微軟（Microsoft）發表第三代自研人工智慧晶片 Maia 300，規劃大規模部署數量將突破百萬顆，為旗下雲端平台注入更強大的運算能量。這款晶片由台積電代工，核心運算模組率先採用 2 奈米先進製程，展現大型科技公司加速自研硬體、降低對傳統晶片巨頭依賴的明確戰略。
異質整合小晶片架構，台積電 2 奈米與 3 奈米併用
在晶片設計哲學上，Maia 300 與市場主流的輝達（Nvidia）採用了截然不同的路線。傳統的高效能圖形處理器（GPU）多半將運算核心集中在一顆巨大的單一晶片上，外圍再連接高頻寬記憶體（HBM）；微軟則選擇「小晶片（Chiplet）」架構，將不同功能的電路拆分成多顆獨立模組。
在 Maia 300 的設計中，負責執行最關鍵 AI 運算的處理核心，採用了台積電極為先進的 2 奈米製程；至於負責資料進出與系統傳輸等次要功能的單元，則採用成本較低且成熟的 3 奈米製程。這種彈性組合可在提升極限運算效能的同時，有效控制晶片生產的總體成本。
在硬體系統規格方面，Maia 300 採用極高密度的機櫃配置，單座機櫃可容納 96 顆晶片，整體耗電量達到 167kW（瓩）。雖然該規格的耗電高於輝達 GB300 伺服器機櫃（72 顆 GPU、耗電約 142kW），但微軟強調，以每 MW（百萬瓦）電力所產生的有效 AI 運算量來計算，Maia 300 比當前市面上的頂級 GPU 系統高出約 40%。
主攻 AI 推論任務，百萬顆規模部署雲端服務
Maia 300 的設計核心主要針對人工智慧（AI）推論工作負載，涵蓋自動化程式編寫、企業級複雜流程處理等業務場景。未來該晶片將廣泛建置於 Azure 雲端伺服器環境中，除了支援微軟內部的多種 AI 服務，也將提供給客戶運行相關的 AI 模型。
微軟預計自 2027 年開始大規模鋪設 Maia 300，總電力部署規模將達到數個 GW（吉瓦）等級，整體建置顆數有機會達到 100 萬顆以上。不過若對比競爭對手，研究數據顯示 Alphabet 旗下的 Google TPU 自研晶片在 2027 年預估出貨量可達 900 萬顆，顯示各家雲端巨頭在自研晶片的鋪設速度與商業規模上各有步調。
這代表什麼
首先，這反映了雲端服務供應商（CSP）正全面進入「硬體自主化」時代。過往科技巨頭極度依賴輝達供應 GPU，不僅採購成本高昂，更面臨產能分配的風險。微軟投資自研晶片，能將硬體與自身的軟體演算法深度對齊，實現更高的電能轉換效率與成本控制，讓每份投資效益極大化。
對台灣產業而言，這無疑帶來雙重利多。無論是輝達還是微軟的自研方案，最核心的晶片製造依然離不開台積電的先進製程與封裝技術；另一方面，隨著 Maia 300 單機櫃功耗推升至 167kW，市場對高功率 AI 伺服器、水冷散熱技術與高階供電設備的需求急遽增加，為台灣的伺服器供應鏈帶來長遠的營運動能。
背景補充
Maia 晶片家族是微軟專為雲端基礎設施打造的人工智慧加速器產品線，前一代產品已成功在 Azure 上運行，協助支撐內部模型以及 OpenAI 所開發的大型語言模型（LLM）。隨著微軟年度資本支出規模達到 1,750 億美元以上，自研晶片已成為優化財務結構的策略核心。
此外，本世代晶片採用的「小晶片（Chiplet）」技術，是近年半導體業打破摩爾定律瓶頸的重要突破。透過先進封裝將不同製程（如 2 奈米與 3 奈米）的小晶片整合在同一封裝體內，不但能克服大晶片製造良率過低的問題，更能靈活調整效能與成本比例，已成為當前高性能晶片設計的新主流。
常見問題
Maia 300 晶片採用了哪些台積電製程技術？
Maia 300 採用小晶片架構，執行關鍵運算的核心單元使用台積電 2 奈米製程，負責資料傳輸等功能的模組則採用 3 奈米製程。
Maia 300 與輝達 GPU 在架構上有何不同？
輝達主要採用大型單一晶片搭配高頻寬記憶體的架構，而微軟 Maia 300 採用將不同功能拆分的小晶片設計，藉此兼顧運算效能與製造成本。
微軟部署 Maia 300 的主要用途為何？
Maia 300 主要針對 AI 推論工作負載設計，例如程式編寫與複雜企業任務，並透過 Azure 雲端平台支援微軟內部服務與 OpenAI 模型運作。