公司

10月12日夜间，微软董事会主席兼首席执行官萨提亚·纳德拉通过社交平台披露了公司自研芯片的最新进展。

按照规划，微软打算在2027年大规模推出Azure Maia 300。

当天，微软股价上扬1.14%，收于541.15美元，公司市值重新突破4万亿美元大关。

这一规划公布后，立即引发广泛讨论。

持乐观态度的人士认为，微软正向英伟达发起正面挑战。凭借GPU和CUDA生态系统，英伟达牢牢掌控着AI算力基础设施，成为人工智能时代的最大受益者。无论是OpenAI训练GPT系列模型，还是微软运行Copilot服务，乃至全球众多企业部署生成式AI，都高度依赖英伟达提供的计算能力。

另一些人则指出，外界可能高估了自研芯片的影响力。英伟达真正的优势在于围绕CUDA构建的成熟生态体系，任何试图挑战者都必须面对其长期积累的软件基础。

类似的自主研发竞赛在国内早已展开，但芯片制造仅是第一步。软件生态、模型适配、编译优化、集群调度以及整个计算体系的运行效率，同样决定着芯片能否真正投入实际应用。

殊途同归的科技巨头自研芯片浪潮

过去数年间，AI产业最显著的变化是模型能力的快速提升。随着ChatGPT、Copilot等产品进入商业化阶段，行业关注点也开始转移。

训练大模型需要庞大的计算资源，而模型训练完成后，长期消耗成本的核心环节是推理。如果把训练比作建造一座工厂，推理则如同每天运营这家工厂。当数亿用户每日调用AI助手时，计算成本将持续产生。

微软目前运营着Azure云服务，同时也是OpenAI的重要合作伙伴。根据微软公布的数据，Azure年度收入已突破1000亿美元。2026财年第四季度，Microsoft Cloud收入达593亿美元，同比增长27%；其中Azure及其他云服务收入增长43%。

在应用端，Microsoft 365 Copilot的商业用户规模持续扩大，付费用户数量已超过3000万。Copilot、GitHub Copilot、Microsoft Foundry等产品对AI推理算力的需求也在不断增长。

换言之，微软研发Maia 300，是因为Azure正承受着日益增长的AI计算压力。

自2023年生成式AI爆发以来，英伟达H100等高端AI GPU成为全球科技公司的争抢对象。H100单卡价格一度高达2.5万至3万美元，在需求高峰期甚至出现交货周期延长的情况。

对普通企业而言，一块GPU价格不菲。但对微软、谷歌这类云计算巨头来说，真正的压力来自规模效应。

谷歌利用TPU支撑搜索、广告和AI服务，亚马逊则依靠Trainium和Inferentia支持AWS。

微软的Maia系列从2023年11月发布Maia 100算起，已演进至第三代：今年1月推出的Maia 200投入生产后，正逐步取代Copilot等微软服务的实际负载，而Maia 300则瞄准2027年的大规模部署。从Maia 100到Maia 300不足三年，迭代速度明显加快。

三家的路径看似平行，但投入的性质已发生转变，自研芯片正从可选项变为云厂商的标配。

引用萨提亚·纳德拉帖子评论区的一句话：“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。”这一比喻有一定道理，但更准确的说法是，云厂商销售的是铁匠铺的产能。如今，他们正亲自拿起锤子。

不争单颗芯片胜负，在系统效率上寻找优势

Maia 300的设计重点，集中在解决AI计算过程中三个日益突出的问题。

第一，减少数据搬运，提升芯片利用率。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。若数据传输效率不足，计算核心将处于等待状态，利用率便会下降。

微软为Maia 300设计的软件定义数据流架构，正是针对这一问题。简单来说，就是让芯片提前规划数据应停留的位置和调用时机，减少计算单元等待数据的时间。

这也是微软强调“每瓦有效计算能力”而非单纯峰值算力的原因。微软表示，相比领先的GPU系统，Maia 300可提供每兆瓦40%更多的AI token处理能力。

第二，高带宽内存，支持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、代码仓库和历史任务记录，这要求芯片具备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加速器可提供27.6TB HBM容量，以及1.7PB/s的聚合内存带宽。

第三，Chiplet芯粒架构降低高端芯片制造难度。过去，大型芯片通常将所有功能集成于单一芯片中；Maia 300则将计算、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，这种方式能提升制造灵活性，将最先进工艺集中于关键计算部分。

除上述三个关键点外，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，提升多芯片协同效率；通过96颗加速器组成的机架级系统，增强数据中心整体吞吐能力。

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

芯片之外的AI Infra才是关键

这一竞争在中国市场表现得尤为明显。近年来，国产AI芯片产业形成了多条技术路线。

华为昇腾专注于布局通用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，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，相较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，一个新的问题开始浮现：芯片有了，如何真正运行起来？

一颗AI芯片进入商业应用，需经过多个环节。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大模型和业务系统迁移至新计算平台。

任何一个环节不足，都可能影响芯片的实际价值。

因此，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，旨在解决芯片、模型、数据和应用之间的高效连接。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年的无问芯穹专注于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43亿元，创下我国AI Infra融资纪录。

它关注的问题与全球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。

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进行反向优化。萨提亚·纳德拉将此称为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。例如，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，正是这类长期运行的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，这些都由微软自行决定。

不过，微软目前仍无法完全摆脱英伟达。目前，Azure依然大量提供英伟达GPU服务，CUDA生态仍是AI开发的重要基础。

更现实的情况是，未来数据中心将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。

至少从微软自身的部署计划来看，乐观者的判断尚缺乏足够证据。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，正将自己转变为一位有分量的竞合者。