10月12日深夜，微软董事会主席兼首席执行官萨提亚·纳德拉通过社交媒体披露了该公司自研芯片的最新进展。
到了2027年，微软计划大规模推广Azure Maia 300芯片。
当天，微软股价上扬1.14%，收于541.15美元，公司市值重新站上4万亿美元大关。
这一消息公布后，引发了广泛讨论。
看好的一方认为，微软正向英伟达发起直接挑战。英伟达凭借其GPU和CUDA生态系统掌控了AI计算基础设施，成为人工智能时代的主要赢家。无论是OpenAI训练GPT系列模型、微软运行Copilot服务，还是全球众多企业部署生成式AI，都离不开英伟达提供的算力支持。
也有观点指出，外界可能高估了自研芯片的影响力。英伟达真正的竞争力在于围绕CUDA构建的成熟生态体系，任何新进入者都必须面对长期软件积累的壁垒。
类似的自研探索在国内早已启动，但芯片制造仅仅是个开端。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，同样决定了一颗芯片能否真正投入使用。
全球科技巨头纷纷投入自研芯片
过去数年间，AI产业最显著的变化是模型能力快速提升。随着ChatGPT、Copilot等产品进入商业化阶段，行业关注点也随之转变。
训练大模型需要大量计算资源，而模型训练完成后，长期消耗成本的是推理过程。这好比训练是建造一座工厂，推理则是工厂日常运转。当数亿用户每天调用AI助手时，计算成本会持续累积。
微软目前运营Azure云服务，同时也是OpenAI的重要合作伙伴。微软披露的数据显示，Azure年收入已突破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%。
在应用层面，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推理算力的需求持续增长。
换句话说，微软研发Maia 300，是因为Azure正面临日益增长的AI计算压力。
2023年生成式AI爆发后，英伟达H100等高端AI GPU成为全球科技公司争相获取的资源。H100单卡价格一度高达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。
对于普通企业而言，一块GPU价格昂贵。但对于微软、谷歌这样的云计算巨头，真正的压力来自规模效应。
谷歌依靠TPU支撑搜索、广告和AI服务，亚马逊则通过Trainium和Inferentia支持AWS。
微软的Maia系列从2023年11月发布Maia 100算起，已发展到第三代：今年1月发布的Maia 200投入生产后，正在为Copilot等微软服务承担实际负载，而Maia 300则瞄准2027年的大规模部署。从Maia 100到Maia 300，不到三年时间，迭代节奏明显加快。
这三家公司的路径看似平行，但投入的性质已发生变化，自研芯片正从可选项转变为云厂商的标配。
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。”这个比喻有一定道理，但更准确的说法是，云厂商卖的是铁匠铺的产能。现在他们做的事，是亲自拿起锤子。
聚焦系统效率而非单颗芯片性能
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，计算核心就会闲置，利用率随之下降。
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”而非仅关注峰值算力的原因。微软表示，与领先的GPU系统相比，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、历史任务记录等，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在一块芯片中；Maia 300将计算、内存控制和I/O模块分离，提高了设计灵活性并降低了制造成本。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，将最先进工艺集中在关键计算部分。
除了这三点关键设计，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，提升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。
芯片之外的AI基础设施才是关键
这一竞争在中国市场表现得更为明显。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，与拥有大量业务场景的互联网企业不同，寒武纪重点解决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，企业需要能将现有大模型和业务系统迁移到新计算平台上。
任何一个环节不足，都可能影响芯片的实际价值。
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，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反向优化。萨提亚·纳德拉将这一过程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，这些都可以由微软自行决定。
不过，微软目前还无法完全脱离英伟达。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，乐观者的判断还缺乏充分证据。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，正在将自己转变为一个有分量的竞合者。
近期文章
