Microsoftův problém s AI není nákup čipů, ale jejich uvedení do provozu

Microsoftův bezprostřední problém s AI se stále méně týká samotného nákupu akcelerátorů. Čip uložený ve skladu totiž nevytváří použitelný výpočetní výkon, dokud není osazen v dokončené budově s dostatkem elektřiny, chlazením, sítí a týmem, který celý systém provozuje. Podle dostupných zpráv čekají tisíce pokročilých čipů na své nasazení, protože výstavba datových center zaostala.

Z velkého rozpočtu na hardware se tak stává pomalejší cesta k tržbám. Poptávka po Azure má převyšovat dostupnou kapacitu a praktickými limity zůstávají elektřina i připravené prostory pro datová centra.

Co to znamená pro Azure a Copilot

Neznamená to, že by Azure OpenAI nebo Copilot ze dne na den přestaly fungovat. Microsoft však má méně prostoru pro přijímání nových zákazníků, zvyšování propustnosti, otevírání dalších regionů nebo přesouvání výpočetního výkonu mezi komerčními službami a vlastními produkty.

Zákazníci Azure mohou tlak pocítit jako nedostatek kapacity v konkrétních regionech, pomalejší spuštění služeb nebo přísnější přidělování nejvýkonnějších akcelerátorů. Pro Microsoft je problém také finanční: nenainstalovaný akcelerátor nevytváří žádnou kapacitu pro inferenci, zatímco běžící úlohy mohou mezitím stále využívat dražší univerzální hardware.

Copilot je na tento kompromis obzvlášť citlivý. Jeho ekonomika závisí na tom, zda Microsoft dokáže levně a předvídatelně obsloužit velké množství požadavků na inferenci, tedy generování odpovědí již natrénovanými modely. Efektivnější čip může náklady zlepšit — ale teprve ve chvíli, kdy je připojený do fungujícího clusteru.

Maia 200 pomáhá s náklady, ne s elektřinou

Microsoft vyvíjí Maia 200 především pro inferenci. Firma uvádí, že čip nabízí vyšší výkon v režimech FP4 a FP8 než srovnatelné akcelerátory AWS a Googlu. Jde však o srovnání podle údajů výrobců, nikoli o nezávislé testy celých systémů od začátku do konce.

Další zprávy odhadují provozní výhodu Maia 200 zhruba na 30 až 40 procent proti špičkovému hardwaru Nvidia při zátěži Microsoftu a OpenAI. Ani tento údaj nelze chápat jako záruku pro každý model, softwarové prostředí nebo vytížení.

Strategie je přesto srozumitelná. Pokud se Maia 200 osvědčí v produkčním měřítku, může Microsoft u vybraných úloh snížit závislost na Nvidii a zlepšit nákladovou strukturu služeb, jako jsou Copilot a Azure OpenAI. Vlastní čip ale neodstraňuje fyzické požadavky, které jsou kolem něj: vysokorychlostní paměť, pouzdření, síťové prvky, racky, chlazení a dostupný příkon.

Jinými slovy: Maia může zlevnit provoz fungujícího datového centra. Nedokáže zprovoznit budovu, která ještě není dokončená nebo nemá dostatek energie.

Maia 300 je sázka na měřítko, nikoli hotová kapacita

Reuters uvedl, že Microsoft chce Maia 300 představit už letos na podzim a jedná s TSMC o výrobní kapacitě pro více než 300 000 čipů s dodávkami v roce 2027. V delším horizontu se podle této zprávy hovoří o ambici překročit jeden milion kusů.

Tato čísla je třeba brát jako plány, o nichž se jedná, nikoli jako potvrzené dodávky. Microsoft zveřejněné údaje zpochybňuje. I případně zajištěná kapacita u výrobce by navíc sama o sobě nestačila: Microsoft by stále musel získat paměti a další komponenty, integrovat celé systémy a nainstalovat je v napájených zařízeních.

Pokud se rozšíření podaří, může Maia 300 posunout vlastní čipový program z relativně omezeného interního projektu k významnému alternativnímu zdroji kapacity pro inferenci. Úspěch proto nebude záviset pouze na návrhu čipu. Výroba, integrace systémů a připravenost datových center musí přijít ve správném pořadí a prakticky současně.

