从谷歌TPU到微软Maia，AI推理纪元点燃ASIC算力扩张狂潮！微软百万颗自研AI芯片部署蓄势待发

智通财经APP获悉，美国大型科技巨头微软(MSFT.US)于美东时间周一重磅发布了新一代定制化AI计算芯片(即所谓的AI ASIC这一定制化AI芯片)，并表示计划到明年的部署数量可能超过100万颗的这类AI算力基建领域最核心芯片，为其内部的庞大AI算力资源服务提供支持。

据了解，这款名为“Maia 300”的微软独家自研AI ASIC芯片是微软第三代定制化AI芯片，旨在处理编写代码、代表用户执行复杂计算与代理操作相关业务任务等AI数据运算。其上一代自研AI ASIC系列产品已在运行微软内部开发的AI模型，以及通过微软Azure云计算服务生态系统所提供的OpenAI模型。

微软计划2027年启动多吉瓦部署，数量可能超过100万颗。其采用台积电2纳米计算芯粒与3纳米数据传输芯粒，每柜96颗、功率167千瓦;微软预计，相较未具名的领先GPU系统，每兆瓦Token产出提升40%。结合今年超过1750亿美元的资本开支计划，微软正在把推理成本控制深入到芯片、内存、数据中心内部高速光互连和整个AI机架系统层面。

关于仅限于“微软内部使用”，这里指代的是Maia 300主要用于微软自己独家部署、运营的AI云计算算力系统相关服务，但最终使用这些服务的，可以是外部企业客户和个人用户。微软计划将Maia发展为自家产品与服务的主要推理基础设施，覆盖Copilot、Teams，以及Foundry托管AI大模型服务等AI应用平台与AI云计算相关场景;“内部”强调的是微软内部自行运营底层计算系统，并不意味着仅供微软员工使用。

在摩根士丹利、Wedbush Securities等持续看好AI算力产业链投资前景的机构们看来，AI推理时代的近乎无止境最前沿算力与围绕AI智能体的算力需求，使AI ASIC能够在不摧毁GPU需求的情况下成长为第二个万亿级算力生态的重要组成部分——反而进一步强化了“AI半导体超级周期不是单一GPU周期，而是整个数据中心硅含量指数级提升周期”的AI算力产业链投资逻辑。

对于近年来屡创历史新高且踏入新一轮长期牛市轨迹的美股市场以及MSCI全球股市基准股票指数而言，全球投资者们近年来始终围绕“人工智能算力投资主题”的愈发狂热“AI信仰”扮演了牛市行情最核心同时也是最强大的看涨驱动力，可以说只要这股“AI信仰”浪潮继续火热且持续席卷全球股票市场，美股乃至全球股市牛市将继续上演无比强劲的牛市狂热曲线。近日席卷全球的Meta Muse与OpenAI Astra这两大最前沿AI智能体可谓是令全球聚焦于科技股的投资者们“AI信仰”愈发强化，而即将到来的财报季无疑将是对于这股前所未有信仰狂潮的大考或者说可能是无比强劲的积极催化剂。

近日风靡全球的Meta Muse AI智能体与“比肩AGI”的OpenAI Astra大模型/AI智能体带来的最核心变化，可谓是一次用户指令可以触发持续、多阶段的计算工作。一个研究、编程或办公任务，可能依次包含规划、检索、读取文档、调用工具、执行代码、检查结果和修正错误，其中多个步骤需要重新调用模型，复杂任务还可能采用并行探索与验证，而这类近乎无止境且愈发复杂的AI工作负载会把增长机会加速传导至GPU之外的完整聚焦AI推理负载的算力系统。

从AI推理系统架构角度看，Meta Muse主导的更复杂的AI任务往往包含更长上下文、多轮模型调用、工具执行与结果校验：预填充(Prefill)需要处理输入，解码(Decode)持续生成输出，键值缓存(KV Cache)则随上下文和并发规模扩大而占用更多内存，计算吞吐量、内存带宽与容量需要协同提升。因此，随着Meta Muse等前沿智能体进一步引爆AI算力需求，对于AI算力产业核心推论在于，GPU、TPU/AI ASIC核心AI计算芯片组件承接模型计算，高性能数据中心CPU承接工具执行与任务编排，HBM、服务器DRAM、存储和高性能网络基础设施、数据中心光互连器件共同支撑数据高效率运输与状态管理;最终需要由一整套完整且未来规模愈发庞大的AI算力服务器集群交付可持续运行的服务。

