每瓦 token 多 40%、96 颗芯片 7 倍吞吐：微软自研芯片 Maia 300 意味着什么
10 月 12 日，微软董事长兼 CEO 纳德拉在社交媒体上公布微软自研芯片的最新计划：Azure Maia 200 已投入生产，新一代 Maia 300 正式发布，2027 年起扩展至数吉瓦级部署，成为"微软产品的默认选择"。消息公布后，微软市值重回 4 万亿美元。这不是微软一家的动作——自研 A...
10 月 12 日，微软董事长兼 CEO 纳德拉在社交媒体上公布微软自研芯片的最新计划：Azure Maia 200 已投入生产，新一代 Maia 300 正式发布，2027 年起扩展至数吉瓦级部署，成为"微软产品的默认选择"。消息公布后，微软市值重回 4 万亿美元。这不是微软一家的动作——自研 AI 芯片，正在成为全球大厂的集体选择。
一、Maia 300 硬核拆解：为"推理"而生的第三代
Maia 300 是微软第三代自研 AI 加速芯片，与前两代最大的不同是：全部设计重心押在推理上。它针对的不是训练，而是今天正在爆发的三种新型负载——长上下文推理、延迟敏感的对话体验、持续的多步骤智能体任务。
核心规格一览：
| 规格 | 参数 |
|---|---|
| 工艺 | 台积电 N2P，多 chiplet 架构（主计算 die + 2×IO die + 4×内存 die） |
| 内存 | 288GB HBM4（8×36GB 堆栈），峰值带宽 18 TB/s（Maia 200 的 2.5 倍） |
| 算力 | FP4 13.8 POPS / FP8 6.9 POPS |
| 功耗 | 950W TDP |
| 能效 | 每兆瓦 token 输出比领先 GPU 系统高约 40% |
| 系统 | 96 颗芯片组成的系统，吞吐量最高达上一代 7 倍 |
几个值得注意的细节：
1. 这是"带宽为王"的设计。 微软官方强调 Maia 300 提供"行业内每瓦最高的 HBM 带宽"。为什么？因为 AI 推理负载越来越"上下文和内存绑定"——长上下文、Agent 多轮任务，瓶颈不在算力而在内存带宽。18 TB/s 的 HBM4 带宽，配合 950W 功耗，意味着在同样的电力预算下能跑出更多 token。
2. 每兆瓦 +40% token 是"电费思维"。 大模型成本的大头是电费。微软打出的这张牌，不是"我的芯片更快"，而是"我的芯片更省"——同样一度电，Maia 300 比 GPU 多产出 40% 的 token。这是算力经济学上的直接降维打击。
3. 2027 吉瓦级部署是"自给自足宣言"。 微软明确表示，Maia 系列从 2027 年开始扩展至数吉瓦级规模部署，使其成为微软产品和服务的默认选择。这意味着 Copilot、Azure OpenAI 服务等核心产品将逐步迁移到自研芯片上。
二、三年三步：微软的芯片之路
Maia 300 不是心血来潮，而是微软一条走了三年的路：
- 2023 年 11 月（Ignite 大会）：发布 Maia 100，基于台积电 5nm 先进封装，为 Copilot 等云上 AI 负载设计。当时业界还当"试水"看。
- 2024 年（Build 大会）：纳德拉透露首批 Maia 集群上线，Copilot 和 Azure OpenAI 的部分请求已经开始由 Maia 硬件服务，并称其在 GPT-4 推理上提供了最佳性价比。
- 2025-2026 年：Maia 200 投产，Maia 300 设计完成。
- 2026 年 10 月：Maia 300 正式发布，2027 年吉瓦级部署。
从"试水"到"默认选择"，微软用三年时间完成了自研芯片的闭环——芯片设计由微软自己做，软件栈由 Azure 自己配，负载是自己的 Copilot 和 OpenAI 模型，场景是自己的云。这是典型的"从硅片到服务"（silicon to service）垂直整合打法。
三、全球大厂都在自研 AI 硬件：这不是微软一家的事
Maia 300 背后更大的趋势是：自研 AI 芯片已经从"个别人的野心"变成了"大厂的标配"，国内外无一例外。
海外：四大云厂商围堵英伟达
| 公司 | 芯片 | 进展 |
|---|---|---|
| 谷歌 | TPU 第八代（Ironwood） | 2026 年拆分为 TPU 8t（训练）和 TPU 8i（推理），Q3 量产，甚至开始对外出售；摩根士丹利预测 2027 年谷歌自用 TPU 销售可达 840 亿美元 |
