微软 Maia 300 以 2.5 倍内存带宽优势换取算力，迈向谷歌式垂直整合之路，或成刺破英伟达泡沫的关键
2024年，微软曾告知欧盟委员会，谷歌是唯一在 AI 每一层都实现垂直整合的公司，涵盖从芯片到移动应用商店的全栈布局；而其他所有公司“都必须依赖合作伙伴关系才能实现创新和竞争”。
如今，微软计划走上一条类似的路径，且看起来毫无费力之感。
在微软官方博客的一篇推文中，云与 AI 执行副总裁 Scott Guthrie 表示，微软将从 2027 年开始将 Azure Maia 加速器扩展至多吉瓦级部署，并将 Maia 打造为微软产品和推理服务的主力系统。
Latest Videos FromTechRadar在此观看完整视频：其载具正是Maia 300。Azure 硬件系统与基础设施总裁 Rani Borkar 和系统规划与架构企业副总裁 Saurabh Dighe 在一篇架构深度解析中详细介绍了该芯片。
取法谷歌：不再盲目扩充算力，而是优化数据供给
这一举动可谓向英伟达最大客户之一发出的明确信号，且恰逢泡沫担忧之声愈演愈烈。Gartner 本周预测称，2026 年仅基础设施一项，AI 提供商的支出就接近 1 万亿美元，而 AI 收入至少要到 2032 年才能实现盈利覆盖建设成本。
若 AI 硬件的最大买家停止为自身核心业务支付英伟达的巨额利润，这座宏大建筑中估值最高的部分似乎开始显得岌岌可危。不过，Maia 300 是否足以成为推动这一转变的最终催化剂，仍难以定论。
Maia 300 从 Maia 200 的单die设计转向多 chiplet 封装：计算部分采用台积电 N2P 工艺，内存控制器和 I/O 功能则拆分到独立 die 上。根据 StorageReview 对微软规格表的分析，每颗加速器配备 8 组 HBM4，容量 288GB，带宽达 18TB/s；而 Maia 200 只有 216GB、7.1TB/s。
微软并非放弃了算力，而是把重心向内存倾斜。在 decode 阶段——也就是逐 token 生成的环节，恰恰是长推理链和 agent 循环中最耗时的部分——加速器大部分时间都在等数据，而不是做运算。
Maia 300 试图弥合这一差距，做法是让数据尽量靠近使用它的计算单元：跨 chiplet 的非统一内存布局、由软件管理的片上 SRAM，以及更窄的数值格式——包括增强版 MXFP4 和低于 3 bit 的存储格式，并在硬件层面支持它们之间的转换。Maia 300 所宣告的，其实是整个行业早已心照不宣的事实：自研芯片不再是超大规模厂商的副业。
两年前被微软点名的 Google，其 CFO Anat Ashkenazi 在 Alphabet 的 7 月财报电话会上表示，公司已从第二季度开始，把交付到客户数据中心的 TPU 系统销售计入营收；CEO Sundar Pichai 也提到，其他客户“对 TPU 作为独立系统的需求非常强劲”。
微软并非唯一动作。Anthropic 已敲定 2027 年通过 Broadcom 采购 3.5GW TPU 算力，此前还签了一份最高可达百万片 TPU 的合同，Meta 在 2025 年也被曝正洽谈租赁加采购 TPU。Amazon 也在走类似路线。CEO Andy Jassy 在 2026 年 4 月表示，涵盖 Trainium、Graviton 和 Nitro 的亚马逊芯片业务年收入已超过 200 亿美元，跻身“全球前三数据中心芯片厂商”之列。OpenAI 则发布了自家 Jalapeño 加速器。
Nvidia 的利润空间：AI 圣杯？
