云厂商自研芯片这条路走了多年，微软这次把规格摊到了台面上。
10月12日，微软正式发布第三代AI加速器Maia 300。规格方面：基于台积电N2P制程工艺打造，配备288GB HBM4内存，内存带宽达到18TB/s，FP4算力可达13.8 PFLOPS。按公开信息，这款芯片将用于内部模型推理，计划2027年开始向生产AI工作负载铺开，并启动多吉瓦规模的部署。
先解释这几个参数各意味着什么。HBM4是高带宽存储的下一代标准，288GB的容量决定了单卡能装下多大的模型——对动辄数百GB的大模型推理来说，容量直接决定是否需要跨卡切分。18TB/s的带宽则决定了数据从存储搬到计算单元的速率，而这恰恰是大模型推理最容易被卡住的环节：推理是典型的访存密集型负载，算得快不如喂得快。FP4是一种低精度数值格式，13.8 PFLOPS的算力数字建立在它之上，意味着芯片在设计之初就锚定了推理场景而非训练场景——推理对数值精度的容忍度更高，用低精度换吞吐是当前的主流做法。
战略含义大于性能本身。微软是全球最大的云服务提供商之一，Azure上跑的AI推理负载规模巨大。长期完全依赖外部GPU供应，意味着两件事都不在自己手里：一是成本结构，芯片价格与供货节奏由供应商决定；二是交付节奏，紧缺周期里拿不到卡就扩不了容。自研芯片即使只在内部负载中替代一部分，也能显著改善议价位置——这正是「降低对英伟达GPU依赖」这一表述的实质。
第三代这个位置也值得说明。自研芯片是典型的长期投入：第一代验证可行性，第二代解决工程化，第三代才开始谈规模。Maia 300走到288GB HBM4与18TB/s带宽这一档，说明前两代踩过的坑已经被消化，设计目标从「能用」转向「在特定负载上比通用方案更划算」。
把视角拉高看行业格局。近两年云厂商自研算力已成全球性趋势：谷歌有TPU，亚马逊有Trainium与Inferentia，微软有Maia。三家的共同路径都是先在内部负载上验证，再逐步对外开放。这条路径的经济学不复杂——云的毛利直接受算力成本影响，哪怕自研芯片只覆盖一部分负载、只在特定场景上更优，省下的钱也是净利。
需要标注的不确定性有三点。其一，从发布到2027年多吉瓦规模部署之间还有一整年，实际落地规模、良率与单位成本都有变数。其二，13.8 PFLOPS是FP4精度下的峰值算力，实际负载中的有效算力通常远低于峰值。其三，微软尚未公布这款芯片的单位成本与对标产品的效率比较，「降低依赖」的战略意图明确，但经济效益的具体幅度有待披露。
接下来值得观察的是：2027年首批生产负载的部署规模与实测效率，以及微软是否会把Maia 300开放给Azure外部客户。前者决定自研路线能否兑现成本承诺，后者决定微软是否要从「自给自足」走向「对外供货」——那将是与芯片供应商关系的实质性转折。