颗AI芯片进入商业应用，需要经过多个环节。首先是底层硬件，包括芯片架构、计算能力、内存带宽等。其次是软件生态，包括编译器、开发框架、算子优化、模型适配。最后是实际应用，企业需要能够将现有的大模型和业务系统迁移到新的计算平台上。任何一个环节不足，都可能影响芯片的实际价值。

所以，近年来AI Infra（人工智能基础设施）成为新的关注方向。所谓AI Infra，解决的是让芯片、模型、数据和应用之间形成高效连接。芯片提供算力，软件决定效率，基础设施决定这些算力能否被真正利用。

成立于2023年的无问芯穹专注AI Infra领域。10月12日，无问芯穹宣布完成23亿元C轮融资，累计融资达到43亿元，创下我国AI Infra融资记录。它关注的问题，和全球AI产业趋势高度一致：让不同芯片运行不同模型；提升算力利用率；降低企业部署AI的成本。

闭环，才是微软真正的底牌

同样的效率问题，微软的解法在于，它同时拥有模型、芯片和负载。芯片设计可以直接围绕自有负载反向优化。萨提亚·纳德拉把这叫作模型与芯片之间的闭环。

Azure为企业提供云计算服务，同时承载OpenAI模型、微软自研模型以及Copilot系列产品。比如，训练大模型需要大量通用计算资源，而Copilot等产品每天产生大量推理请求，对延迟、成本和能耗更加敏感。Maia 300主要针对的，就是这类长期运行的AI推理任务。自研芯片能够围绕自身业务重新设计。哪些任务交给GPU，哪些任务交给Maia，如何分配计算资源，这些都可以由微软自己决定。

不过，微软现在还无法完全摆脱英伟达。目前，Azure仍然大量提供英伟达GPU服务，CUDA生态依然是AI开发的重要基础。更现实的情况是，未来数据中心会同时存在多种计算平台，英伟达GPU负责通用AI计算，Maia负责微软优化后的AI工作负载，不同芯片根据任务需求被调度使用。

至少从微软自己的部署计划来看，乐观者的判断还缺少一些证据。Maia 300针对的是微软自己定义的推理负载，微软官方也明确表示自研芯片不会取代第三方供应。

真正的变化在于采购关系的性质：英伟达最大的客户之一，正在把自己变成一个有分量的竞合者。