微軟 Maia 300 發布：百萬顆自研 AI 晶片改寫半導體商業版圖

2026 年 10 月最重要的晶片發布，不是關於更快的加速器，而是關於誰有資格成為晶片公司。2026 年 10 月 12 日，微軟發表了第三代自研 AI 晶片 Maia 300，並表示計畫在 2027 年部署超過 100 萬顆，作為自家產品與服務的主力推論系統（路透社，2026 年 10 月 16 日）。全球最大的 AI GPU 買家，如今正在成為 GPU 競爭者——每一個轉移到 Maia 的推論查詢，都是不再經過輝達的營收。

規格本身也相當扎實：運算小晶片採用台積電 2 奈米級矽晶圓，8 層 HBM4 堆疊提供 288GB 記憶體、18.0TB/s 峰值頻寬，封裝功耗 950W，96 個加速器組成一個約 167kW 的機櫃（微軟技術公告，2026 年 10 月 12 日）。微軟宣稱每百萬瓦詞元數比主流 GPU 系統高出約 40%，機櫃級詞元吞吐量最高可達前代 Maia 200 的 7 倍。但比基準測試數字更重要的，是背後的戰略：微軟正在垂直整合 AI 堆疊中最昂貴的一層——推論——而且規模大到足以改寫晶圓代工、記憶體與第三方晶片廠商的經濟學。

微軟實際宣布了什麼

這次發表來自 2026 年 10 月 12 日（週一）雲端與 AI 執行副總裁斯科特·古斯里（Scott Guthrie）的部落格文章。執行長薩蒂亞·納德拉（Satya Nadella）稱這是微軟「在自研晶片上最大的一次押注」，表示將從 2027 年起把 Maia 家族擴展到多 GW 規模，成為自家產品與服務的主力推論系統（微軟，2026 年 10 月 12 日）。

以下是已載入紀錄的關鍵承諾：

• Maia 300 以推論為優先。 不同於訓練加速器，它是為微軟真正賺錢的工作負載設計的：程式碼輔助、長上下文推理、即時對話式 AI，以及多步驟代理任務。
• 2027 年開始量產部署，擴展到多 GW 規模。路透社報導，微軟明年可能部署超過 100 萬顆 Maia 晶片。
• Maia 200 已在量產，運行微軟自家 AI 模型與 Azure 上提供的 OpenAI 模型，部署於美國、歐洲與澳洲。Microsoft 365 Copilot 今天就運行在它上面；GitHub Copilot 與 Microsoft Foundry 預計在 2026 年底前跟進。
• Maia 200 已公開的能效數據：每瓦詞元數最高為其他 GPU 系統的 1.7 倍——Maia 300 的 7 倍機櫃級吞吐量，就是以此為基準衡量的。

嚴肅的讀者應該記住兩個但書：微軟「每百萬瓦多 40% 詞元」的說法，比較對象是未具名的「主流 GPU 系統」，因此是廠商說法，而非獨立基準測試。而且微軟仍在大量採購輝達 GPU——短期內對輝達的影響是推論支出的結構轉移，而非一夜之間的取代。

用數字看 Maia 300

根據微軟的技術公告（2026 年 10 月 12 日），Maia 300 是一個多小晶片封裝，分割晶粒的依據是經濟學，而不只是功能：

| 區塊 | 細節 |

|---|---|

| 運算小晶片 | 台積電 2 奈米級（N2P），負責關鍵運算功能 |

| 資料搬移小晶片 | 成本較低的 3 奈米級矽晶圓，負責處理器外部的資料搬移 |

| 記憶體 | 8 層 HBM4 堆疊，每個加速器 288GB（2,304Gb） |

| 記憶體頻寬 | 峰值 18.0TB/s |

| 功耗 | 每個加速器 950W TDP |

| 機櫃 | 96 個加速器，約 167kW，每機櫃 27.6TB HBM |

| 機櫃頻寬 | 總計約 1.7PB/s 記憶體頻寬 |

| 擴展架構 | 雙層乙太網路架構，最多 128 個機櫃 = 每個 superpod 12,288 個加速器 |

有三個數字值得再看一眼。每顆晶片 288GB 的 HBM4 就是 2,304Gb——以超過 100 萬顆的部署計畫，光是 2027 年的部署就釋放了超過 800 萬層 HBM4 堆疊、約 288PB HBM4 的需求訊號。每個加速器 950W 讓 Maia 300 與旗艦級第三方 GPU 同屬一個散熱等級，意味著共用同一套液冷與供電供應鏈。而每機櫃 96 個加速器、167kW 是 Maia 200 兩倍的加速器密度——競爭的單位不再是晶片，而是機櫃。

