微软发布自研AI芯片Maia 300：推理效率提40%，2027年扩至吉瓦级部署

继谷歌TPU之后，又一家万亿级云巨头把「自研算力」推到了台前。微软正式发布自研AI芯片Maia 300并宣布将投入量产：目标推理效率提升40%，2027年起在Azure的部署规模扩展至数吉瓦级，直接目标只有一个——降低对英伟达GPU的依赖与采购成本。

从试用到吉瓦级

这不是微软第一次做自研芯片，但很可能是投入最大的一次，被业界称为「史上最大自研芯片押注」。此前Maia 100已小规模服务于Copilot等负载；此次Maia 300定位量产，据多家媒体报道，微软计划明年起大规模部署，整体部署规模以「吉瓦」计——按单颗加速卡数百瓦的功耗推算，这对应百万颗量级的自研芯片。

为什么是推理，为什么是ASIC

微软选择把自研芯片的主战场放在推理而非训练，逻辑并不复杂：训练追求极致性能、市场高度集中于英伟达；而推理负载占AI运营成本的大头，且对能效比、单位token成本高度敏感——这正是ASIC的主场。从谷歌TPU大规模承载Gemini推理，到AWS Trainium、以及国内非GPU加速器出货首超GPU，「专用芯片吃掉推理」正在成为全球算力市场的共同趋势。

从谷歌TPU到微软Maia，AI推理纪元点燃了ASIC算力扩张狂潮。

对算力供需格局的影响

短期看，英伟达仍是训练市场不可替代的供给方，微软们也需要其顶级GPU支撑前沿模型研发；但中长期看，当头部云厂商把推理负载批量迁往自研ASIC，GPU的需求结构将从「训练+推理双轮」滑向「训练主导」，这对英伟达的估值叙事和产品策略都是实质性挑战——其开放Vera Rubin机柜设计、推动供电液冷标准化，同样是在为「系统级竞争」做准备。

对企业用户而言，巨头自研芯片的规模化落地意味着推理成本将继续下探，多云、多芯的算力调度能力将成为AI落地的基本功。九天技术在帮助企业构建全域AI平台时，亦坚持算力层解耦设计——上层应用与模型服务不绑定单一芯片生态，客户才能持续吃到算力供给竞争带来的成本红利。

（信息综合自财联社、华尔街见闻、新浪财经、电子工程专辑、驱动之家、凤凰网等公开报道）