| 亚马逊 | Trainium 3 | 台积电 3nm，FP8 算力 2.52 PFLOPS，144GB HBM3e；可组成最多 100 万颗芯片的 UltraCluster，单节点带宽 3.2Tbps |
| Meta | MTIA 四代 | 基于开源 RISC-V 指令集，与博通联合开发；MTIA 300→500 带宽提升 4.5 倍、算力提升 25 倍，从排序推荐扩展至 GenAI |
| OpenAI | Jalapeño（与博通） | 2026 年 6 月发布首款"Intelligence Processor"推理芯片，目标部署 10GW 定制加速器 |
| 微软 | Maia 300 | 2027 年吉瓦级部署，本次主角 |
连博通这家"卖铲人"都受益于此——2026 年其定制 AI 芯片半导体收入已达 167 亿美元，业务暴涨。
国内：自主可控驱动的全面追赶
| 公司 | 芯片 | 进展 |
|---|---|---|
| 华为 | 昇腾 950/960 系列 | 950 超节点可将最多 8192 张芯片整合为一台"超级电脑"；昇腾 960 研发超预期，960DT 提前三个季度至 2027 Q1 就绪；昇腾 384 超节点已部署超 500 套 |
| 阿里（平头哥） | 真武 V900 / M890 | 真武 V900 计划 2027 Q1 量产（提前两个季度），性能较上代提升三倍，官方直言"智能体时代的算力需求爆发比所有人预想都快" |
| 百度 | 昆仑芯 | 持续迭代，用于文心系列 |
| 寒武纪 / 海光 / 沐曦 / 中科曙光 | 思元 / DCU / 曦景 / 曙光8000 | 中科曙光推出十万卡 AI 超集群"曙光8000"，单柜 128 颗全国产超节点亮相 |
一个标志性数据：英伟达在中国市场的份额已跌破四成——在美国限制的连锁反应下，华为、平头哥、昆仑芯、寒武纪等国产芯片获得了宝贵的市场验证机会，并借助规模效应快速迭代。
四、自研芯片的真实逻辑：不是取代英伟达，而是"三张牌"
大厂集体下场造芯片，真实动机是什么？拆开看是"三张牌"：
第一张：成本议价权。 大模型的命脉是算力成本，而算力成本的最大变量是芯片价格。自研芯片不需要立刻全面替代英伟达——只要让英伟达知道"我有备选"，采购谈判桌上就有了筹码。Trainium、TPU、Maia 的存在，本身就是压价工具。
第二张：关键负载自给。 最核心、最赚钱的负载（Copilot、Gemini、自研模型推理）用自研芯片跑，把省下来的钱变成利润。微软每兆瓦 +40% token 的账，是算给股东看的。
第三张：为智能体时代提前布局。 这一点最被低估。Agent 时代的推理负载和传统 LLM 完全不同：长上下文、多步骤、延迟敏感、连续决策。通用 GPU 是为训练设计的，推理优化的定制芯片（TPU 8i、Maia 300、Jalapeño）才是为 Agent 时代设计的"专用工具"。阿里平头哥那句"Agentic 时代的算力需求爆发比所有人预想的都要快"，道出了所有大厂的心声。
五、挑战与局限：CUDA 护城河没那么好跨
当然，自研芯片不是没有代价。最大的障碍是软件生态：
- 英伟达的 CUDA 是二十年积累的护城河，全球数百万开发者、几乎所有的 AI 框架和工具链都围绕它构建。自研芯片即使硬件性能追平，软件栈的差距（编译器、算子库、调试工具、开发者社区）仍要数年追赶。
- 量产爬坡是硬仗。芯片流片成功 ≠ 大规模可用，良率、供应链、散热、互连网络，每一环都可能掉链子。
- 自研芯片的"专属绑定"风险。芯片和自家云服务深度绑定，意味着研发投入必须靠自家负载撑起规模，一旦模型路线变化（比如训练需求暴涨超过推理），专用芯片的灵活性就会成为短板。
所以更准确的判断是：大厂不会"抛弃"英伟达，而是"分流"英伟达——用自研芯片守住高价值推理负载，用英伟达 GPU 承接弹性需求和前沿训练。这是一种混合策略，而非零和替代。
推理时代，芯片格局从"一家独大"走向"群雄逐鹿"
Maia 300 的发布，赶在了一个微妙的时间点：全球 AI 重心正从"训练为王"转向"推理为王"，而推理恰恰是定制芯片最能发挥优势的战场。谷歌、亚马逊、Meta、OpenAI、微软——五大科技巨头全部下场；华为、阿里、百度、寒武纪——国产军团全面追赶。
英伟达依然是那个巨人，但"算力只姓黄"的时代正在过去。当每一家大厂都开始自己造芯片，AI 算力市场就从"一家供应商的卖方市场"变成了"生态与成本的综合竞赛"。 谁能把芯片、软件栈、自家负载捏合成最有效率的一体化系统，谁就掌握了下一代 AI 的定价权。
而这一切的起点，可能就是今天这颗 Maia 300——以及那句"每兆瓦多产出 40% token"的电费宣言。