摩 尔 观 察

微软这次喊出“5年期采购”，听起来是个很有魄力的决定，但放进整个行业的时间线里看，更像是一次偏晚的追赶。

[  作者  周既明  |  编辑  卢月  ]

10月12日，微软正式发布了第三代自研AI芯片Maia 300。

按照微软云与AI事业部执行副总裁Scott Guthrie在官方博客的说法，这是微软在自研芯片这件事上“迄今最大的一笔押注”，

台积电N2P工艺（2纳米制程家族），单颗芯片搭载8组HBM4堆叠，内存容量288GB，带宽18TB/s，一个满配机架塞96颗芯片，整机架Token吞吐量能冲到上一代Maia 200的7倍。

消息发布当天，微软股价涨了1.14%，市值重新站回4万亿美元之上。

中文媒体这几天写这条新闻，大多数标题都离不开“市值重返4万亿”“降低英伟达依赖”这类字眼。

但容易被忽略的是一个更具体的细节：微软这次芯片设计里，单颗HBM4堆叠数量从6组增加到8组，涨了三成多，加上单机架芯片数量从48颗翻倍到96颗，整个机架的HBM总容量从约10.1TB提升到约27.6TB，总量变成原来的2.7倍左右。

而就在同一周，微软Maia项目总经理Andrew Wall接受韩国媒体《首尔经济日报》采访，据台湾科技媒体INSIDE转引，Wall表示HBM供应“显然是目前整个产业的重大议题与限制”，微软为此把和内存厂商的采购规划周期，从过去常见的1到2年，拉长到最远5年。

一颗芯片的内存配置越激进，就越依赖一种全球产能本就紧张的内存。这句话听起来像是常识，但放在当下这个时间点上，牵出的是一个更大的产业问题：云厂商这几年争先恐后发布自研芯片，到底是在比设计能力，还是在比抢内存产能的手速。

>_ section_01

芯片越激进，越离不开HBM4  

Maia 300和上一代Maia 200比起来，内存配置的变化值得拆开来看，不能笼统说成“翻倍”。

据INSIDE转引《首尔经济日报》的规格对比，Maia 200单颗搭载6组HBM3e，容量216GB，一个机架装48颗芯片；

Maia 300单颗搭载8组HBM4，容量288GB，一个机架装的芯片数量翻倍到96颗。

单颗芯片的HBM堆叠组数只涨了三分之一，真正跳得猛的是机架层面的总量，单机架HBM堆叠总数从288组增加到768组，整机架HBM总容量从约10.1TB提升到约27.6TB，总量约为原来的2.7倍，也就是增长了约1.7倍。

带宽方面，微软官方博客披露Maia 300单颗峰值内存带宽为18TB/s，96颗满配机架的总带宽合计约1.7PB/s。

这组数字背后是个很直接的技术逻辑，大模型推理这件事，很多时候卡脖子的不是算力够不够，而是内存带宽够不够。

模型越大，上下文窗口越长，推理过程中要在内存和计算单元之间搬运的数据量就越大，这时候算力再强，带宽跟不上，照样跑不快。

微软把Maia 300的设计重心押在内存容量和带宽上，而不是一味堆算力，某种程度上也是在承认，自己要解决的核心问题是Copilot这类产品背后海量、持续的推理请求，不是训练大模型本身。

公开规格里也能看到这个取舍：Maia 300的18TB/s带宽明显高于英伟达GB300 Blackwell Ultra约8TB/s的带宽，

但FP4算力13.8 PFLOPS低于GB300约15 PFLOPS，对纯算力敏感的训练任务，英伟达仍有优势，这印证了Maia 300是专门为推理场景做的设计取舍，不是全面对标。

但代价也写在了同一张设计图里。想要更大的内存容量和带宽，就得用更多层的HBM4堆叠，而HBM4目前全世界能稳定量产的厂商只有三星、SK海力士和美光三家。

需要说明的是，大模型推理的实际表现不只取决于内存带宽，算力、芯片间互联、软件工具链、电力和散热、先进封装的良率，都会同时起作用，HBM4只是其中压力最直接、最容易被量化的一个环节。

