微软亲自下场造 AI 芯片，不止为了摆脱英伟达

出品 |止戈见闻

作者 | 李不韦

编辑 | 李知停

前几年，几乎所有的科技大厂都在排队抢购英伟达的算力卡；到了2026年的今天，风向开始发生了实质性的变化。

作为全球最大的AI应用与云服务提供商，微软正在悄然改变自己的硬件底座，把越来越多的实际业务交给自己研发的加速芯片。

这不仅是一次简单的技术路线调整。

当一家巨头试图摆脱单一供应商的牵制，它背后关乎的不仅是自家的财务账本，更是整个AI产业链下一阶段的演变逻辑。

1. 摆脱高昂的算力成本

"算力自由，才是真正的AI自由。"

10月中旬，随着微软进一步在Azure云数据中心扩大自研AI芯片的部署比例，行业里关于"去英伟达化"的讨论再次多了起来。

摆脱对英伟达的单一依赖，听起来是个庞大的战略，往深想一点，这其实是科技巨头们面对高昂算力成本时的必然选择，和过去所有受制于供应链的厂商所做的决定并无不同。

那么，微软花大力气推自研芯片，到底是为了解决什么问题？

从AI大模型爆发到现在，行业的焦点大多集中在参数规模和模型能力上。这几年代表了技术上的"狂飙突进"。但随着大模型逐渐落地到每个人的办公软件、搜索引擎和企业服务中，算力成本变成了一座绕不过去的大山。

说得更具象一点，当几亿用户每天都在使用Copilot写邮件、做PPT、分析数据时，每一次鼠标点击背后的AI推理，都在消耗大量的算力。如果这些算力全部依赖于价格高昂的英伟达GPU，微软的利润空间将被极大地压缩。

到这儿基本上清楚了，所谓的加大自研芯片使用，就是随着AI应用的大规模普及，微软必须找到一种更便宜、更可控的方式，来支撑越来越庞大的日常推理需求。

2. 微软的算盘怎么打

企业如何能更快地降低运营成本，向上游供应链开刀无疑是最有效的方式。

科技巨头之间的"算力暗战"早已提前上演。

早在几年前，微软就发布了自研AI加速芯片Maia和基于ARM架构的通用计算处理器Cobalt。到了今年，随着软硬件适配的逐渐成熟，这些自研芯片开始实质性地接管大量内部工作负载。

最早释放出分化信号的是资本市场的财报数据。过去两年，微软在AI基础设施上的资本支出动辄数百亿美元。

这笔钱如果全部用来购买英伟达的硬件，对于微软的财务报表来说是一个巨大的负担。

事实上，自研芯片的本质是让算力"更贴合实际业务"，核心逻辑是"需求分层"，让不同类型的硬件对应明确的任务边界。

从云计算市场的硬件部署逻辑来看，如今已形成清晰的算力划档：复杂的模型预训练和微调，依然高度依赖英伟达的旗舰级GPU集群；而大规模、重复性的日常推理任务，则逐渐交由成本更低、能耗比更好的自研ASIC芯片来完成。

微软如此默契地将部分业务迁移到自研芯片并非偶然，而是为了拥抱广阔的B端和C端市场做出的主动选择。其背后是芯片定制化带来的成本优势。

以大模型推理为例，通用GPU虽然性能强悍，但很多计算单元在特定任务中存在冗余。通过高度定制化的自研芯片，砍掉不必要的模块，专注于特定算法的加速，完全能够实现单次推理成本的显著下探。

科技行业的普遍共识印证了这一观点。高毛利的算力垄断生态并不健康，硬件成本下探是行业必然趋势，未来所有提供AI服务的云厂商都会走上软硬一体的道路，最终将算力成本收敛到合理利润率、合理价格水准。

3. 开启多元算力时代

微软加大自研AI芯片的使用比重，无疑在算力市场投下了一枚"震撼弹"。

这种业务迁移的出现，不仅仅是商业防守行为，更是强烈的行业信号。当微软将部分核心AI推理任务从通用GPU剥离，彻底改变了算力市场的固化认知，迫使整个产业链重新审视现有的硬件架构和定价策略。

在此之前，英伟达在AI算力领域更像是"唯一解"。在此之后，市场意识到，通过软硬件协同优化，科技巨头完全有能力在特定场景下建立自己的算力护城河。

然而这并不表示英伟达的黄金时代已经结束，当下只解决了"特定任务成本"的问题，距离全面替代通用GPU为时尚早。必须看到的是，市场对英伟达的需求，是为其深厚的CUDA生态壁垒和全能的泛用性买单，并非仅仅因为单块芯片的绝对算力。

从目前的算力格局来看，英伟达依然占据着模型训练端的主导地位，自研芯片市场尚未真正动摇其基本盘。未来可能会遵循一条从"特定推理"到"通用推理"，从"内部消化"到"对外输出"的路径。

模型训练仍是当前英伟达的主战场。在处理超大规模数据、探索下一代模型架构等非结构化或半结构化计算场景中，通用GPU的技术可行性更高，开发效率更容易保证。

自研芯片的使用场景仍有待进一步拓展。可实现的路径是，通过解决自身业务中高频推理的"痛点"来证明价值，逐步积累信任和技术，再向外部云服务客户开放。

无论英伟达继续领跑，还是巨头自研芯片分庭抗礼，算力市场的演变让我们看到AI走向普及的曙光。随着大模型深入各行各业，AI目前已在智能客服、代码生成、办公辅助等轻量化场景实现落地，降低算力门槛预期，证明了其长远的商业价值。

不过必须清醒地看到，自研芯片路线仍面临诸多挑战。从技术层面看，生态迁移成本是核心短板，大量基于CUDA开发的AI应用要想无缝迁移到新架构上，仍是需要攻关的难题；从迭代层面看，想要跟上芯片巨头一年一更新的节奏，其研发成本尚未有效均摊，距离"完全自给自足"还有很长的路要走。

有行业分析师预测，AI算力的发展将经历两个阶段。短期内，通用GPU依然是驱动AI前沿探索的绝对引擎；从长期看，专用芯片会逐渐接管那些对成本极度敏感的日常推理工作。同时，企业级AI服务的降本诉求也有望通过多元化的硬件组合得到缓解。

也就是说，随着软硬件适配持续成熟与应用场景不断丰富，当定制化AI芯片像今天的云服务器一样，深度支撑起人类社会生产和日常运转的各个环节，成为不可或缺的基础设施，意味着我们开启了真正的"多元算力时代"。

试着想象未来的行业蓝图，每一家企业在使用AI服务时，后台都会自动调度最经济、最高效的异构算力。相信在那时，AI技术才真正摆脱了成本的束缚。

回过头来看，算力市场正在脱离单一玩家的绝对掌控。

从一家独大到百花齐放，任何一项改变世界的技术，最终都要经历挤出水分、精打细算的过程。

英伟达的黄金时代或许正在变换形态，但AI产业真正落地的黄金时代才刚刚铺开。

当算力不再昂贵，当底层的基础设施隐入后台，AI才算真正成了千行百业离不开的工具。