מיקרוסופט קנתה את השבבים. עכשיו היא צריכה מקום וחשמל להפעיל אותם

דיווחים אחרים מייחסים ל-Maia 200 יתרון של כ-30% עד 40% בעלות התפעול לעומת חומרת Nvidia מובילה, בעומסי העבודה של מיקרוסופט ו-OpenAI. גם נתון זה הוא הערכה מדווחת, ולא התחייבות שתתקיים בכל מודל, סביבת תוכנה או רמת ניצולת.

ההיגיון האסטרטגי ברור: אם Maia יפעל כמצופה בקנה מידה מסחרי, מיקרוסופט תוכל להפחית את תלותה ב-Nvidia בעומסי הסקה מסוימים ולשפר את מבנה העלויות של שירותים כמו Copilot ו-Azure OpenAI. אך שבב עצמאי אינו מבטל את הדרישות הפיזיות שמסביבו. גם Maia זקוק לזיכרון HBM מהיר, לאריזה מתקדמת, לתקשורת, לארונות שרתים, לקירור ולמגה-ואטים זמינים.

במילים פשוטות: Maia יכול לשפר את הכלכלה של דאטה סנטר פעיל. הוא אינו יכול להפעיל בניין שעדיין לא הושלם או שאין לו חשמל.

Maia 300: הימור על קנה מידה, לא קיבולת שכבר קיימת

רויטרס דיווחה כי מיקרוסופט מתכננת להציג את Maia 300 כבר בסתיו הקרוב, וכי היא מנהלת מגעים עם TSMC להבטחת כושר ייצור של יותר מ-300 אלף שבבים, שמיועדים למסירה ב-2027. לפי אותו דיווח, החברה שואפת בטווח הארוך לכושר ייצור של יותר ממיליון יחידות.

יש להתייחס לנתונים האלה כתוכניות שנמצאות במשא ומתן, ולא כמשלוחים מאושרים. מיקרוסופט חולקת על המספרים שדווחו, וגם הבטחת כושר ייצור במפעל לא תספיק: החברה עדיין תצטרך להשיג זיכרון ורכיבים נוספים, לשלב את המערכות ולהתקין אותן במתקנים מחוברים לחשמל.

אם המהלך יצליח, Maia 300 עשוי להפוך את תוכנית השבבים העצמאיים של מיקרוסופט מפרויקט פנימי ומוגבל יחסית למקור משמעותי של קיבולת הסקה. לכן ההצלחה תלויה בתזמון: ייצור, שילוב המערכות ומוכנות הדאטה סנטרים חייבים להגיע יחד.

ל-AWS ולגוגל יש יתרון בפריסה

ל-AWS יש מערך בשל יותר של מאיצים ייעודיים. אמזון מסרה כי 1.4 מיליון שבבי Trainium, משלושה דורות, כבר פרוסים; לפי TechCrunch, יותר ממיליון שבבי Trainium2 משמשים את Claude של Anthropic. AWS מפעילה גם את Inferentia, משפחת שבבים נפרדת המתמקדת בהסקה, ולכן צברה ניסיון הן באימון והן בהרצת מודלים.

לתוכנית ה-TPU של גוגל יש היסטוריית ייצור ארוכה אף יותר. ארכיטקטורת Ironwood מתוארת ככזו שיכולה להתרחב ל-pod — אשכול גדול של שבבים — הכולל 9,216 יחידות. דיווחים אחרים מדברים על גישה של Anthropic לעד מיליון שבבי TPU של גוגל, אך מדובר בהתחייבות קיבולת ולא בהשוואה חד-משמעית למספר השבבים המותקנים בפועל.

אין כיום דירוג ציבורי נקי של מספר שבבי ה-AI הכולל אצל מיקרוסופט לעומת AWS וגוגל. החברות סופרות דורות שונים, עומסי עבודה שונים ומודלים שונים של בעלות וגישה, ומשתמשות במונחים כמו "מותקן", "פרוס" ו"מחויב" באופן שאינו זהה.

המסקנה הזהירה יותר היא ש-AWS וגוגל נראות מובילות בפריסה הבשלה של שבבים ייעודיים ובניסיון התפעולי שנצבר סביבה, בעוד מיקרוסופט מנסה לצמצם את הפער באמצעות Maia.

מחסור בתעשייה כולה עלול להגדיל את הפער

מיקרוסופט אינה מתמודדת עם המגבלות האלה לבדה. לפי דיווח שסוכם ב-Ars Technica, כ-40% מפרויקטי הדאטה סנטרים בארה״ב שתוכננו לשנת 2026 היו בסיכון לעיכוב, על רקע מחסור בעובדים, חשמל וחומרים וכן קשיי קבלת היתרים.

גם הזיכרון הפך לצוואר בקבוק. תחזיות בתעשייה צופות שדאטה סנטרים עשויים לצרוך יותר מ-70% מייצור הזיכרון המתקדם ב-2026, בעוד שמנכ״ל Synopsys אמר שמחסור השבבים עלול להימשך עד 2027. הדבר עשוי להעלות מחירים ולהאריך זמני אספקה בענפים אחרים, אך ההשפעה משתנה לפי סוג הזיכרון, הספק ותנאי החוזה.

התוצאה עלולה להיות פער הולך וגדל בין קיבולת AI מתוכננת לבין קיבולת AI שאפשר להשתמש בה בפועל. חברות שכבר מחזיקות באתרים מחוברים לחשמל, בהקצאות מוקדמות מחברות תשתית, בשרשראות אספקה בשלות ובאשכולות גדולים — יכולות להמשיך להוסיף עומסי עבודה בזמן שמתקנים חדשים ממתינים לשנאים, למערכות קירור, לעובדים מיומנים או לחיבור לרשת החשמל.

השורה התחתונה

העיכובים בדאטה סנטרים אינם מבטלים את אסטרטגיית ה-AI של מיקרוסופט, אך הם הופכים אותה לתלויה מאוד בסדר הביצוע. החברה יכולה לרכוש מאיצים, לתכנן שבבי Maia ולחתום על הסכמי ייצור — אך אף אחד מהצעדים האלה אינו יוצר לבדו קיבולת מחשוב זמינה ללקוחות.

הסיכון הקרוב הוא צמיחה איטית יותר של קיבולת Azure ועלויות הסקה שוליות גבוהות יותר במוצרים כמו Copilot ו-Azure OpenAI. הסיכון התחרותי הוא ש-AWS וגוגל ינצלו את הפריסה הקיימת של השבבים הייעודיים שלהן כדי לשפר מחיר, זמינות והיכרות של מפתחים עם הפלטפורמות, עוד לפני שהמתקנים והדור הבא של שבבי Maia של מיקרוסופט יהיו פעילים.

Maia 200 עשוי להוזיל עלויות לאחר שמיקרוסופט תוכל לפרוס אותו בקנה מידה גדול. Maia 300 עשוי לגוון את מקורות האספקה ב-2027, אם תוכנית הייצור שדווחה אכן תתממש. עד אז, האתגר המרכזי של מיקרוסופט פשוט לתיאור — וקשה לביצוע: להפוך שבבים שנרכשו ותוכניות שאפתניות לקיבולת מחוברת לחשמל ומוכנה להרצת ייצור.