即便如此，Maia 300越想在内存性能上甩开上一代，就越需要在一个本就紧张的供应链环节里拿到更多份额，这是一道绕不开的供应链算术题。

>_ section_02

这场竞赛，英伟达已经提前锁住了大半产能  

微软这次喊出“5年期采购”，听起来是个很有魄力的决定，但放进整个行业的时间线里看，更像是一次偏晚的追赶。这里有必要先把“锁定”这个词说清楚。

据英伟达2027财年第二季度（截至2026年7月26日）提交给美国证券交易委员会的10-Q文件，公司“供应与产能”承诺从上一季度的1190亿美元跳升到2790亿美元，其中约920亿美元将在本财年剩余时间到期，2028和2029财年分别到期870亿美元和880亿美元。

需要澄清的是，这是英伟达向上游供应商作出的采购和产能承诺，用于锁定芯片制造所需的内存和产能，不是客户订单，也不是预付款，文件本身也提示其中部分安排可以取消、重新安排或调整。

摩根士丹利据此估算，英伟达已占到2027年全球约37.3%的HBM供应份额，同一份估算里，谷歌母公司Alphabet占36%，AMD占12.1%，三家合计约85%。

这组份额数字目前只能追溯到摩根士丹利的测算，并非三家公司自己披露的口径，这一点需要留一个核实的余地。

美光的财报电话会上，管理层的表态更能说明紧张程度。据美光2026财年第四季度（截至9月30日）电话会记录，总裁兼首席运营官Manish Bhatia直接说，公司“真的看不到供需什么时候能恢复平衡”。

美光目前已签下26份战略客户协议，覆盖公司到2030年约35%的产量比特数，而不是营收，客户为此支付的现金预付定金已增至32亿美元，相关的剩余履约义务约1500亿美元。

管理层还提到，2027财年超过75%的出货量已经被客户提前锁定，供应紧张的状况预计会一路延续到2028年。

这些数字放在一起，能看出一个大致的时间差：英伟达、谷歌、AMD这几家，是在产能紧张进一步加剧之前就已经锁定了未来几年的大部分供应和产能承诺，微软现在才把采购周期拉长到5年去追，起跑的时间点确实偏晚。

这个判断可以说得更直接：无论微软自己怎么解释发布节奏，HBM长期协议这件事上，微软是明显的后来者，这是可以用公开数据支撑的事实；

但自研芯片最终能不能成功，不完全取决于谁先锁住产能，产能只是必要条件，不是唯一条件。

价格也在同步往上走。据多家分析机构估算，HBM4的单GB成本已经从HBM3e时代的17到18美元，跳到31到32美元，接近翻倍。

伯恩斯坦预测2027年HBM4价格可能继续涨到每GB53美元，瑞银估算2027年HBM整体均价较2026年上涨约79%，TrendForce的另一份测算口径显示涨幅约121%，不同机构的统计范围和假设不同，具体涨幅存在差异，但方向一致。

供应商开始讨论用8层堆叠方案替代12层方案，据TrendForce的研究，这不是因为终端需求变弱，而是供应有限、系统成本涨得太快，不得不在堆叠层数上做妥协，尽管换算下来8层方案每GB成本反而要比12层方案高10%到20%。

>_ section_03

推理成本的账本和HBM涨价是同一笔账  

微软这次把宝押在推理芯片上，背后的驱动力也要和HBM供应链这条主线放在一起算，而不是分开讲两件事。

据财务数据平台TIKR披露，截至今年6月的季度，微软在物业和设备上的现金支出达到358亿美元，是一年前170.8亿美元的两倍以上，过去四个季度资本支出合计约1160亿美元，比上一个周期增长了80%。

与此同时，微软的毛利率从2025年9月季度的69.05%，连续三个季度下滑到2026年6月的67.20%。

这组剪刀差的直接推手之一，正是Copilot等产品背后持续产生的推理成本，而推理成本里，内存采购价格是最直接的一块。

换句话说，HBM涨价不是一个孤立于微软财务状况之外的外部变量，它直接构成了毛利率往下走的其中一个分量：内存越贵，每一次推理请求背后的硬件成本就越高，微软越需要靠自研芯片的效率优势去对冲这块上涨。

微软给出的核心承诺是，Maia 300每兆瓦能产出的Token数量，比“领先的GPU系统”高出大约40%。

如果这个承诺能兑现，意味着同样的电力预算，可以撑起更多的Copilot请求，一定程度上能抵消内存涨价带来的成本压力。

但这里有几个还没有被验证的细节：微软没有公开那个“领先GPU系统”具体是哪一款、什么配置、跑的是什么负载，这个40%目前只是官方给出的预期数字，还没有外部可复现的测试结果；

