本文共3065字
面对AI芯片开发的复杂性与多重挑战，微软正在对其AI芯片的研发计划进行重大调整。
多位知情人士透露，该公司已决定在2028年前采取更为稳健的产品策略，降低设计难度、放缓发布时间，以化解研发过程中暴露出的技术瓶颈与时间延误。
这场调整反映了微软在自研AI芯片上从“敢于对标英伟达”转向“务实突围”的态度转变。
在AI算力竞争白热化的当下，微软不愿错失自主芯片带来的战略价值，却也逐步意识到，年复一年推出完全重新设计的芯片并不现实。
研发延迟引发战略转向
早在2024年，微软推出了其首款面向AI训练和推理的加速芯片——Maia 100，正式迈出挑战英伟达GPU垄断地位的第一步。
Maia 100面世后，微软立即启动了三个后续版本的开发计划，分别代号为Braga、Braga-R和Clea，原计划分别于2025、2026和2027年陆续发布。
然而，事情并未如预期顺利。Braga和Clea采用了完全重新设计的架构，开发难度陡增，进度严重滞后。
尤其是Braga，其设计直到6月才完成，比原定的时间晚了近半年。
这一延误引发微软内部担忧：2026年之后的产品发布时间或将全面推迟，进而影响与英伟达的市场竞争格局。
应对策略：引入“过渡芯片”策略、减少设计复杂度
为稳住节奏，微软决定采取分阶段迭代的策略。一名接近项目的人士透露，微软计划在2027年推出一款代号Maia 280的新芯片，作为Braga和Braga-R之间的“过渡版本”。
Maia 280将在Braga基础上进行模块化组合，通过双芯片封装形式提升计算能力，既可提升性能，又无需从头设计新架构。
这种“用组合替代重构”的方式不仅为工程团队争取了更多时间，也有助于稳定内部预期。
微软希望在性能上仍能与英伟达同期芯片一较高下，微软相信，Maia 280的单位功耗性能将比英伟达2027年的产品高出20%至30%。
战略转向：技术方案转向“芯粒架构”
微软还在逐步引入“芯粒”（chiplet）设计，以应对单芯片复杂度高、良率低的问题。
Braga-R芯片计划于2028年量产，并定名为Maia 400，将采用更先进的封装方式，在芯片尚未封装前就将两个裸晶连接，从而实现更高性能输出。
芯粒架构的优势在于，可以将大芯片划分为多个功能模块，由不同制造商分别生产，再在后期进行组装。
这种方式不仅有助于降低缺陷率，也允许微软将部分模块外包，节省成本。
不过，它在性能一致性方面通常不及“单芯片全集成”的传统架构。
微软此次选择“以组合代替全新设计”，也表明公司高层已意识到：每年从头开始打造一款新芯片，在技术和管理层面都难以持续。
相比之下，原计划2027年推出的Clea芯片如今已被延期至2028年之后，项目前景尚不明朗。
Clea被微软寄予厚望，原本定位为首款在单位能效上能直接与英伟达高端GPU抗衡的产品，但在多重因素影响下，目前该项目暂被边缘化。
此次战略调整不仅影响了微软自身芯片路线图，也波及其合作伙伴。
比如芯片设计公司Marvell，此前受聘协助开发Braga-R的一些模块，对微软的订单寄予厚望。
由于其同时与亚马逊等大型客户展开合作，Marvell股价曾一度走高。
然而，随着多个合作项目被推迟，加上全球经济放缓和地缘政治紧张，该公司今年股价出现回调。
不止于GPU：自研CPU“Cobalt”已初见成效
尽管Maia芯片的开发节奏面临挑战，但微软在CPU领域的自研尝试已经取得阶段性成果。
2024年，微软发布了用于服务器的中央处理器“Cobalt”，作为英特尔和AMD的替代方案。
与复杂的GPU设计相比，CPU架构的研发相对成熟，亚马逊等云巨头也已在该领域实现突破。
Cobalt目前已广泛部署于微软内部系统，用于运行包括Teams在内的通信服务，并对Azure客户开放使用。
据多位消息人士透露，这款CPU已开始为公司带来可观收入。
Cobalt的继任芯片代号为Kingsgate，设计工作已于3月左右完成，同样采用芯粒架构，并引入了更高带宽的内存，以满足未来更复杂的AI任务需求。
微软的芯片野心：摆脱对英伟达的芯片依赖
尽管英伟达仍然在AI芯片市场占据主导地位，但微软希望通过自研芯片逐步摆脱对其的依赖。
据统计，微软每年在英伟达AI芯片上的采购支出达到数十亿美元，成为后者最大客户之一。
英伟达对价格、供应周期的强控制力也让微软意识到，建立自主硬件能力是长期战略中不可或缺的一环。
微软发言人虽未就Maia路线图发表评论，但明确表示，公司将继续在自研硬件方面加大投入，同时保持与外部芯片厂商的紧密合作，以确保能应对未来AI计算需求的激增。
从一开始希望以全新架构每年推陈出新，到如今强调模块化迭代与阶段性成果，微软的芯片战略经历了一次清晰的“降温”。
但这并非后退，而是一种更符合现实的调整。在芯片研发耗资巨大、开发周期冗长的今天，唯有稳中求进、整合资源，才能在AI芯片这条布满荆棘的赛道上走得更远。
未来，其自研芯片能否真正与英伟达分庭抗礼，仍有待时间检验。
附：美国科技巨头AI芯片进展盘点
一、谷歌（Google）：TPU系列加速器
