10月12日晚间，微软董事长兼首席执行官萨提亚·纳德拉通过社交媒体披露了公司自研芯片的最新进展。
微软计划在2027年大规模推出Azure Maia 300。
当天，微软股价上涨1.14%，收于541.15美元，市值重返4万亿美元。
这一计划公布后，引发了广泛讨论。
支持者认为，微软正向英伟达发起挑战。英伟达凭借GPU和CUDA生态主导了AI计算基础设施，成为AI时代的最大赢家。OpenAI训练GPT系列模型、微软运行Copilot服务，以及全球众多企业部署生成式AI，均依赖英伟达提供的计算能力。
也有观点指出，外界可能高估了自研芯片的影响。英伟达的真正优势在于围绕CUDA构建的成熟生态，任何新入局者都需要面对长期的软件积累。
在中国，类似的自主研发竞赛早已启动，但芯片制造只是第一步。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，同样决定芯片能否真正落地应用。
过去几年，AI产业的最大变化是模型能力的快速提升。随着ChatGPT、Copilot等产品进入商业应用阶段，行业关注点开始转移。
训练大模型需要大量计算资源，而模型完成后，长期消耗成本的是推理过程。这类似于建造工厂（训练）与日常运营工厂（推理）的区别。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，并与OpenAI保持紧密合作。微软数据显示，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，付费用户已超过3000万。Copilot、GitHub Copilot、Microsoft Foundry等产品不断推高AI推理算力需求。
换言之，微软研发Maia 300，是因为Azure正承受日益增长的AI计算压力。
2023年生成式AI爆发后，英伟达H100等高端AI GPU成为全球科技公司的争夺焦点。H100单卡价格一度高达2.5万至3万美元，需求高峰时甚至出现交付周期延长的情况。
对普通企业而言，一块GPU价格昂贵。但对微软、谷歌这样的云计算巨头，真正的压力来自规模效应。
谷歌用TPU支撑搜索、广告和AI服务，亚马逊用Trainium和Inferentia支撑AWS。
微软的Maia系列从2023年11月发布Maia 100算起，已演进至第三代：今年1月发布的Maia 200投入生产后，正为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，迭代节奏明显加快。
三家的路径看似平行，但投入的性质已发生变化，自研芯片正从可选项变为云厂商的标配。
引用萨提亚·纳德拉发帖评论区的一句话：“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，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。
Maia 300的设计重点，聚焦于解决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存储位置和调用时机，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”而非单纯峰值算力的原因。微软表示，相比领先的GPU系统，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，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、代码仓库和历史任务记录，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，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，将最先进工艺集中于关键计算部分。
除了上述三点，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。
这一竞争在中国市场表现得尤为明显。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，相比拥有大量业务场景的互联网企业，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，一个新问题浮现：芯片有了，如何真正跑起来？
一颗AI芯片进入商业应用，需经过多个环节。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融资记录。
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。芯片设计可直接围绕自有负载反向优化。萨提亚·纳德拉将此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，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行决定。
不过，微软现在还无法完全摆脱英伟达。目前，Azure仍大量提供英伟达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具有分量的竞合者。