明年起，微软将以吉瓦级规模部署新一代自研AI芯片Maia 300 ，主要用于AI推理任务。同时除了微软之外，其他超大规模云计算企业
，包括亚马逊 、谷歌和Meta，以及OpenAI和Anthropic等也已经推出或正在开发自己的定制芯片 。为什么这些竞争关系错综复杂的公司 ，会不约而同地走向同一条路？答案或许在于它们共同面对的算力困境。而传统的芯片设计巨头如英伟达、AMD
，需要重新审视这些昔日的客户正变成潜在的竞争对手
。

　　定档2027年

　　“今天我们宣布迄今为止在自研芯片上最大的一笔押注。 ”当地时间10月12日，微软董事长兼首席执行官萨提亚·纳德拉（Satya Nadella）在社交媒体上公布了微软自研芯片的最新计划 。微软表示Azure Maia 200现已投入生产 ，并且发布最新芯片Azure Maia 300
。同时
，微软公布新的部署计划：从2027年开始将把Azure Maia系列扩展至数吉瓦级规模部署，使Maia成为微软产品和服务的主要推理系统。

　　从微软公布的进度看 ，Maia 200近来 已投入使用
，服务于包括Microsoft Copilot在内的微软生产工作负载，并为MAI团队开发下一代模型提供支持 ，GitHub Copilot和Microsoft Foundry也将于年底前投入使用 。在这些工作负载中
，Maia 200运行着OpenAI模型
、微软自研的MAI模型以及领先的开源模型系列
。

　　Maia 300则专为如今 涌现的新型AI工作负载而设计，包括长上下文推理、延迟敏感的对话体验以及持续的多步骤智能体任务。微软预计 ，相比领先的基于GPU的系统，Maia 300每兆瓦可多输出40%的Token（词元） 。

　　受这一消息影响
，微软股价当天上涨1.14%至541.15美元，市值重回4万亿美元
。

　　近年来 ，微软加快了自研芯片的进程。2023年11月
，微软发布了Maia 100，该芯片采用台积电5纳米工艺 ，旨在为OpenAI模型 、Bing
、GitHub Copilot和ChatGPT等人工智能工作负载运行基于云的训练和推理 。

　　两年后
，微软在今年1月宣布推出第二代人工智能芯片Maia 200
。当时微软表示Maia 200是公司迄今为止部署的比较高 效推理系统，其每美元性能比微软当时部署的最新一代硬件提升了30%。

　　在去年11月的一次访谈中 ，萨提亚·纳德拉提及了自研芯片的逻辑 。他表示
，微软计划在自己的MAI模型和芯片之间建立一个闭环，赋予公司自主研发芯片的权利 ，即根据自己的需求设计微架构
，然后不断更新自己的模型。如今距离微软发布Maia 200不到9个月，微软再次发布了Maia 300
。

　　天使投资人、人工智能专家郭涛对此表示 ，随着AI推理需求持续增长，云厂商正通过自研芯片提高能效 、控制成本。若Maia 300达到预期表现
，微软有望降低对英伟达GPU的依赖，并改善AI服务的运营经济性 。

　　集体突围

　　除了微软 ，为降低对于英伟达的依赖
，亚马逊
、谷歌、OpenAI等巨头都在加速自研芯片
。相比之下，亚马逊和谷歌比微软更早启动自研芯片项目。通过针对自有数据中心的需求定制芯片 ，微软有望更高效地运行推理任务
，并减少采购英伟达GPU所带来的部分成本 。

　　其中OpenAI的动作最为激进
。其CEO山姆·阿尔特曼被曝正在全球范围内，为一项代号“Tigris”的芯片项目筹集巨额资金 ，目标是建设能支撑超级智能的专属芯片制造网络。与此同时
，OpenAI已与博通等芯片设计巨头合作，开发定制化的AI推理芯片 ，并频繁与台积电接触 。

　　不过
，不同于谷歌的张量处理单元（TPU）以及亚马逊的Inferentia和Trainium芯片，微软的AI加速器并没有按小时出租给其他公司使用
。询问 公司Moor Insights Strategy的CEO Patrick Moorhead指出 ，还没有微软以外的企业测试过这些芯片。

　　此外，Meta近日宣布第三代自研芯片MTIA 450（代号Arke）将于明年上半年开始在数据中心投入使用 。第四代产品MTIA 500（代号Astrid）的设计工作将完成
，预计2027年底进入数据中心，部署规模将更为广泛
。Meta工程副总裁Yee Jiun Song表示 ，与英伟达近来 出货的产品相比
，自研芯片在运行AI模型时效率更高，“正是因为我们自己承担了大量工程工作
”。

　　另据外媒披露 ，Anthropic已与三星电子展开深度谈判
，核心议题是开发一款专为其大模型设计的AI推理芯片 。这并非一次简单的商业采购，而是一场涵盖架构定义 、制造工艺与高带宽内存集成的全面技术合作。消息一出 ，业界震动
，因为这意味着大模型公司对算力的焦虑，已从软件层面的“提示词优化”“模型蒸馏 ” ，延伸到了物理层面的晶体管电路设计
。

　　深层博弈

　　大模型公司集体造芯
，也正引发芯片制造环节的权力重构。当最纯粹的模型公司也开始亲自下场定义芯片，AI产业的垂直整合已然不可逆转 。

　　比如 ，Meta与博通合作进行芯片设计，与台积电合作负责制造
，整体方向是降低对英伟达行业主导地位的依赖
。而Anthropic与三星的牵手，是大模型竞争从参数规模
、多模态能力向算力主权延伸的里程碑。

　　不过在郭涛看来 ，客户自研芯片并不意味着英伟达业务必然流失 。“设计一款能与英伟达在软件生态上匹敌的芯片
，投入动辄数亿美元，周期长达两到三年 ，且充满失败风险
。其CEO黄仁勋不久前公开表示
，即便竞争对手的芯片免费，也未必比英伟达的综合成本更低。
”

　　数据显示 ，英伟达第二季度营收翻倍至960亿美元
，显示整体AI算力需求足以容纳多方玩家 。近来 ，微软等竞争对手主要聚焦高利润的推理领域 ，而英伟达在训练领域仍占据绝对主导
。

　　此外
，供应链制约依然存在。郭涛指出，开发自有芯片的公司仍依赖英伟达所倚重的有限制造产能、先进封装技术和高带宽内存 。这意味着 ，即便减少了对英伟达产品的依赖，也无法完全消除供应链的限制
。

（文章来源：北京商报）