谷歌是最早自研AI芯片的科技巨头，其Tensor Processing Unit（TPU）系列是业内最成熟的云端AI加速器之一，自2015年推出以来已经发展到第六代，广泛部署于谷歌数据中心。
▪代表产品与应用方向：谷歌TPU专为AI训练和推理优化，主要支持自家AI模型以及外部客户基于TensorFlow的项目。
TPU被广泛用于搜索优化、语音识别、图像分类、生成模型训练等任务。
▪关键特点：
-采用专门为张量运算优化的矩阵乘法单元，运算密度高；
-支持高带宽内存（HBM），大幅提升数据吞吐；
-可扩展为大规模TPU pod集群，满足数万亿参数大模型训练需求；
-与谷歌Cloud深度集成，具备完整软件栈支持（如JAX、TensorFlow XLA）。
▪商业化进展：TPU目前作为Google Cloud平台的一项核心AI算力产品对外出租，吸引了 Anthropic、Midjourney、Character.AI等大量AI初创公司和企业客户。谷歌内部也广泛使用TPU训练Gemini等大语言模型。
▪研发进度：TPU目前已进入第六代（TPU v5p/v5e）。TPU v5e面向推理场景，性价比更优；TPU v5p则用于大规模模型训练。
谷歌正在开发更高性能的下一代TPU，用以进一步压缩与英伟达H100之间的差距。
二、亚马逊（Amazon）：Trainium与Inferentia
亚马逊通过AWS发力AI芯片自研，打造完整的训练和推理芯片组合，以降低AI算力成本并增强平台粘性。
▪代表产品与应用方向：
-Trainium：面向AI模型训练，支持主流框架如PyTorch、TensorFlow；
-Inferentia：面向推理服务，部署于客户应用中以提高响应效率和降低延迟。
二者配合使用可支持从大模型训练到在线推理的完整AI生命周期，广泛应用于语音助手、图像识别、内容推荐等场景。
▪关键特点：
-高能效比设计，运行成本显著低于英伟达GPU；
-与AWS Neuron SDK深度整合，提升开发体验；
-支持BF16、FP16等AI常用精度格式；
-芯粒模块化设计，利于生产控制。
▪商业化进展：Trainium和Inferentia已广泛部署于AWS数据中心，客户包括Stability AI、Runway、Hugging Face等AI公司。
它们已成为AWS生态中的关键组成部分，吸引大量客户将AI工作负载迁移到Amazon云上。
▪研发进度：Inferentia已推出第二代，Trainium 2尚未公开但预计正在研发中。
AWS的策略是以更高性价比和灵活性应对英伟达的硬件限制与高溢价。
三、Meta（Facebook）：MTIA系列加速器
Meta近年来加快推进AI芯片研发，目标是提升内部推荐算法、生成模型等AI应用的性能，并降低对外部GPU的依赖。
▪代表产品与应用方向：MTIA（Meta Training and Inference Accelerator）：第一代芯片已投入推理任务使用，第二代则扩展到训练任务，服务于广告排序、视频推荐、大模型推理等内部应用。
▪关键特点：
-高度定制化，专为Meta的AI工作负载优化；
-与PyTorch深度耦合，提升开发效率；
-功耗控制突出，适合大规模部署；
-采用较先进的制程工艺（MTIA v2使用7nm）。
▪商业化进展：目前MTIA主要用于Meta内部系统，尚未对外销售。
其主要用于降低对英伟达A100/H100的依赖，提升自有基础设施的AI性能和控制力。
▪研发进度：MTIA v2已于2024年完成设计并部署中。Meta还正在开发第三代产品，预计将应用于其开源大模型Llama的训练与部署中。
四、苹果（Apple）：Neural Engine系列
苹果在AI芯片上的策略与其他云厂商不同，重心放在设备端AI加速，强调隐私保护、低功耗和本地智能体验。
▪代表产品与应用方向：
Apple Neural Engine（ANE）：集成于A系列（iPhone）和M系列（Mac）芯片中，专为AI推理设计，支持图像识别、语音识别、文本生成等本地任务。
应用场景包括Siri、照片识别、自动打字预测、Vision Pro空间计算等。
▪关键特点：
-极致能效比，在极低功耗下实现高吞吐AI推理；
-本地运行，增强用户隐私安全；
-紧密结合iOS、macOS生态，开发者可通过Core ML调用；
-支持Transformer模型的本地推理，适配“端侧LLM”。
▪商业化进展：Neural Engine广泛部署于iPhone、iPad和Mac等设备中，已成为苹果产品差异化的重要组成。其AI能力逐步加强，为“个人智能化设备”铺路。
▪研发进度：每一代A/M系列芯片都会迭代提升ANE能力，苹果已计划将端侧AI作为未来核心卖点。
最新M4芯片的ANE支持60 TOPS以上的AI计算，未来或可运行完整的混合AI助手（如Apple Intelligence）。
#科创前沿#每日天使
本篇作者 / 茹莉
编务 / 龚欣雨
