Microsoft Maia 300. Własny chip AI ma zastąpić część GPU

Co Microsoft ogłosił 12 października

Zapowiedź opublikował Scott Guthrie, wiceprezes wykonawczy Microsoftu odpowiedzialny za chmurę i AI. Firma chce rozbudować rodzinę Azure Maia do wdrożeń o mocy wielu gigawatów od 2027 roku. Maia ma stać się podstawowym systemem inferencji dla produktów i usług Microsoftu. Dotąd uzupełniała karty graficzne NVIDIA i AMD, z których firma nadal korzysta na dużą skalę.

Równolegle zespół Azure Hardware Systems and Infrastructure opisał architekturę chipu w osobnym wpisie technicznym. Autorami są Rani Borkar i Saurabh Dighe. Więcej szczegółów o strategii Microsoft zapowiada na konferencji Ignite 2026 w listopadzie.

Parametry Maia 300 i porównanie z Maia 200

Maia 300 to układ wielochipletowy, w którym część obliczeniowa jest oddzielona od kontrolerów pamięci i wejścia-wyjścia. Chip obsługuje rozszerzony format MXFP4 oraz formaty przechowywania danych poniżej 3 bitów, co zmniejsza ilość pamięci potrzebnej na wagi modelu. Microsoft podkreśla, że projekt jest nastawiony na długi kontekst i fazę dekodowania, czyli generowania kolejnych tokenów odpowiedzi.

Tabela zestawia dane podane przez Microsoft. Firma nie ujawniła wydajności w operacjach FP4 ani FP8, liczby tranzystorów ani pojemności pamięci SRAM.

• Pamięć: 8 stosów HBM4, 288 GB i 18 TB/s na akcelerator, o 33 proc. więcej pojemności i 2,5 raza większa przepustowość niż w Maia 200.
• Zasilanie: TDP 950 W na chip, do 2,5 raza lepsza wydajność na wat niż Maia 200.
• Szafa: 96 akceleratorów, 167 kW, 27,6 TB pamięci HBM i 1,7 PB/s łącznej przepustowości.
• Sieć: własny transport oparty na Ethernecie, do 750 GB/s do dowolnego innego akceleratora w superpodzie.
• Skala: do 128 szaf w superpodzie, czyli do 12 288 akceleratorów.
• Przepustowość: do 7 razy więcej tokenów w pełnej szafie niż Maia 200.

Do czego Microsoft użyje nowego chipu

Maia 200 działa już produkcyjnie i według Microsoftu uruchamia modele OpenAI, własne modele MAI oraz popularne rodziny modeli open source. Obsługuje Microsoft Copilot, a funkcje AI w Teams, Copilot i Cowork mają na niej uzyskiwać do 1,7 raza więcej tokenów na wat niż na wiodącej infrastrukturze GPU. Do końca 2026 roku na Maia 200 mają przejść GitHub Copilot i Microsoft Foundry.

Maia 300 ma obsługiwać agentowe programowanie w GitHubie, udostępnianie modeli w Microsoft Foundry, inferencję i generowanie danych dla zespołu MAI oraz usługi wrażliwe na opóźnienia, takie jak Dragon Copilot dla ochrony zdrowia. To kontynuacja kierunku opisywanego przy okazji modelu MAI-Base-2, czyli budowy własnego stosu od chipu po model.

Dlaczego hiperskalerzy budują własne chipy

Koszt inferencji rośnie szybciej niż koszt trenowania, bo każdy użytkownik Copilota czy agenta programistycznego generuje tokeny przez cały dzień. Własny chip pozwala dostroić sprzęt do konkretnych modeli i ograniczyć zależność od dostaw kart NVIDIA. Podobną drogę wybrały Google z układami TPU i Amazon z Trainium, o czym pisaliśmy przy okazji TorchTPU i TorchNeuron dla Trainium.

Różnica polega na dostępie. Google i Amazon wynajmują swoje układy klientom chmury, a według Data Center Knowledge Microsoft nie udostępnia Maia jako instancji Azure i nie powiedział, czy to się zmieni. Matt Kimball z Moor Insights & Strategy ocenia, że Maia 100 była dowodem koncepcji, a w Maia 300 Microsoft po raz pierwszy postawił na dużą skalę.

Ograniczenia i niewiadome

Najważniejsze liczby to deklaracje producenta. Przewaga 40 proc. tokenów na megawat nie ma wskazanego punktu odniesienia, a niezależne testy nie są możliwe, bo chip nie trafia do klientów. Microsoft nie podał też, ile układów zamówił, w których regionach stanie Maia 300 i jaką część mocy obliczeniowej przejmie od GPU.

Harmonogram jest odległy. Maia 300 ma wejść do produkcyjnych centrów danych w 2027 roku, a w tym czasie konkurenci pokażą kolejne generacje, m.in. systemy NVIDIA Vera Rubin, które już trafiają do chmur takich jak CoreWeave.

Co to oznacza dla firm w Polsce

Polskie firmy nie kupią ani nie wynajmą Maia 300 bezpośrednio. Odczują ją pośrednio, jeśli korzystają z Microsoft 365 Copilot, GitHub Copilot albo modeli w Microsoft Foundry. Niższy koszt tokena po stronie Microsoftu może przełożyć się na większe limity lub stabilne ceny, ale firma niczego takiego nie zadeklarowała.

Microsoft wymienia Europę wśród lokalizacji Maia 200, bez podziału na kraje. Nie wiadomo, czy region Poland Central w okolicach Warszawy dostanie te układy. Dla działów IT praktyczny wniosek jest prosty. Przy ocenie kosztów AI warto patrzeć na cenę zadania i limity w usłudze, a nie na to, na jakim sprzęcie działa model, co opisujemy w tekście o koszcie zadania zamiast ceny tokenów.