擴展架構（scale-up fabric）是低調卻關鍵的訊號。Maia 300 採用雙層乙太網路架構——機櫃內用電氣鏈路，機櫃間用光學鏈路——最多 128 個機櫃組成 12,288 個加速器的 superpod，頻寬可由工作排程器重新分配，熱備援容量可向鄰近機櫃借用。這是對專有擴展互連的直接架構押注：商品化標準的乙太網路，對上 NVLink 式的封閉花園。對博通、邁威爾與整個乙太網路生態系而言，這是今年最重要的 design win。

為什麼是推論，為什麼是現在：詞元經濟學

訓練搶走頭條，推論賺走鈔票。每一次 Copilot 查詢、每一圈代理迴路、每一次長上下文推理會話，都是直接計入微軟自身成本結構的推論工作負載。模型服務成本越低——每詞元的智慧越便宜——資金就越往能以最低成本大規模提供詞元的人集中。

這正是 Maia 300 優化的方向：每百萬瓦多 40% 的詞元，以及 sub-3-bit 與增強版 MXFP4 資料格式，讓每一瓦擠出更多有效工作。微軟不是要在峰值 FLOPS 上打敗輝達，而是要在決定自身損益（P&L）的指標上獲勝：在自己擁有的資料中心裡、在自己掌控的工作負載上，每百萬詞元的服務成本。

用 MBA 的邏輯一句話說：當你同時擁有需求（Copilot、Azure）與供給（Maia 晶片、資料中心），垂直整合就把變動成本——用別人的利潤買別人的 GPU——轉換成可以折舊的固定成本資產。100 萬顆計畫，就是微軟在為推論做攤銷。

工程師的解讀：小晶片是良率決策

拿掉行銷話術，Maia 300 的封裝是先進製程經濟學的教科書案例——那種在投片現場學到、而非在策略投影片裡學到的。

把運算放在台積電 2 奈米級 N2P 上，記憶體控制器與 I/O 功能留在成本較低的 3 奈米級節點，首要考量是良率與成本。最先進的節點是缺陷密度最痛、晶圓價格最貴的地方；只有真正需要密度的邏輯才放上去，其餘留在成熟的高良率節點。封裝的良率於是由良品裸晶（KGD）的經濟學決定，而非由一顆巨大的單體晶粒決定。

第二，真正的簽核難題在 HBM4 介面。8 層堆疊、18.0TB/s 意味著 PHY、中介層繞線、記憶體子系統周邊的電源完整性工作，將主導物理設計的投入——遠超過純邏輯的時序收斂。做過大型 SoC 靜態時序簽核的人都懂這個模式：頭條數字是頻寬，但投片風險住在介面裡。

第三，機櫃級協同設計是新的佈局規劃。承載 167kW 機櫃大部分熱負載的液冷、950W 封裝、機櫃間光學鏈路——供電網路與散熱包絡現在比 RTL 更早約束架構。不跟機櫃團隊協同設計的晶片團隊，做出的是資料中心裝不下的零件。

對輝達的意義

對輝達的短期風險有限：微軟仍在大量採購其 GPU，而訓練——輝達的大本營——不在推論專用晶片的射程內。但方向毫不含糊。每一個轉移到 Maia 的 Copilot 查詢，都是不再流經輝達堆疊的推論營收：不是 GPU，不是它上面的 HBM，也不是網路。

更結構性的影響是，Maia 300 在業界最大規模上為乙太網路擴展路線背書。如果雙層乙太網路架構在 12,288 個加速器的規模上跑得起來，「只有專有互連才能撐起前沿級叢集」的論點就會弱化——而互連鎖定正是輝達平台護城河的支柱之一。

第三層效應是議價能力。一個可信的自研替代方案，會改變每一家大買家與第三方廠商的談判。微軟不需要 Maia 在所有工作負載上打敗最好的第三方 GPU；只要在微軟自己的工作負載上「夠好」，就能為其餘的採購設下價格天花板。