微软计划大规模部署自研AI芯片，着眼于降低成本+抢占AI时代推理经济制高点

微软这款新版自研AI ASIC芯片重磅问世之际，谷歌、亚马逊、阿里巴巴等等云计算竞争对手及OpenAI等AI大模型领军者公司正密集推出定制化AI ASIC芯片(谷歌TPU芯片即为最典型的云计算大厂们自研AI ASIC/XPU芯片技术路线)，旨在削弱英伟达(NVDA.US)主导的AI GPU算力集群技术路线对AI计算市场的彻底生态掌控。

据悉，根据内部声明，在芯片设计方面，微软选择了一条截然不同于英伟达的技术路线;英伟达的AI加速器采用一颗巨大的计算芯片，周围配置高带宽内存芯片。

微软Maia 300 AI芯片中的中央计算处理器部分由“芯粒”(即chiplets)所组成——通常是相互先进键合的专用芯片——其中承担关键计算功能的芯粒组件采用“芯片代工之王”——即全球芯片制造霸主台积电的独家2纳米先进制程与2.5D/3D先进封装技术。

该项芯片设计中的其他芯粒采用成本更低的台积电3纳米技术，用于将数据移出/移入处理器组件并传输至系统内部其他位置等功能。

Maia 300 AI加速处理器将安装在每柜容纳96颗芯片、功率约167千瓦的AI超级机架中;相比之下，英伟达最新的GB300 AI服务器机架配备72颗图形处理器(即AI GPU算力集群)，功率大约为142千瓦。

微软表示，相较于“领先的GPU算力系统”，Maia 300自研AI芯片每兆瓦电力能够完成的有效计算工作量将大幅提高约40%，但未披露用于比较的具体AI算力集群系统。

微软Azure硬件系统与基础设施总裁拉妮·博尔卡在接受媒体采访时表示：“其本质是通过对整个系统进行优化，让每一瓦电力、每一美元投入和每一字节内存都能带来更多智能。”

微软表示，计划从明年开始对Maia 300芯片进行“多吉瓦规模部署”。微软此前表示，预计本自然年的资本开支将超过1750亿美元。

微软发布第三代自研AI芯片Maia 300，计划2027年启动多吉瓦部署的布局正逢Muse智能体扩张、Astra推动前沿模型能力跃迁与AGI讨论升温。Meta在Maia 300发布的同日推出Muse Wonder系列，进一步强化复杂任务执行能力;Astra则已支撑OpenAI的常驻智能体。随着持续工作的基于代理式AI工作流的AI智能体数字劳动力大幅扩大模型调用，自研AI ASIC有望显著降低AI算力资源服务成本，TPU/AI ASIC与微软Maia可谓正在共同拓宽AI半导体增长版图。

3000亿美元超级蓝海——TPU/AI ASIC把强劲增长写进盈利模型

随着Muse引爆的全球AI智能体狂潮驱动的愈发扩张任务复杂度全面放大AI计算需求，TPU/AI ASIC这类系统专用化有望大幅压低单位推理成本。Maia系列自研AI ASIC将昂贵的2纳米工艺集中于关键计算模块、以3纳米承接数据传输，体现出的正是基于成本与性能的前沿系统取舍。

规划、检索、工具调用与校验，让一次指令触发多轮推理;长上下文提高预填充计算量，低延迟解码则更受权重读取、KV缓存与通信制约。对于能够持续优化、保持高利用率的工作负载，ASIC围绕低精度矩阵运算、片上缓存、HBM和互连协同设计，减少数据搬运与计算等待，并以海量调用摊薄研发投入。由此推演，降本有望使更多任务达到商业化门槛，再次扩大总AI推理端算力资源需求;数据中心高性能CPU、高性能网络基础设施、光互连系统与存储组件也随智能体执行链共同扩容。

对于模型结构相对稳定、调用量巨大且能够长期保持高利用率的成熟模型、开源模型与AI智能体工作负载，TPU等专用AI芯片(谷歌TPU即为最典型的云计算大厂们自研AI ASIC技术路线)可以围绕低精度矩阵计算、内存访问和芯片互连进行深度优化，从而改善单位Token成本、每瓦吞吐量与总体拥有成本;与此同时，谷歌TPU算力集群同样可以承担大规模训练任务，因此更准确的趋势是GPU与ASIC/TPU形成异构算力分工。

