微软Maia 200投入规模化生产,开始运行自家最大模型

来源:半导纵横发布时间:2026-11-18 15:26
微软
芯片设计
生成海报
从今年1月首次亮相到批量部署,用时不到一年。

近日,微软在Ignite 2026大会上宣布,旗下第二代自研人工智能加速器Maia 200已正式进入规模化生产,并开始在自有数据中心运行微软规模最大的前沿AI大模型。从今年1月首次亮相到批量部署,这款芯片用了不到一年时间,云厂商自研算力的节奏明显在加快。

按照微软公布的规格,Maia 200采用台积电3纳米工艺,单颗芯片集成超过1400亿颗晶体管,裸片面积接近光刻极限的26毫米乘33毫米,并通过CoWoS-S先进封装把HBM与计算裸片集成在同一块硅中介层上。整颗芯片在FP4精度下算力超过10 petaFLOPS(10145 TFLOPS),FP8精度下为5072 TFLOPS,BF16精度下为1268 TFLOPS,片上SRAM容量272MB,外挂6颗HBM3e提供216GB容量与7TB/s带宽,SoC热设计功耗750瓦。

相比单纯堆高算力,Maia 200的设计重心更多放在数据搬运上。微软把这套架构称为软件定义的数据流架构,芯片内部把高带宽数据网络与独立控制网络在物理上分开,专用DMA引擎、片上SRAM与定制NoC共同服务于张量计算单元,以尽量减少数据在存储层级之间的往返。微软的说法是,大模型推理的瓶颈已经不只是FLOPS,能不能把权重和KV缓存及时喂给计算单元,才是决定Token吞吐的关键。

在系统层面,Maia 200没有沿用专有互联,它的扩展基础是以太网。单颗芯片集成28个400Gbps网络控制器,双向总带宽1.4TB/s,单卡对外提供2.8TB/s的双向扩展带宽。每个托盘内的4颗加速器以直连方式两两互通,机架内与跨机架沿用同一套自研传输协议,单个集群可以扩展到6144颗芯片。按微软技术论文给出的数字,这样一个集群的FP4算力可达62exaflops,聚合内存43PB,以太网带宽8.6PB/s。

性能对比方面,微软给出的说法是,在Teams、Copilot以及Cowork等内置AI功能上,Maia 200每瓦Token处理量比现有的领先GPU基础设施高出至多1.7倍,与机队中最新一代硬件相比,每美元性能提升30%。技术论文披露的内部数据则显示,得益于软硬件协同设计,Maia 200相比微软现役其他AI加速器可节省约30%的总拥有成本、15%的能耗,而且没有过度针对单一问题做过拟合。

部署节奏上,Maia200已经落地美国、欧洲和澳大利亚的数据中心,承接Microsoft Copilot等生产级负载,并支撑MAI团队开发下一代模型,GitHub Copilot和Microsoft Foundry将在今年年底前接入。运行在这些芯片上的模型既有OpenAI的GPT-5.2,也有微软自研的MAI系列以及主流开源模型家族。为了降低迁移门槛,微软同步开放了Maia SDK预览,其中包含PyTorch集成、Triton编译器与优化算子库,以及面向底层编程的NPL语言和成本模拟器。

更值得关注的是路线图的公开程度。微软同时确认,第三代Maia 300将于2027年进入量产部署,并从2027年起把Azure Maia系统扩展到多吉瓦级规模,让Maia成为微软产品与服务的主要推理平台。Maia 300改用多芯粒架构,计算芯粒基于台积电N2P工艺,配8颗HBM4提供288GB容量与18TB/s带宽,热设计功耗950瓦。一个机架集成96颗加速器,功耗167千瓦,聚合HBM容量27.6TB、带宽1.7PB/s。微软预计其每兆瓦Token产出比领先GPU系统高40%,在96颗满配下机架级Token吞吐可达Maia 200的7倍。

放到竞争格局里看,这款芯片的参照系相当明确。微软在发布材料中直接对标亚马逊第三代Trainium和谷歌第七代TPU,FP4性能约为后者的三倍,FP8性能则高于TPU v7。三家超大规模云厂商在同一时间窗口内把自研加速器推到量产和前沿大模型实际运行阶段,意味着AI算力的供给结构正在从单一采购GPU,转向GPU与自研ASIC并存的混合形态。

质疑同样存在。有从业者指出,每瓦Token这一指标缺乏统一口径,Token的定义与算力之间没有稳定换算关系,按瓦计量的效率指标容易奖励输出更啰嗦的模型。也有观点追问40%的提升是在多长上下文下测得,在长上下文与多步智能体场景里,真正的约束往往是内存而不是算力。微软在两份材料中的表述也不完全一致,工程博客用的是预期,高管个人发布则用了实现。此外,目前公开的负载全部是微软自有业务,官方并没有说明客户能否直接订购Maia算力。

对上游供应链而言,Maia 200的意义在于把3纳米产能、HBM3e供给和先进封装需求进一步纳入云厂商的自研周期。随着2027年多吉瓦级部署铺开,云厂商对HBM4与N2P产能的预订会更早、更集中,存储与代工的议价结构也会随之变化。微软在技术论文中提到,Maia 200从首批封装样片到跑起真实模型只用了几天,从首次流片到首个机架部署的时间比同类项目缩短了一半以上,这种端到端的节奏本身就是供应商需要适应的新变量。

本文转自媒体报道或网络平台,系作者个人立场或观点。我方转载仅为分享,不代表我方赞成或认同。若来源标注错误或侵犯了您的合法权益,请及时联系客服,我们作为中立的平台服务者将及时更正、删除或依法处理。

评论
暂无用户评论