對記憶體與晶圓代工的意義

記憶體： 每顆晶片 8 層 HBM4 堆疊、100 萬顆以上，就是 2027 年超過 800 萬層 HBM4 堆疊的增量需求訊號——對正在競逐 HBM4 認證的 SK 海力士、三星、美光而言皆然。注意單位紀律：每個加速器 288GB 就是 2,304Gb，而機櫃級算法（每機櫃 27.6TB）才是資料中心規劃者真正的採購單位。HBM4 供給競賽迎來了最大的需求錨。

晶圓代工： 運算小晶片採用台積電 N2P，意味著微軟成為最早的大規模 N2 家族客戶之一，與常見的手機與 HPC 大客戶並列。這個量級的早期 N2P 產能分配，既是技術宣示，也是產能談判——並加深了台積電作為 AI 時代晶圓代工龍頭的領先。

自研晶片陣營如今已經相當擁擠。 谷歌有 TPU、AWS 有 Trainium、Meta 有 MTIA，OpenAI 也在推進自己的晶片計畫。Maia 300 的 100 萬顆計畫是其中最大的單一部署承諾——這是垂直晶片從實驗走向採購策略的訊號。

接下來看什麼

• 獨立基準測試。 微軟「每百萬瓦多 40% 詞元」的說法沒有具名 GPU 基準。留意定義了功耗邊界、跑真實工作負載的第三方量測。
• HBM4 供給。 在記憶體吃緊的情況下，能否為 2027 年確保超過 800 萬層 HBM4 堆疊——以及三家記憶體廠中誰拿下認證。
• 外部客戶。 微軟說 Maia 只供自家產品與服務。一旦外部客戶能用，Maia 就從成本手段變成第三方競爭者。
• 乙太網路押注。 雙層擴展架構在 12,288 個加速器規模上撐不撐得住——結果將迴盪在每一家網路廠商的產品藍圖上。

結論：Maia 300 不是晶片發布，而是一份貼著晶粒照片的採購策略。微軟看著 AI 損益表上最大的一項——推論算力——決定自己來造。對半導體產業的訊息很明確：客戶如今也是競爭者，而談判的單位是每百萬瓦的詞元數。

常見問題

什麼是微軟 Maia 300？

Maia 300 是微軟第三代自研 AI 加速器，於 2026 年 10 月 12 日發表，專為程式碼輔助、長上下文推理、代理任務等推論工作負載設計。採用小晶片架構，運算晶粒使用台積電 2 奈米級製程，8 層 HBM4 堆疊（288GB、18.0TB/s），封裝功耗 950W，以 96 個加速器為單位組成機櫃部署。

微軟會部署多少顆 Maia 300？

路透社報導（2026 年 10 月 16 日），微軟計畫在 2027 年部署超過 100 萬顆 Maia 晶片，將 Maia 家族擴展到多 GW 規模，作為自家產品與服務的主力推論系統。量產部署自 2027 年開始。

跟輝達的 GPU 相比如何？

微軟宣稱每百萬瓦詞元數比未具名的「主流 GPU 系統」高出約 40%，機櫃級詞元吞吐量最高為前代 Maia 200 的 7 倍——兩者都是有待獨立驗證的廠商說法。架構上，Maia 300 押注雙層乙太網路擴展架構而非專有互連，瞄準的是推論成本效率，而非峰值訓練 FLOPS。

對 HBM 與晶圓代工供應商有什麼意義？

每顆晶片 8 層 HBM4 堆疊、100 萬顆以上的計畫，意味著 2027 年的部署將帶來超過 800 萬層 HBM4 堆疊（約 288PB）的需求——是 SK 海力士、三星、美光 HBM4 量產爬坡的重要需求錨。台積電 N2P 節點上的運算小晶片，也讓微軟成為台積電 2 奈米級產能最早的大規模客戶。

揭露：本分析基於微軟 2026 年 10 月 12 日的公告及後續報導（路透社，2026 年 10 月 16 日）；效能數據為微軟的說法，尚未經獨立驗證。作者未持有文中提及公司的部位。數據反映截至 2026 年 10 月 17 日的公開資訊。