مایکروسافت روز دوشنبه Azure Maia 300، سومین نسل از خانواده شتاب‌دهنده‌های هوش مصنوعی داخلی خود را معرفی کرد و گفت که این تراشه از سال 2027، استقرار چند گیگاواتی را در سراسر Azure لنگر می‌اندازد - یک گام بزرگ در تلاش این شرکت برای اجرای بیشتر بارهای کاری هوش مصنوعی بر روی سیلیکون خود به جای پردازنده‌های گرافیکی انویدیا.

این اعلامیه که در یک پست وبلاگ توسط اسکات گاتری، معاون اجرایی مایکروسافت در گروه Cloud + AI منتشر شد، Maia 300 را به عنوان سیستم استنتاج اولیه برای محصولات و خدمات خود مایکروسافت معرفی کرد. در میان یک رقابت صنعتی گسترده‌تر برای ساخت تراشه‌های هوش مصنوعی سفارشی قرار می‌گیرد، تغییری که ما در پوشش مداوم آخرین پیشرفت‌های هوش مصنوعی از نزدیک دنبال می‌کنیم، زیرا مقیاس‌کننده‌های فوق‌العاده برای کاهش هزینه خدمات هوش مصنوعی در مقیاس تلاش می‌کنند.

به گفته مایکروسافت، Maia 300 برای ارائه 40 درصد توکن بیشتر در هر مگاوات در مقایسه با سیستم های پیشرو مبتنی بر GPU طراحی شده است. در پیکربندی کامل 96 شتاب دهنده، این شرکت می‌گوید این تراشه تا هفت برابر توان عملیاتی توکن در مقیاس رک را نسبت به مدل قبلی خود، Maia 200، ارائه می‌کند.

برای استنتاج از پایه ساخته شده است

مایکروسافت Maia 300 را به‌عنوان یک معماری «اول استنتاج» توصیف می‌کند که هدف آن حجم‌های کاری طولانی، حافظه فشرده و رمزگشایی است – الگوهایی که بر دستیاران چت مدرن، سیستم‌های استدلال و عوامل هوش مصنوعی چند مرحله‌ای تسلط دارند.

زیرسیستم حافظه تراشه از هشت پشته HBM4 استفاده می کند که 18.0 ترابایت بر ثانیه از حداکثر پهنای باند را در داخل یک پوشش حرارتی 950 وات ارائه می کند. On-die SRAM به عنوان یک اسکراچ پد مدیریت شده توسط نرم افزار تلقی می شود که مایکروسافت می گوید فشار بر HBM را کاهش می دهد و داده های بیشتری را نزدیک واحدهای محاسباتی نگه می دارد.

Maia 300 همچنین به سمت طراحی چند تراشه ای حرکت می کند که عملکردهای محاسباتی، کنترل کننده حافظه و I/O را به قالب های جداگانه تقسیم می کند، با چیپلت های محاسباتی که بر روی گره فرآیند N2P TSMC ساخته می شوند. پشتیبانی از فرمت‌های پیشرفته MXFP4 با دقت پایین به منظور کاهش نیازهای حافظه محاسباتی و ذخیره‌سازی KV-cache در نظر گرفته شده است، و اجازه می‌دهد پنجره‌های زمینه بزرگ‌تر و توان عملیاتی بالاتر در بودجه‌ی انرژی یکسان را فراهم کند.

در سمت شبکه، مایکروسافت با شبکه به عنوان یک توسعه معماری جریان داده تراشه برخورد می کند. یک حمل‌ونقل هوش مصنوعی سفارشی، ارتباطات بزرگ‌تری را در میان شتاب‌دهنده‌ها و رک‌ها از طریق زیرساخت‌های مبتنی بر اترنت فراهم می‌کند، و چیزی را که شرکت به عنوان یک توپولوژی یکپارچه توصیف می‌کند، تشکیل می‌دهد که از یک رک تا استقرار در مقیاس مرکز داده مقیاس می‌شود.

اعداد رک مقیاس

در سطح رک، مایکروسافت می گوید 96 شتاب دهنده Maia 300 در یک پاکت توان 167 کیلوواتی کار می کنند و 27.6 ترابایت ظرفیت HBM و 1.7 پتابایت بر ثانیه از پهنای باند کل را در سراسر دامنه افزایش می دهند. این شرکت استدلال می‌کند که این تراکم به آن اجازه می‌دهد تا تعاملات همزمان هوش مصنوعی و بارهای کاری بزرگ‌تری را از هر رک ارائه دهد.

