社区

现在行业内对于AI芯片的探讨，不再是“是设计的GPU更强”，而是“睡的单位算力更便宜”。

云巨头不再满足于排队买英伟达，开始把芯片设计攥在自己手里。

微软10月12日公布第三代自研AI芯片Maia 300，并宣布从2027年开始扩大Azure Maia的部署规模，目标是让自研芯片逐步承担微软产品和服务中的主要推理任务。Maia 300机架系统搭载96颗加速器，功耗预算为167千瓦，配备27.6TB高带宽内存，预计每兆瓦可处理的Token数量较领先的GPU系统提高40%，机架级Token吞吐量最高可达上一代Maia 200的7倍，这一由官方给出的技术标准颇有分量。路透社同日报道称，这一规模可能超过100万颗芯片。 $微软(MSFT)$

推理需求上升，微软开始把芯片效率变成云业务的竞争力

如今，计算资源的竞争指标，从单颗芯片的峰值性能，延伸到整个系统能够以多低的成本持续提供AI服务。

过去，生成式AI早期的算力投入，重点在于训练大型模型，需要高性能加速器、大规模互联和稳定的集群供给。随着AI进入办公软件、代码开发、企业搜索和智能体工作流，推理调用的频率、延迟与单次成本，开始和训练性同等重要。

微软对Maia 300的设计，正是围绕这些问题展开。它定位为以推理为先的AI平台，用Chiplet架构把计算、内存控制器和I/O拆分，关键计算芯粒交给台积电N2P制程制造。

微软强调的40%效率提升，指的是每兆瓦能够处理更多Token，参照对象是其所称的领先GPU系统，官方没有披露完整的对照测试平台与测试条件，因此不能直接将这一指标理解为Maia 300在所有任务上都比英伟达GPU快40%。不同模型、精度设置、批处理规模和软件优化方式，都可能改变实际结果。

数据中心的电力、机房和网络资源需要长期投入，如果单位电力能够支撑更多有效推理请求，云服务商就有机会在既有基础设施条件下提供更多服务，或以相同服务规模减少资源消耗。对于需要持续调用模型的企业客户而言，这类效率改善最终的目的是为了更有竞争力的服务价格、更好的响应体验，以及更可控的运营成本。

Maia 200已经用于Microsoft Copilot等生产工作负载，并支持微软自研模型和通过Azure提供的OpenAI模型；微软表示，Maia 300将从2027年开始进入生产部署，逐步扩大在自有产品和服务中的应用。Copilot、GitHub Copilot、Microsoft Foundry等产品产生的真实工作负载，可以帮助工程团队识别内存、计算和网络的瓶颈，再将优化结果反馈到下一代芯片与系统设计中。芯片设计、模型运行和应用反馈放在同一家公司手里，这种协同优化是单卖芯片的厂商给不了的。

由此可见，云厂商自研芯片是有商业价值和意义的。但要理解Maia 300对英伟达意味着什么，得先看清楚微软到底要怎么用它。

英伟达仍是重要供应方，云巨头自研正在改变产业链分工

市场很容易把Maia 300理解成微软向英伟达“开战”。但从微软的角度来解读这一信号，要比前者复杂得多。

微软在2026财年第四季度业绩电话会上表示，公司仍在持续引入英伟达和AMD的最新硬件，同时推进自研芯片。该季度微软资本开支达到410亿美元，其中约三分之二用于使用周期较短的资产，主要包括CPU和GPU。

AI基础设施需要同时处理模型训练、模型推理、通用计算、网络通信和数据存储等不同任务。因此，通用性强、软件生态成熟的GPU依然具有重要作用；自研芯片只在运行规模大、任务相对稳定的推理负载上有成本优势。两种路线会长期并存。

对于微软这样的云巨头，自研芯片的战略意义还在于提升议价能力，并减少对单一供应来源的依赖。即使自研芯片没有完全替代外部GPU，只要它能够承担越来越多合适的任务，微软在采购成本、算力调度和基础设施规划上的选择空间就会扩大。

英伟达的竞争优势也不能只用芯片本身，因为开发者工具、CUDA生态、系统互联和成熟部署经验，这些让企业客户迁移的成本极高。Maia 300更可能首先改变部分工作负载的供给结构，再逐步影响云厂商与芯片供应商之间的合作关系。

微软已经明确披露，Maia 300的关键计算芯粒采用台积电N2P制程，整套系统还涉及高带宽内存、先进封装、网络互联和机架级集成。

对于台积电而言，云巨头增加自研芯片投入，意味着先进制程需求有机会从传统GPU供应链扩展到更多定制加速器项目。不过，具体订单规模、芯片良率、产能分配和利润贡献仍需等待公司披露，不能仅凭产品发布就推算相关收入。

博通在定制ASIC和网络互联上有潜在机会，可微软公开资料并未披露博通的供货份额，同样不能把部署计划等同于博通的确定性订单。

百万颗部署计划值得关注，最终还要看成本能否进入利润表

路透社10月12日报道称，微软计划在2027年部署超过100万颗Maia 300芯片；微软官方公告则确认，将从2027年开始扩大Azure Maia的多吉瓦级部署。一个是媒体测算的规模，一个是公司确认的方向，都还不是已经交付的数字。

从微软2026财年第四季度披露，全年营收超过3310亿美元，Microsoft Cloud全年营收超过2140亿美元，Azure全年营收超过1000亿美元；公司还表示，第四季度资本开支达到410亿美元。换句话说，微短是有这个家底的。

虽然微软拥有较大的云业务基础和持续投入AI基础设施的能力，但它们不能单独证明Maia 300已经具备明确的投资回报。真正影响商业结果的，是芯片能否按计划量产、数据中心能否及时完成部署、软件能否充分利用硬件能力，以及新增算力能否被Copilot、Azure客户和其他AI服务有效消化。

芯片项目的成本也不止于晶圆，先进制程、封装、HBM、服务器机架、网络设备、供电与散热系统，都构成最终的基础设施投入；即便芯片的单位推理效率提高，如果利用率不足、软件迁移成本偏高，或模型调用量没有达到预期，整体经济效益仍可能低于规划。

自研芯片实际承接了多少生产负载，单位推理成本比外部GPU改善了多少，这些变化能否反映在Azure增长、云业务毛利率和资本开支效率上，这些方面更接近经营结果的指标。

只有当技术优势与经营指标建立起可验证的联系，市场才有依据重新评估微软自研芯片的长期价值。

云巨头正在把芯片设计收进自己的产品、软件和数据中心体系，为的是更精细地控制算力成本。

就目前来看，英伟达的生态优势还在，台积电的制造能力不可替代，博通和其他定制芯片参与者也有机会。但谁真正分到蛋糕，要靠客户关系、订单进展和财报数字说话，不是靠一场发布会。

芯片发布只给方向，规模部署才给验证。AI算力的竞争还在扩张，但终局要看谁能把每一度电、每一颗芯片，真正变成可持续的经营回报。