微軟自研晶片瞄準多GW部署，輝達GPU需求會被分走多少？

 

Maia 300把微軟自研晶片推向多GW部署

微軟(MSFT)正把第三代Maia 300加速器納入Azure長期算力規畫，預計2027年開始量產，部署目標達到多GW等級。這個規模已經超出產品測試範圍，將直接影響資料中心資本支出、電力配置與AI服務的成本結構。

微軟自2023年推出Maia 100，2024年再發表Maia 200。執行長Satya Nadella表示，Maia 200在公司既有硬體環境中的每美元效能可提高約30%，並已承接部分OpenAI模型工作負載。Maia 300則把自研晶片從內部試用推向更大規模的正式部署。

每個Maia 300機架預計配置96顆晶片，數量是Maia 200的兩倍。微軟技術主管Jim Kleewein指出，單一機架可處理的AI tokens最高可達前代七倍；以每MW功率計算，相較GPU可多處理約40%的tokens。每MW可處理更多tokens，代表相同電力能支撐更多推論需求。

 

電力效率直接連到Azure的長期毛利

AI資料中心的限制逐漸從晶片供應延伸到電力、散熱與機房容量。當新增供電需要多年建設，每MW能產出多少tokens，便會成為雲端業者的財務指標。晶片效能、電力成本與Azure毛利率開始形成直接連動。

微軟財務長Amy Hood曾表示，自家晶片有助於推動十年期的利潤率改善。Maia計畫因此同時承擔兩項任務：降低高階加速器採購成本，並提高既有資料中心的算力產出。自研晶片開始服務毛利策略，而且時間尺度拉到十年。

Microsoft 365 Copilot、GitHub Copilot及微軟內部模型，將逐步導入Maia 300。企業客戶仍透過原有軟體與雲端介面使用服務，後端則由微軟調整晶片組合。這種模式可降低客戶移轉成本，也讓微軟掌握更多工作負載配置權。

若Maia能穩定承接標準化程度較高的推論工作，微軟便可把稀缺GPU留給大型訓練、複雜模型及高度客製化需求。CPU、GPU與ASIC的比例也會隨工作負載分工持續調整。

 

輝達GPU仍承擔高階訓練與通用需求

輝達(NVDA)在微軟AI基礎建設中仍占有重要位置。Azure的一般用途運算大量採用Intel(INTC)與AMD(AMD)的CPU，高階模型訓練則持續使用輝達與AMD的GPU。Maia目前主要承接部分推論與內部模型，適用範圍仍有清楚邊界。

微軟主管Alistair Speirs表示，公司會依模型特性與部署時間選擇晶片架構。這項策略保留供應彈性，也降低單一供應商帶來的交期與成本風險。多架構配置將成為Azure常態，GPU與自研ASIC會在不同工作負載中並存。

Evercore ISI預估，到2027年第一季，Maia約占微軟整體AI晶片投資10%。這個比例顯示自研晶片已進入資本配置，但短期供應鏈變化仍偏漸進。輝達的軟體生態、開發工具與訓練效能，仍需要更長時間才能由其他架構分擔。

對輝達而言，雲端客戶自製晶片會影響部分推論需求與議價關係。AI總算力需求仍在擴張，只要大型模型訓練、代理式AI與企業推論持續增加，多種加速器可同時成長。影響幅度將取決於自研ASIC滲透速度，以及新增需求能否吸收被替代的GPU工作負載。

 

雲端業者用自研晶片處理成本與供給壓力

Google已經部署TPU，Amazon(AMZN)持續擴大Trainium與Inferentia，Meta(META)也在發展內部AI晶片。大型雲端與平台公司擁有龐大且重複性高的工作負載，足以攤提晶片設計、軟體工具及部署成本。

自研晶片也提高雲端業者與外部供應商談判時的選擇權。當內部ASIC可以承接部分需求，採購決策便能同時考量效能、價格、供應與耗電。客戶端則可能看到更多混合晶片方案，由雲端平台在後端安排最合適的硬體。

這種變化會讓AI算力市場形成更細緻的分工。輝達繼續提供高效能GPU與成熟軟體生態，AMD爭取第二供應商與開放平台需求，各家雲端業者則用ASIC優化自身服務。AI晶片市場正走向多供應商配置，單一公司的市占變化需要與整體算力支出一起評估。

 

Maia仍缺少外部客戶的大規模實測

Maia現階段主要服務微軟內部工作負載，尚未像一般Azure運算資源一樣開放客戶按小時租用。外部開發者也缺少大規模效能、穩定度與軟體相容性測試。Moor Insights and Strategy執行長Patrick Moorhead指出，微軟以外的使用者尚未廣泛測試這些晶片。

封閉式部署有利於微軟控制軟硬體環境，對外部生態擴張則形成限制。大型企業與AI新創若需要高度客製化、成熟開發工具或跨雲部署，短期仍會採用GPU方案。Maia若遇到良率、軟體工具或系統整合瓶頸，也可能影響Azure服務效率。

後續可追蹤三組證據：2027年量產與多GW部署進度、Maia承接工作負載的比例，以及每MW tokens優勢能否反映在Azure毛利率。外部可用性將決定生態上限，內部效率則決定微軟能否把自研晶片轉成財務成果。

微軟與輝達的關係將持續包含採購、競爭與合作。AI基礎建設也會由單一GPU主導，逐步發展成CPU、GPU與ASIC共同運作的系統。市場接下來評估的焦點，會落在成本優勢、技術控制與軟體生態能否同時擴張。