微軟擴大自研AI晶片，Copilot毛利率能被拉高多少？

 

微軟擴大自研AI晶片，Maia 300預計2027年投產

微軟(MSFT)今年10月12日發表第三代AI加速器Maia 300，計畫逐步提高自研晶片在AI運算中的使用量。Azure、Microsoft 365 Copilot與GitHub Copilot持續帶來算力需求，晶片供應、運算成本與資料中心耗電，已成為雲端服務獲利能力的重要變數。

微軟長期大量採用輝達(NVDA)GPU，現在進一步增加自研晶片配置。這套策略可以讓晶片設計更貼近內部軟體與資料中心架構，也能降低對單一供應體系的依賴。Maia承擔的是成本與供應多元化任務，現階段仍處於逐步擴大部署的階段。

 

Maia 300把機架密度與電力效率一起拉高

微軟在2023年推出Maia 100，今年1月再推出Maia 200。執行長Satya Nadella表示，Maia 200可以處理OpenAI模型，每美元效能較前一代硬體提高30%，代表公司已開始用單位成本衡量自研晶片成果。

預計2027年投入生產的Maia 300，規劃每個資料中心機架配置96顆晶片，數量為Maia 200的兩倍。微軟指出，Maia 300每個機架可處理的AI Token數量，最高可達傳統GPU架構的七倍；每百萬瓦處理量提高40%。

這兩項數據分別對應空間與電力限制。機架處理量提高，可以減少相同工作負載所需的設備規模；每瓦產出增加，則能壓低AI服務的能源與散熱成本。若Maia 300順利導入Microsoft 365 Copilot，使用者端也可能感受到更快的回應速度。

 

自研晶片開始影響Azure與Copilot的毛利結構

微軟財務長Amy Hood指出，過去十年採用自研晶片的策略，已協助公司提升整體毛利率。AI服務大量消耗運算資源，Copilot訂閱收入能否轉成足夠的營業利益，很大程度取決於每次推論的晶片、電力與資料中心成本。

因此，Maia系列的財務意義會落在單位運算經濟。**每美元效能提高30%**與每百萬瓦處理量增加40%，都指向更低的Token處理成本。這也說明大型雲端業者為何持續投入客製化晶片：軟體收入持續增加時，底層硬體效率會直接影響毛利率。

目前數據主要來自微軟公布的架構與效能比較。實際成本優勢仍要看量產良率、部署速度、軟體相容性，以及Maia晶片承接多少AI工作負載。

 

輝達與超微仍掌握高階模型訓練需求

Evercore ISI估計，到2027年第一季，Maia系列約占微軟AI晶片支出的10%。這個比例顯示，自研晶片短期內較像特定工作負載的補充方案，輝達與超微(AMD)仍會是微軟AI基礎建設的重要供應商。

微軟管理層也表示，高階AI模型訓練將持續與輝達及超微合作。公司近期甚至推出搭載輝達處理器的Surface筆電，顯示雙方合作範圍仍涵蓋雲端資料中心與終端裝置。

訓練與推論可能採取不同晶片組合。高階訓練需要成熟的軟體生態、網路互連與大規模叢集能力，輝達在這些環節仍具優勢；內部推論服務較容易依照固定模型與軟體流程，導入高度客製化的Maia架構。

 

Maia目前服務微軟內部生態系

Google(GOOGL)會將TPU提供給外部企業租用，亞馬遜(AMZN)也開放Inferentia與Trainium，讓雲端客戶按使用時間付費。微軟目前將Maia加速器集中供應Azure內部系統、Copilot及相關服務，尚未開放外部企業測試或租用。

Moor Insights and Strategy執行長Patrick Moorhead指出，外部公司目前仍無法直接使用微軟自研AI晶片。這項策略限制了Maia短期內成為獨立雲端產品的營收機會，卻也讓微軟可以優先針對自家模型與軟體堆疊進行最佳化。

接下來可追蹤三項進度：Maia 300能否按期於2027年量產、AI晶片支出占比是否高於Evercore估計的10%，以及Copilot單位運算成本是否持續下降。自研晶片的成果最終會反映在部署規模、服務速度與毛利率。