微软10月12日宣布推出第三代自研人工智能芯片Maia 300，同时披露计划从明年起在内部数据中心部署可能超过一百万颗这类芯片，用于支撑公司内部的人工智能服务。这是微软迄今在自研芯片路线上规划的最大规模部署。

Maia 300是微软自研芯片家族的第三代产品，定位于处理各类人工智能数据运算任务，包括代码编写，以及代表用户完成复杂的商业流程任务。微软方面表示，Maia系列上一代产品已经投入实际运行，承载微软自己研发的人工智能模型，也支撑通过Azure云计算服务交付的OpenAI模型。新一代产品将在这些已有负载的基础上，承担更大规模的内部推理与运算需求。

在技术路线上，Maia 300与英伟达的主流方案走了不同的路径。英伟达的AI加速器通常由一块巨大的计算芯片、周围环绕多颗高带宽内存芯片构成。而微软在Maia 300的中央计算处理器中采用了chiplet架构，也就是把多个功能专用的小型芯片键合在一起协同工作。其中，负责关键计算功能的芯片采用了台积电的2纳米工艺；负责数据搬运等系统内数据流动功能的其他chiplet，则采用成本更低的3纳米工艺。把最先进、最昂贵的工艺只用在最关键的计算部位，是微软控制整颗芯片成本的核心手段之一。

微软还公布了Maia 300的机架级部署参数。每个机架容纳96颗芯片，整机架功耗约为167千瓦。作为对照，英伟达当前最新一代AI服务器平台GB300机架装载72颗图形处理器，整机架功耗约为142千瓦。按机架参数折算，Maia 300单颗芯片平均功耗约1.74千瓦，低于GB300单颗图形处理器约1.97千瓦的水平。单机架芯片数量上，Maia 300的96颗比GB300的72颗多出三分之一，整机架功耗也相应高出约18%。微软声称，Maia 300每兆瓦可完成的有效算力比「主流GPU系统」高出约40%。不过公司没有点名参与比较的具体系统，也没有公开测试细节，这是微软自家的测算口径。

微软Azure硬件系统与基础设施总裁Rani Borkar在接受采访时表示，Maia 300的设计思路是在整个系统层面做优化，让每一瓦特电力、每一美元投入和每一字节内存都能产出更多的智能算力。这番表述延续了微软近年来反复强调的方向：算力竞争不再只看单颗芯片的峰值性能，而是看整套系统在单位成本和单位能耗下能交付多少实际可用的智能运算。

此次发布的时间点，恰逢云计算巨头与多家人工智能公司掀起自研芯片浪潮。谷歌的TPU最早可追溯到2016年，已迭代多代并在自家云服务中承载真实负载；亚马逊的Trainium主要用于模型训练、Inferentia面向推理场景，同样服务于内部云业务；Meta也在推进自研推理芯片。包括OpenAI在内的多家人工智能公司，则被报道正在规划或推进自己的定制芯片。这些努力的共同目标，都是松动英伟达在人工智能算力市场的强势地位。微软是这波浪潮中起步最早、投入规模最大的云服务商之一，其自研芯片的路线选择与部署节奏，一直被视为行业风向标。

微软的自研芯片计划已推进多年。公司在2023年首次公开Maia系列，上一代产品随后进入量产并承载真实业务负载。与此同时，微软还在开发基于Arm架构的自研服务器处理器Cobalt，用于通用计算场景，试图在AI加速与通用算力两条线上同时降低对外部供应商的依赖。Maia 300是这条自研路线上最新、也是规格最高的一步。

在部署规模上，微软给出了相当激进的目标。公司表示将从明年开始推进「多吉瓦级」部署，并称明年部署的Maia 300芯片数量可能超过一百万颗。按照微软今年的资本支出规划，公司本日历年的资本开支预计将超过1750亿美元，其中相当一部分投向数据中心与人工智能基础设施。百万颗级别的自研芯片部署，意味着微软内部AI服务的算力底座正在加速从外部采购转向自主可控。

对微软这样的云服务商而言，自研芯片的直接动机是成本。高端AI图形处理器的采购价格高企，而数据中心里动辄数十万颗的装机规模，让算力采购成为云厂商最大的资本开支项之一，头部云厂商每年在算力硬件上的投入以千亿美元计。用自研芯片替代一部分内部负载的图形处理器采购，是微软、谷歌、亚马逊共同的算盘。Maia 300把2纳米工艺与chiplet混搭架构结合，正是为了在性能与成本之间找到更优的平衡点。

从更大的产业视角看，2纳米是当前能量产的最先进制程之一，台积电的产能历来是各家芯片厂商争夺的焦点。微软能把2纳米用在自研芯片的关键计算部位，也折射出云厂商在供应链上的话语权正在上升。Maia 300能否在实际部署中兑现其宣称的能效优势，将成为观察这一轮自研芯片竞赛成色的关键样本。