Maia 300要到2027年才真正进入部署，这意味着至少在接下来一整年的财报周期里，这颗芯片不会在毛利率数字上留下任何痕迹。

另外，微软的Maia系列从第一代到现在，始终只供自己内部使用，不像亚马逊的Trainium或者谷歌的TPU那样对外开放租用，这意味着微软目前没有把自研芯片的硬件成本优势变成对外出租的收入来源，这条商业化路径，微软暂时还没有走通。

>_ section_04

“去英伟达化”还只是故事的一半  

把这几条线拼在一起看，会发现一个比表面叙事更复杂的局面。

微软确实在往自研芯片这条路上加码，这个方向是真实的。但微软自己也承认，公司会维持一个“异构算力舰队”，Maia 300和英伟达、AMD的GPU并行使用，不是替代关系。

企业客户在Azure上买的仍然是英伟达的GPU实例，微软这次硬件层面省下来的成本，没有直接传导到对外的产品定价上，省的是自己的毛利率，不是客户的账单。

与此同时，英伟达自己的日子也不算轻松。英伟达2027财年第二季度毛利率为75%，管理层指引第三季度降至74%，第四季度进一步下探到71%到72%，管理层把这个压力归因于内存采购成本上涨。

这说明HBM涨价这件事，不是只困住了想要造自己芯片的云厂商，连行业里议价能力最强的英伟达，都在同一场涨价潮里承受压力，而英伟达应对的方式，正是上文提到的那2790亿美元供应与产能承诺，提前把未来几年的内存和产能锁进自己的账本。

这场围绕内存产能和价格的博弈，还有一个容易被忽略的变量，就是晶圆代工本身。

英伟达、谷歌、亚马逊、微软的高端AI加速器，不管设计思路差多少，最后几乎都要排进台积电的先进制程产能表里，Maia 300的运算芯粒同样采用台积电N2P工艺。

所以更准确的说法或许是，这场自研芯片竞赛比的不只是HBM这一个环节，还包括芯片互联架构的选择（Maia 300用的是以太网横向扩展，而不是英伟达的NVLink专有互联）、

配套软件栈和编译工具链是否成熟、机架级供电和液冷设计的工程能力，以及客户从英伟达CUDA生态迁移出去的实际成本。

HBM产能是这场竞赛里最硬、最容易量化的一道门槛，但不是唯一的门槛，软件生态和客户迁移成本这类更软性的因素，决定了即便芯片本身足够好，企业客户愿不愿意真正把负载迁移过去，这件事同样重要。

>_ section_05

写在最后  

Maia 300这颗芯片本身的设计确实下了功夫，内存带宽、机架密度、以太网互联的架构选择，都看得出微软在工程上的投入。

微软在HBM长期供应协议上起步偏晚，这是可以用公开的产能分配和签约数据支撑的事实，不是一句笼统的印象判断。

但芯片设计团队的工程能力和供应链的产能保障，两者都是自研芯片成败的必要条件，缺了任何一个都不成立，不存在谁完全决定谁。

更值得追问的问题是，当HBM产能和定价权越来越集中在三星、SK海力士、美光这三家手里，当台积电的高端制程产能成为所有云厂商共同争抢的稀缺资源，这场自研芯片竞赛接下来还有多大的空间留给纯粹的技术差异化，又有多少比重会落在供应链谈判能力和资本实力上。

软件生态的迁移成本、芯片互联架构的开放与封闭之争，这些变量会不会在未来几年反过来成为比HBM产能更关键的分水岭，现在还没有定论。

免责声明

本文内容系基于企业公告、技术专利、天眼查及权威媒体报道等公开资料的深度梳理与商业逻辑推演，旨在探讨技术路线与产业趋势。文中涉及的产品参数与性能描述均援引自官方披露口径，仅代表基于现有数据的理论分析，不作为实物体验的绝对反馈。鉴于科技产品（尤其是新能源车、机器人）涉及软硬件 OTA 迭代，如相关数据与实机表现存在出入，请以企业官方最终发布为准。本文观点仅供参考，不构成任何投资或购买决策依据。

>_  把复杂的科技，讲成你能看懂的事。  

— THE END —

       原文标题 : 微软最强芯片，缺的是内存