微软Maia 300正式发布，288GB HBM4直指英伟达

近日，微软在2026年OCP全球峰会上正式发布第三代自研AI芯片Maia 300，并宣布从2027年起将其作为微软产品和服务的主要AI推理系统。

Maia 300基于台积电N2P制程工艺打造，采用多芯粒架构，配备288GB HBM4内存，内存带宽达18TB/s，FP4精度下算力为13.8 PFLOPS，SoC额定功耗950W。

微软Azure硬件系统与基础设施总裁拉尼·博卡尔表示，这款芯片的目标是让每一瓦电力、每一美元成本和每一字节内存都产出更多有效算力。

从Maia 100到Maia 300，两代芯片的跨越

微软自研AI芯片的起点是2023年发布的Maia 100，当时主要面向Azure云内部的AI推理任务，定位是验证自研路线是否可行。Maia 100采用台积电5nm工艺，封装了HBM2E内存，算力和带宽在同期产品中并不突出，微软也没有将其大规模推向市场。

Maia 300与Maia 100之间的差异，不只是规格上的升级。架构层面，Maia 300采用了多芯粒设计，由主计算芯粒、2个IO芯粒、4个内存芯粒和8组HBM4堆栈组成，主计算芯粒使用台积电N2P工艺。微软将计算功能拆分为多个芯粒，可以适应不同制程和产能条件，同时在芯片面积和良率之间取得平衡。

内存系统的升级幅度同样显著。Maia 300搭载8组36GB HBM4模块，总容量288GB，带宽18TB/s，是上一代Maia 200的2.5倍。相比之下，英伟达当前旗舰推理产品GB300的单GPU配备288GB HBM3E，Maia 300在内存容量上与GB300持平。

单机架96颗芯片，系统级效率比GPU方案高40%

Maia 300的竞争力不只体现在单芯片规格上。在系统层面，微软披露的机架级配置为单机架部署96颗Maia 300加速器，整机功耗约167千瓦，HBM总容量27.6TB，聚合带宽1.7PB/s。相比之下，英伟达GB300 NVL72机架包含72个GPU，功耗约142千瓦。

微软表示，Maia 300每兆瓦电力所能完成的有效计算量，比领先的GPU系统高出约40%，但未指明具体对比系统。这一能效优势的来源，除了芯片本身的架构优化，还与微软对整个机架级系统的调度管理有关。博卡尔强调，Maia 300的设计从一开始就把供电、散热和互联纳入统一考量，而不是先做芯片再考虑系统集成。

系统级设计的好处，在AI数据中心功率密度持续攀升的背景下更加明显。当单机架功耗从几十千瓦向一百多千瓦甚至更高演进时，供电和散热正在成为制约算力部署的瓶颈。微软在发布Maia 300的同一天，还宣布了与纳微半导体合作开发800V转12V电源转换板，这正是系统级思路在供电环节的延伸。

降低对英伟达依赖，微软的算力自主路径

微软发布Maia 300的时机，恰逢全球云服务商加速推进自研AI芯片。谷歌的TPU系列已经迭代到第七代，亚马逊的Trainium和Inferentia芯片也在持续更新。这些厂商的共同想法是，随着AI推理需求的规模不断扩大，通用GPU在成本和供应链上的局限性日益突出，自研芯片可以在特定工作负载上实现更优的性价比。

微软此前已表示将持续加大AI基础设施投入。如果Maia 300能够按计划投入部署，将在微软内部AI推理任务中替代相当一部分英伟达GPU。微软此前已在部分AI服务中使用Maia系列芯片运行自研模型以及通过Azure云服务提供的OpenAI模型，Maia 300的加入将扩大这一比例。

不过，从发布到大规模部署之间仍有距离。Maia 300的部署计划从2027年开始，届时英伟达的下一代GPU平台也将进入市场。微软能否在芯片迭代节奏上跟上英伟达的更新速度，是决定自研芯片战略能否持续的关键因素。

AI推理芯片的竞争，正在从单芯片转向系统级

Maia 300的发布反映出AI芯片竞争的一个变化，衡量一款芯片的标准，正在从算力和带宽参数，转向系统级的能效和部署密度。

英伟达在OCP峰会上开放了Vera Rubin机柜和计算托盘的设计，目的就是让第三方厂商围绕其平台开发配套的供电、散热和网络产品。微软则选择从芯片到机架自研到底，通过垂直整合来优化整个系统的效率。两种路径各有优劣：英伟达的开放生态可以吸引更多合作伙伴，加速产品普及；微软的垂直整合可以在自身业务场景中实现更精细的优化，但需要承担更高的研发投入和更长的迭代周期。

Maia 300的288GB HBM4和18TB/s带宽，在参数上已经不输同期GPU产品。这款芯片在实际推理工作负载中的表现，以及到2027年部署时相对于英伟达下一代产品的竞争力，仍有待验证。