微軟(MSFT)把AI算力轉向自研晶片，能替Azure省下多少成本？

 

微軟把算力重心往自研晶片推進

微軟(MSFT)開始把更多AI運算量交給自家晶片。週一亮相的第三代Maia加速器，代表這家雲端巨頭在AI基礎設施上的配置方向出現明顯變化。對我來看，這條線索的重點在於成本、供應與控制權同時往內收，執行難度也同步上升。

Amy Hood在華爾街投資機構會議上提到，過去十年自研晶片策略已經幫公司提升整體毛利率。這句話很關鍵，因為它把微軟的晶片布局從「技術展示」拉回到「財務回報」。Azure、Microsoft 365 Copilot、GitHub Copilot都在推升AI算力需求，微軟需要一個能直接對應內部服務的供應架構。

 

Maia 300把機架密度和能效拉高

微軟回顧晶片路線時，先從2023年的Maia 100、今年一月主推的Maia 200一路推進到Maia 300。執行長納德拉提到，Maia 200處理OpenAI模型時，每美元效能比前一代硬體高出30%。最新的Maia 300預計在2027年投入生產，微軟規劃每個資料中心機架配置96顆，數量是Maia 200的兩倍。

更值得注意的是效能提升幅度。微軟表示，Maia 300相較傳統GPU，每個機架可處理的AI Token數量最高可達七倍，每百萬瓦處理量也提高40%。這組數字說明公司在看的，不只是單顆晶片速度，而是整個資料中心的吞吐量、電力效率與單位成本結構。對Copilot這類高頻服務來說，這會直接影響營運成本與回應速度。

 

輝達與超微仍守住訓練主戰場

微軟把自研晶片用得更深，卻沒有退出外部供應商生態。Evercore ISI分析師預估，到2027年第一季，Maia系列只會佔微軟AI晶片支出的約10%。微軟高層也明講，輝達(NVDA)與超微(AMD)仍是關鍵合作夥伴，尤其在高階AI模型訓練上，雙方仍會維持緊密合作。公司近期也宣布推出搭載輝達處理器的Surface筆電，這也反映出微軟在終端與雲端兩端都還保留外部晶片的角色。

這種配置很像雲端業者常見的分工：自研晶片先處理可控、可標準化、可大規模重複的內部工作負載，外部高階GPU則留給最吃算力、變化最大的訓練場景。這裡的關鍵，不在於哪一家供應商被替代得最徹底，而在於微軟把哪些工作負載先搬回自己手上。

 

微軟的自研晶片目前只服務內部生態

和Google(GOOGL)的張量處理器、亞馬遜(AMZN)的Inferentia與Trainium不同，微軟目前沒有把AI加速器開放給外部企業按小時租用。Patrick Moorhead指出，微軟的自研晶片尚未提供給外部公司測試與使用。這代表Maia系列的第一階段用途很清楚：先滿足微軟自己的Azure與內部AI服務需求，優先解決供應、成本與效能配置問題。

這個差異很重要。Google與亞馬遜把自研晶片做成雲端商品，微軟先把它當成內部基礎設施工具。兩條路徑都成立，但市場會看到不同的財務效果與成長曲線。微軟現在釋放出的訊號，是AI基礎設施投入進入第二階段，重點從擴張算力供給，轉向提高每一瓦、每一機架的使用效率。後續要觀察的，會是Maia 300量產時程、機架部署速度，以及這套架構在Azure與Copilot工作負載中的實際滲透率。