文 | 数智奔流，作者 | 田渝，编辑 | 沈校
10 月 12 日晚间，微软董事长兼首席执行官萨提亚 · 纳德拉在社交媒体上公布了微软自研芯片的最新计划。
2027 年，微软计划大规模部署 Azure Maia 300。
当日，微软股价当天上涨 1.14% 至 541.15 美元，市值重回 4 万亿美元。
这个计划公布后，引发不小的争论。
乐观者认为，微软正在向英伟达发起挑战。英伟达凭借 GPU 和 CUDA 生态掌握了 AI 计算基础设施，成为 AI 时代的大赢家。OpenAI 训练 GPT 系列模型，微软运行 Copilot 服务，全球大量企业部署生成式 AI，背后都离不开英伟达提供的计算能力。
也有人觉得，外界高估了自研芯片的影响。英伟达真正强大的地方在于围绕 CUDA 建立的完整生态，任何挑战者都需要面对长期的软件积累。
同样的自研战在国内早已打响，但芯片造出来只是第一步。软件生态、模型适配、编译优化、集群调度，和整个计算体系的运行效率，同样决定一颗芯片能否真正进入应用。
训练大模型需要大量计算资源，训练完成后，长期消耗成本的是推理。好比训练像建造一座工厂，而推理像每天运行这座工厂。当数亿用户每天调用 AI 助手时，计算成本会持续产生。
微软目前拥有 Azure 云服务，也是 OpenAI 的重要合作伙伴。微软公布的数据显示，Azure 年度收入已经突破 1000 亿美元。2026 财年第四季度，Microsoft Cloud 收入达到 593 亿美元，同比增长 27%；其中 Azure 及其他云服务收入增长 43%。
在应用侧，Microsoft 365 Copilot 的商业用户规模持续扩大，付费用户数量已经超过 3000 万。Copilot、GitHub Copilot、Microsoft Foundry 等产品在持续增加对 AI 推理算力的需求。
换句话说，微软造 Maia 300，是因为 Azure 正在承载越来越大的 AI 计算压力。
2023 年生成式 AI 爆发后，英伟达 H100 等高端 AI GPU 成为全球科技公司的争夺对象。H100 单卡价格一度达到 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。
对于普通企业来说，一块 GPU 价格昂贵。对于微软、谷歌这样的云计算巨头，真正的压力来自规模。
微软的 Maia 系列从 2023 年 11 月发布 Maia 100 算起，已经走到第三代：今年 1 月发布的 Maia 200 投入生产后，正在替 Copilot 等微软服务承担实际负载，Maia 300 则瞄准 2027 年的大规模部署。从 Maia 100 到 Maia 300 不到三年，迭代节奏在明显加快。
三家的路径看似平行，投入的性质已经不同，自研芯片正在从可选项变成云厂商的标配。
引用萨提亚 · 纳德拉发帖评论区下面的一句话：" 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。"比喻有一定道理，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。
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，计算核心就会等待，利用率就会下降。
微软为 Maia 300 设计的软件定义数据流架构，就是针对这个问题。简单理解，就是让芯片提前规划好数据应该在哪里停留、什么时候调用，减少计算单元等待数据的时间。
这也是为什么微软强调 " 每瓦有效计算能力 "，而不只是强调峰值算力。微软表示，相比于领先的 GPU 系统，可提供每兆瓦 40% 更多的 AI token 处理能力。
第二，高带宽内存，让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，这要求芯片拥有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 加速器可以提供 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，大型芯片通常把所有功能集中在一块芯片中；Maia 300 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，这种方式能提高制造灵活性，把最先进工艺集中在关键计算部分。
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。
华为昇腾在布局通用 AI 计算平台，2019 年发布了昇腾 910 和昇腾 310 两款 AI 处理器。随后又围绕 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，相比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，一个新的问题开始出现：芯片有了，如何真正跑起来？
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，企业需要能够将现有的大模型和业务系统迁移到新的计算平台上。
任何一个环节不足，都可能影响芯片的实际价值。
所以，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 AI Infra 领域。10 月 12 日，无问芯穹宣布完成 23 亿元 C 轮融资，累计融资达到 43 亿元，创下我国 AI Infra 融资记录。
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 · 纳德拉把这叫作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。比如，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，就是这类长期运行的 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己决定。
不过，微软现在还无法完全摆脱英伟达。目前，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，乐观者的判断还缺少一些证据。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，正在把自己变成一个有分量的竞合者。