也就是说，AI训练算子进程以及那些架构最复杂、变化速率最快的前沿AI工作负载仍高度需要AI GPU集群——前沿模型预训练、强化学习和快速变化的新算子仍更依赖GPU的可编程性、CUDA生态与NVLink/NVSwitch集群能力，而围绕成熟与开源体系AI大模型、Copilot、AI Agent(即AI智能体)的大规模AI推理工作负载则越来越适合专用的自研AI芯片。具体来看，谷歌将第八代TPU分为训练型TPU 8t和推理型TPU 8i：8i通过更大的片上SRAM、288GB HBM和专用集合通信引擎优化KV Cache与低延迟推理，官方称其推理性价比较Ironwood提高最高80%。

知名市场调研机构Counterpoint研究报告显示，该机构预计，2027年AI服务器计算领域的AI ASIC出货量达到2024年的足足三倍，2028年突破1500万颗AI ASIC出货单位并超过数据中心GPU，指向定制计算加速普及。

华尔街大型投行之一的伯恩斯坦近期发布研报称，全球范围AI应用端对于谷歌TPU算力体系的强劲扩张态势，正在为联发科公司(MediaTek Inc)打开远超传统手机芯片业务的新增长空间。将联发科目标价从4380新台币大幅上调至5500新台币，维持“跑赢大盘”评级及其覆盖范围内的首选地位，核心依据是定制化AI计算加速器(TPU/AI ASIC/XPU)市场扩大、谷歌项目放量和经营杠杆提升。

伯恩斯坦分析师团队对于联发科2026—2028年ASIC收入预测分别为24亿美元、160亿美元和440亿美元。报告预计，ASIC占公司收入的比例将从2026年的11%升至2027年的43%、2028年的高达大约65%，对每股收益的贡献则分别达到15%、42%和68%。与此同时，伯恩斯坦将2028年全球数据中心XPU ASIC市场预测由1400亿—1600亿美元提高至2500亿—3000亿美元，2026年、2027年的预测分别为500亿—700亿美元和1300亿—1500亿美元。

这些最新预测意味着，股票市场投资者们对于全球SoC芯片设计领军者之一联发科的看涨投资逻辑将同时被行业扩容与该公司本身AI ASIC市场份额大幅提升所强化——报告预计其2028年份额可达约四分之一。

AI推理时代的Token经济学截然不同于AI训练工作负载，训练包含前向传播、反向传播、梯度同步与频繁变化的研究型算子，更看重通用性、软件成熟度和集群扩展能力;推理则可拆分为计算密集型的预填充(Prefill)和内存带宽、KV缓存及延迟敏感的解码。ASIC/XPU能够实现删除不必要的通用电路，针对FP8/FP4低精度矩阵运算、注意力机制、混合专家模型(MoE)、KV Cache和数据移动路径进行硬化，从而提升每瓦Token数量级、每美元Token数及服务等级协议(SLA)的确定性。

需要强调的是，AI智能体的模型调用模式虽然相比于GPU更加适合ASIC，但其规划、工具调用、检索增强生成(RAG)和状态管理仍需CPU、内存、网络与存储协同，因此智能体时代反而会进一步强化“异构计算体系”。

另一华尔街金融巨头美国银行近日发布研报称，看好微软股价的核心逻辑在于其有能力把握企业软件向AI交互入口迁移的价值重分配。当用户通过AI助手完成任务、不再直接打开各类应用时，传统软件厂商即使掌握数据与工作流，也可能面临客户触点弱化的长期压力;头部AI实验室进一步进入应用层，还将加剧竞争。微软则凭借Office、Teams、Outlook和Windows的广泛分发能力，以及Copilot布局，被美银视为有利于占据新入口的厂商。

从商业机制推演，微软的优势是能够将AI助手嵌入现有办公场景，让邮件、会议、文档与跨应用任务执行形成连续体验。这有望降低AI产品触达客户的增量成本，提高使用频率与付费价值，并帮助微软保留与企业用户的直接关系。看涨投资逻辑因此从软件订阅延伸至智能体驱动的任务执行与服务增购，关键在于将入口优势转化为可持续收入。自研ASIC扩张则为微软的这条增长路径补上成本端支撑，即上层以Copilot承接用户海量算力资源需求，下层以自研算力改善交付效率，使AI TOKEN调用量增长更有机会转化为收入与利润的同步扩张。