微软Maia 300：288GB HBM4、每兆瓦多40%算力，但2027年才上线且不对外租用

2026年10月12日，微软正式发布第三代自研AI加速器Maia 300——288GB HBM4内存、18TB/s峰值带宽、FP4算力13.8 PFLOPS、单机架96颗卡吞吐量达上代Maia 200的7倍，TDP 950W，计划2027年开始在Azure多吉瓦级规模部署。这是目前公开发布的超大规模云厂商自研推理芯片中规格最激进的一张牌。

从Maia 200到Maia 300：一次刻意的架构激进化

Maia 200于2026年1月部署上线，已在美国、欧洲、澳大利亚的数据中心支撑Copilot和GitHub Copilot运行。相比之下，Maia 300是一次规模大得多的技术跃升。

在内存子系统上，Maia 300从6组HBM3e扩展到8组HBM4，每机架HBM容量从288GB跳至27.6TB，据unite.ai报道约为上代机架配置的2.7倍。带宽从Maia 200的7TB/s提升至18TB/s，增幅超过2.5倍。制程从台积电3nm迁移至N2P 2纳米级，采用多芯粒设计，主计算芯粒、独立内存芯粒、I/O芯粒分开制造后封装。

功耗从750W上升至950W。微软给出的核心效率承诺是：每兆瓦可产生的tokens数量比"领先的GPU系统"高约40%。

那个"40%"，是对谁说的

微软没有指明"领先GPU系统"究竟是哪款产品、哪个配置、在什么工作负载下测得。

对比市面上的竞品：英伟达GB300 Blackwell Ultra每块卡搭载288GB HBM3e，带宽约8TB/s，FP4算力约15 PFLOPS；谷歌TPU v7 Ironwood现已对外开放租用，爱荷华区域标价每芯片小时12美元。Maia 300的18TB/s带宽显著高于GB300的8TB/s，在内存密集型推理任务上具备结构性优势——大模型推理往往是带宽瓶颈而非算力瓶颈，这正是Maia 300的设计重心。但FP4算力13.8 PFLOPS低于GB300的约15 PFLOPS，意味着对于纯算力敏感的训练任务，英伟达仍有优势。

据TIKR财务分析，这批芯片要到2027年才进入生产部署，届时才会出现可供外部验证的数据。

真正的驱动力：资本支出与毛利率的剪刀差

理解Maia 300为何在此时发布，需要看微软的财务账本。

据TIKR数据，截至2026年6月的季度，微软在物业和设备上的现金支出达到358亿美元，是一年前170.8亿美元的两倍以上。过去四个季度资本支出合计约1160亿美元，较前一个周期增长80%。与此同时，毛利率从2025年9月季度的69.05%连续三个季度下滑至2026年6月的67.20%。

支出翻倍，利润率下行——这是促使微软加速自研芯片的根本财务压力。Maia 300针对的不是训练市场，而是推理运行成本：每次Copilot回答用户问题，后台产生的API调用成本都直接影响微软的毛利率。如果Maia 300的40%效率承诺兑现，同等电力预算下可服务更多Copilot请求，这才是财务账上真实的节省来源。

路透社此前报道，微软计划2027年部署超过100万颗此类芯片。据unite.ai披露，微软已表示将需要"超过"每年30万片台积电晶圆。以每机架96颗、功耗167千瓦计算，100万颗芯片约需10,400个机架，总用电约1.7吉瓦——与"多吉瓦级部署"的表述数量级吻合。

竞争格局：亚马逊和谷歌已领先一步

在超大规模云厂商的自研芯片版图上，微软其实是追赶者，而非先行者。

谷歌TPU已发展至第七代Ironwood，不仅内部使用，还在Google Cloud上以每芯片小时12美元对外开放租用。亚马逊Trainium2芯片同样在AWS上供外部客户使用，且针对训练和推理工作负载均已形成商业化路径。微软的Maia系列至今仅用于自身内部服务，不向Azure客户开放。

这一策略差异的含义是双重的：一方面，微软可以更专注地针对自身推理工作负载优化芯片设计，无需兼容外部客户的多样化需求；另一方面，它放弃了将自研芯片算力作为云产品向客户销售的收入来源。企业级Azure客户目前仍然购买英伟达GPU实例，微软从硬件层面的成本节省无法直接传导至客户侧的定价竞争力。

微软自己也承认将维持"异构算力舰队"——Maia 300与英伟达及AMD的GPU并行使用，而非替代关系。这意味着英伟达短期内并未失去微软这个主要买家。

真正确定的赢家：台积电

在这场芯片竞赛中，有一个各方押注者共同确认的受益方：台积电。

Maia 300的计算芯粒采用台积电N2P工艺制造。英伟达Blackwell Ultra同样依赖台积电。谷歌Ironwood、亚马逊Trainium的代工路径也在台积电体系内。无论微软最终用自研芯片替换多少英伟达GPU份额，高端AI加速器的晶圆需求都将流向台积电。超大规模云厂商之间的芯片竞争本质上是一场台积电的产能争夺战。微软每年超过30万片N2P晶圆的需求本身，就是对台积电旗舰工艺产能的直接锁定。

集群规模：12000颗加速器的意义

Maia 300支持最大12000颗加速器的集群规模，双向扩展互连带宽达3.2TB/s，采用基于以太网的双层网络架构——这是一个刻意的设计选择。以太网而非专有互连，意味着微软可以复用大量现有网络基础设施，降低集群扩展成本，但在超低延迟的分布式训练场景下灵活性有所取舍。

12000颗的集群上限意味着单次推理任务可以调用约3.3PB的HBM4内存，对于运行超大规模上下文窗口的推理任务（如长文档分析、多轮代理任务）具有实质意义。Maia 300的设计哲学正在于此：不与英伟达比拼训练算力的暴力，而是在推理阶段的内存容量和带宽效率上建立差异化。

判断：一张有实力但时间窗口有限的牌

Maia 300在技术规格上是认真的——18TB/s的HBM4带宽在当前已披露规格的推理芯片中居前，多芯粒+N2P的工艺路线符合业界主流方向，96颗/机架的密度设计体现出系统级工程的严肃程度。

但有几个事实需要同时摆在桌上：第一，2027年的部署时间线意味着这颗芯片在2026年财报上不会留下痕迹；第二，40%效率提升的对比基准未披露，在外部验证之前只是承诺；第三，Maia系列目前不对外租用，微软在自研芯片商业化路径上落后于亚马逊和谷歌；第四，即便Maia 300如期部署，大规模折旧仍将持续拖累毛利率。

超大规模云厂商减少对英伟达依赖的方向是真实的，但"减少依赖"不等于"摆脱依赖"。更准确的描述是：微软在为高速增长的推理工作负载建立一条成本更可控的并行通道，同时保留英伟达作为训练和灵活部署的主力供应商。这是一种对冲，而非替代。