AWS a Google mají v nasazení náskok

AWS má v oblasti vlastních akcelerátorů vyspělejší zázemí. Amazon uvedl, že napříč třemi generacemi provozuje 1,4 milionu čipů Trainium a že více než milion čipů Trainium2 využívá Anthropic pro model Claude, podle serveru TechCrunch. AWS zároveň provozuje Inferentia jako samostatnou řadu zaměřenou na inferenci, takže má zkušenosti s trénováním i obsluhou modelů.

Program TPU společnosti Google má ještě delší historii produkčního nasazení. Architektura Ironwood je podle dostupných údajů škálovatelná do podů s 9 216 čipy. Jiné zprávy popisují možnost, že Anthropic získá přístup až k jednomu milionu TPU Googlu. To je však závazek nebo příslib kapacity, nikoli definitivní srovnání skutečně nainstalované flotily.

Veřejně dostupná data neumožňují sestavit přesné srovnání celkového počtu AI čipů Microsoftu, AWS a Googlu. Firmy započítávají různé generace, typy pracovních zátěží, vlastnické modely i význam slov „nainstalovaný“, „nasazený“ nebo „rezervovaný“.

Opatrnější závěr je proto následující: AWS a Google jsou pravděpodobně napřed v dlouhodobějším nasazení vlastního křemíku a v provozních zkušenostech, zatímco Microsoft se náskok snaží dohnat pomocí řady Maia.

Proč nedostatek v celém odvětví může rozdíl zvětšit

Microsoft není jedinou firmou, která na tyto limity naráží. Zpráva shrnutá serverem Ars Technica uvádí, že přibližně 40 procent datových center v USA plánovaných na dokončení v roce 2026 bylo ohroženo zpožděním. Mezi důvody patří nedostatek pracovníků, elektřiny a materiálů i problémy s povolováním.

Další překážkou jsou paměti. Analytické odhady předpokládají, že datová centra mohou v roce 2026 spotřebovat více než 70 procent produkce špičkových paměťových čipů. Výkonný ředitel Synopsys zároveň uvedl, že nedostatek polovodičů může pokračovat i v letech 2026 a 2027. To může zvyšovat náklady a prodlužovat dodací lhůty v dalších odvětvích, přičemž konkrétní dopad se liší podle typu paměti, dodavatele a smluvních podmínek.

Výsledkem může být větší rozdíl mezi plánovanou a skutečně použitelnou AI kapacitou. Firmy, které už mají napájené lokality, dříve zajištěné připojení k síti, vyspělé dodavatelské řetězce a velké provozní clustery, mohou dál přidávat zátěž. Novější projekty zatím čekají na transformátory, chladicí systémy, kvalifikované pracovníky nebo připojení k elektrické síti.

Verdikt: Microsoft potřebuje zvládnout pořadí kroků

Zpoždění datových center samo o sobě nevyvrací strategii Microsoftu v oblasti AI. Ukazuje však, jak citlivá je na provedení a správné načasování. Firma může nakupovat akcelerátory, navrhovat čipy Maia a uzavírat výrobní dohody. Žádný z těchto kroků automaticky nevytvoří výpočetní výkon dostupný zákazníkům.

Krátkodobým rizikem je pomalejší růst kapacity Azure a vyšší mezní náklady na inferenci u produktů, jako jsou Copilot a Azure OpenAI. Konkurenční riziko spočívá v tom, že AWS a Google využijí již nasazené vlastní čipy ke zlepšení ceny, dostupnosti a obeznámenosti vývojářů se svými platformami dříve, než Microsoft uvede do provozu další vlnu datových center a čipů Maia.

Maia 200 může po nasazení ve velkém měřítku snížit náklady. Maia 300 může v roce 2027 diverzifikovat zdroje kapacity, pokud se zveřejněný výrobní plán promění ve skutečnost. Do té doby má však Microsoft před sebou jednoduchý, ale mimořádně náročný úkol: proměnit nakoupené čipy a ambiciózní plány v napájenou kapacitu připravenou pro produkční provoz.