Maia 200 در حال تولید است

Maia 300 از Maia 200 پیروی می کند که مایکروسافت در ژانویه 2026 معرفی کرد و در حال حاضر به حجم های کاری تولیدی از جمله Microsoft Copilot خدمت می کند. به گفته این شرکت، Maia 200 همچنین تا پایان سال 2026 زیربنای GitHub Copilot و Microsoft Foundry خواهد بود و مدل‌های OpenAI، مدل‌های MAI خود مایکروسافت و خانواده‌های مدل منبع باز پیشرو را اجرا می‌کند.

مایکروسافت می‌گوید که Maia 200 در سراسر ایالات متحده، اروپا و استرالیا مستقر است و در مقایسه با زیرساخت‌های GPU پیشرو که جایگزین کرده است، تا 1.7 برابر بیشتر توکن در هر وات برای ویژگی‌های هوش مصنوعی داخلی در تجربیات Teams، Copilot و Microsoft 365 ارائه می‌کند. گاتری نوشت که تجربه عملیاتی Maia 200 به طور مستقیم طراحی Maia 300 را شکل داد.

با هم، این دو نسل در نظر گرفته شده اند تا مجموعه گسترده ای از خدمات هوش مصنوعی مایکروسافت را تامین کنند: کار عاملی چند مرحله ای پشت ابزارهای کدگذاری GitHub، ارائه مدل در مقیاس ابری از طریق Microsoft Foundry، استنتاج و تولید داده برای تیم مدل MAI، و جریان های کاری Dragon Copilot حساس به تأخیر با هدف کاهش بار اداری پزشکان.

کاهش اتکا به Nvidia

زیرمتن استراتژیک این اعلامیه تلاش مایکروسافت برای کاهش وابستگی خود به انویدیا است که پردازنده‌های گرافیکی آن بر آموزش و استنتاج هوش مصنوعی در صنعت تسلط دارند. رویترز گزارش داد که مایکروسافت قصد دارد «استقرار عظیم» تراشه‌های خود را به عنوان راهی برای مهار هزینه‌ها انجام دهد، در حالی که CNBC این راه‌اندازی را حرکتی مستقیم برای کاهش اتکای شرکت به سخت‌افزار Nvidia - برخی از گران‌ترین و محدودترین قطعات در ساخت هوش مصنوعی - توصیف کرد.

قدرت قیمت‌گذاری انویدیا به یک موضوع اتاق هیئت مدیره در صنعت ابر تبدیل شده است و سیلیکون سفارشی پاسخ استاندارد است. TPUهای Google، خطوط Trainium و Inferentia آمازون و تراشه‌های MTIA متا همگی یک هدف را دنبال می‌کنند: سخت‌افزار تخصصی که متناسب با حجم کاری دقیق هر شرکت تنظیم شده است. برنامه Maia مایکروسافت که با Maia 100 در نوامبر 2023 رونمایی شد آغاز شد، ورود آن به این رقابت است.

برای مایکروسافت، مسائل اقتصادی ساده است: هر توکنی که توسط یک تراشه داخلی ارائه می شود، توکنی است که حاشیه انویدیا را ندارد. با افزایش حجم استنتاج هوش مصنوعی در سراسر خدمات Copilot، مایکروسافت 365، GitHub و Azure AI، حتی جایگزینی جزئی به صرفه جویی قابل توجهی در مقیاس فوق العاده تبدیل می شود.

بعد چه می آید

مایکروسافت گفت که استقرار تولید Maia 300 در سال 2027 آغاز خواهد شد و خوانندگان را به مقاله فنی منتشر شده برای جزئیات معماری اشاره کرد. این شرکت همچنین گفت که در مایکروسافت Ignite 2026 که در سانفرانسیسکو و به صورت آنلاین میزبانی می کند، اطلاعات بیشتری در مورد استراتژی سیلیکون و نقشه راه زیرساخت گسترده تر خود به اشتراک خواهد گذاشت.

اینکه آیا Maia 300 می‌تواند تسلط انویدیا را خدشه دار کند، باید دید - آخرین معماری‌های انویدیا همچنان در عملکرد خام پیشرو هستند و مایکروسافت همچنان به خرید سخت‌افزار Nvidia در مقیاس عظیم ادامه می‌دهد. اما مسیر روشن است: بزرگترین اپراتور ابری جهان قصد دارد سهم بیشتری از توکن‌های هوش مصنوعی جهان را بر روی تراشه‌هایی که خودش طراحی کرده است، ارائه دهد.

---

از هوش مصنوعی جلوتر بمانید

آخرین اخبار، تحلیل ها و پیشرفت های هوش مصنوعی را دریافت کنید - همه در یک مکان.

بیشتر بخوانید اخبار هوش مصنوعی →