从 Nvidia 自己的财报里就能看出这种动机。截至 2026 年 7 月的季度里，公司报告了 962 亿美元营收，其中 890 亿来自数据中心，毛利率达 75%。CFO Colette Kress 在财报电话会上说，超大规模云客户贡献了 490 亿美元收入。这意味着 Nvidia 数据中心业务超过一半营收，都来自一小撮买家，而这些买家如今很多都在自研加速器。
每多一个推理业务转用自研芯片，买家付的就是接近制造成本的价格，而不是 Nvidia 的利润。微软在 7 月告诉投资者，在 OpenAI 和 Microsoft 的模型上，Maia 200 的运行成本比 Nvidia 最新芯片低 40%。
不过，微软并未点名具体的"领先 GPU 基系统"，这一区分至关重要，因为 Nvidia 正通过 Vera Rubin 聚焦于效率提升，而 OpenAI 甚至 明确拒绝与其进行对比。 这次发布对股价影响不大；周一，Nvidia 股价在消息公布后收盘下跌 1.29%，而微软股价上涨 1.14%，微软对效率提升的模糊态度可能是原因之一。 另一个同样重要的原因是：据 CNBC 报道，Evercore ISI 分析师估计，到 2027 年第一季度，Maia 仅占微软 AI 芯片支出总额的 10% 左右，而 Nvidia 预计本季度营收将达到 1080 亿美元。 然而，规模无疑是一个持续的限制因素；在每机架 167 kW 的功耗下，一吉瓦的机架电力大约相当于 6000 个 Maia 300 机架，即约 575,000 个加速器，这尚未计入冷却和设施开销。 走 Google 路线并未阻止任何公司从 Nvidia 采购。拥有"前三"芯片业务的 Amazon，仍计划在 2028 年中之前 采购超过 300 万块 Nvidia GPU。 Alphabet 现在开始销售自研 TPU，在 7 月将其 2026 年资本支出指引上调至 1950 亿至 2050 亿美元之间，并将 Vera Rubin 与自家 TPU 并行列出，Ashkenazi 表示“仍处于供应受限环境”。 微软在训练环节继续依赖 Nvidia 和 AMD，Satya Nadella 在 2026 年初曾 表示：“尽管具备垂直整合的能力，并不意味着我们只会进行垂直整合。”黄仁勋在 Nvidia 八月的财报电话会上回答定制芯片相关提问时的一番话，简直像是在替 Maia 量身写的：“许多 XPU 只是为某个云或某项服务打造的专用推理芯片，而 NVIDIA 是一个平台。”微软的反向押注则略有不同：它自己的云已经足够大了。
“戳破泡沫论”更深层的困境在于：定制芯片改变的只是谁赚走这笔毛利，而不是总支出会减少。Gartner 警告说，行业在 2026 到 2030 年间需要约 8.5 万亿美元的收入，才能在这轮建设投资上获得合理回报，而 AI 预计最多只能带来 3.6 万亿美元。微软的反应不是少建，而是计划再建数十吉瓦级的算力——更便宜的 token 反而有助于缩小这个收入缺口，而不是扩大它。
微软省下的一部分钱也会流向供应链的其他环节。Maia 300 的卖点核心是 HBM4，与 Nvidia 的 Rubin 一样，同样是每封装 288GB，同样受产能限制；其计算晶片则来自 TSMC——一家给所有人供货的公司。
Google 的 TPU 是与 Broadcom 在长期协议下开发和供应的，后者的 CEO Hock Tan 表示“许多 AI 投资者根本不明白自己把钱投到了什么上面”，并预计芯片短缺要到 2028 年或 2029 年前后才会缓解。Nvidia 也没闲着——它已经斥资 200 亿美元获得 Groq 的 SRAM 解码技术授权，说明它同样察觉到了推理市场的威胁正在逼近。
在量产芯片出货、且有微软以外的人能实测数据之前，Maia 300 都只是一个论证精良的设计，其最关键的数字只有微软自己见过。同时它也提醒我们：对 Nvidia 毛利率最大的威胁，也许不是它的对手，而是它最好的客户。
