Microsoft ma chipy, ale brakuje mu miejsc, w których mogą pracować

Copilot jest szczególnie wrażliwy na tę różnicę. Jego opłacalność zależy od obsługi ogromnej liczby zapytań do modeli AI przy przewidywalnym koszcie. Wydajniejszy akcelerator może poprawić ekonomikę usługi — ale dopiero wtedy, gdy zostanie podłączony do działającego klastra.

Maia 200 może obniżyć koszty, ale nie dostarczy energii

Maia 200 został zaprojektowany przede wszystkim do wnioskowania, czyli etapu, w którym wytrenowany model generuje odpowiedzi. Microsoft twierdzi, że układ zapewnia wyższą wydajność FP4 i FP8 niż porównywalne akceleratory AWS i Google. Są to jednak deklaracje producenta, a nie niezależne testy całych systemów.

Inne doniesienia szacują, że dla obciążeń Microsoftu i OpenAI Maia 200 może obniżyć koszty operacyjne o około 30–40 proc. w porównaniu z czołowymi układami Nvidii. To nadal raportowane oszacowanie, a nie gwarantowany wynik dla każdego modelu, stosu programistycznego czy poziomu wykorzystania.

Strategiczny sens tego rozwiązania jest jasny: jeśli Maia osiągnie zakładaną wydajność w produkcji na dużą skalę, Microsoft będzie mógł ograniczyć zależność od Nvidii w wybranych zadaniach wnioskowania i poprawić strukturę kosztów usług takich jak Copilot oraz Azure OpenAI.

Własny chip nie usuwa jednak wymagań fizycznych. Maia nadal potrzebuje pamięci o dużej przepustowości, zaawansowanego pakowania, sieci, szaf serwerowych, chłodzenia i dostępnych megawatów. Innymi słowy, Maia może poprawić ekonomikę działającego centrum danych, ale nie uruchomi niedokończonego albo pozbawionego zasilania obiektu.

Maia 300 to zakład na skalę, a nie już dostępna moc obliczeniowa

Reuters podał, że Microsoft planuje zaprezentować układ Maia 300 najwcześniej jesienią i prowadzi rozmowy z TSMC w sprawie mocy produkcyjnych dla ponad 300 tysięcy chipów przeznaczonych do dostaw w 2027 roku. W dłuższej perspektywie firma ma dążyć do zabezpieczenia mocy dla ponad miliona sztuk.

Te liczby należy traktować jako plany będące przedmiotem negocjacji, a nie potwierdzone dostawy. Microsoft kwestionuje raportowane dane, a samo zabezpieczenie mocy produkcyjnych w fabryce nie oznacza jeszcze zdobycia pamięci i innych komponentów, integracji systemów ani instalacji chipów w zasilanych obiektach.

Jeśli planowana rozbudowa się powiedzie, Maia 300 może zmienić projekt własnych układów Microsoftu z ograniczonego programu wewnętrznego w istotne, alternatywne źródło mocy do wnioskowania. Sukces będzie zależał od właściwej kolejności działań: produkcja, integracja systemów i gotowość centrów danych muszą nastąpić razem.

AWS i Google mają przewagę we wdrażaniu

AWS ma bardziej dojrzałą ofertę własnych akceleratorów. Amazon podał, że wdrożono łącznie 1,4 miliona chipów Trainium trzech generacji, a ponad milion układów Trainium2 obsługuje model Claude firmy Anthropic — wynika z informacji TechCrunch. AWS rozwija również Inferentia, osobną linię układów przeznaczonych do wnioskowania, dzięki czemu ma doświadczenie zarówno w trenowaniu, jak i obsłudze modeli.

Program TPU Google’a ma jeszcze dłuższą historię produkcyjną. Architektura Ironwood ma skalować się do podów liczących 9216 chipów. Inne doniesienia mówią o dostępie Anthropic nawet do miliona TPU Google’a, ale jest to zobowiązanie dotyczące mocy lub dostępu, a nie rozstrzygające porównanie liczby fizycznie zainstalowanych układów.

Nie ma publicznego, w pełni porównywalnego zestawienia całkowitej liczby chipów AI Microsoftu, AWS i Google’a. Firmy uwzględniają różne generacje, obciążenia, modele własności oraz definicje słów „zainstalowane”, „wdrożone” i „zarezerwowane”. Ostrożny wniosek jest więc węższy: AWS i Google wydają się wyprzedzać Microsoft pod względem dojrzałości wdrożeń własnych układów i doświadczenia operacyjnego, a Microsoft próbuje nadrobić dystans dzięki Maii.

Dlaczego problem dotyczy całej branży?

Microsoft nie mierzy się z tymi ograniczeniami sam. Z raportu opisanego przez Ars Technica wynika, że około 40 proc. amerykańskich projektów centrów danych planowanych na 2026 rok było zagrożonych opóźnieniem. Wśród przyczyn wymieniano brak pracowników, energii i materiałów oraz trudności z uzyskaniem pozwoleń.

Kolejnym wąskim gardłem jest pamięć. Według prognoz branżowych centra danych mogą w 2026 roku zużywać ponad 70 proc. produkcji wysokiej klasy pamięci, a dyrektor generalny Synopsys ocenił, że niedobór półprzewodników może utrzymać się do 2027 roku. Może to zwiększać koszty i wydłużać terminy dostaw dla innych branż, choć skala efektu zależy od rodzaju pamięci, dostawcy i warunków umów.

Takie warunki mogą powiększać różnicę między planowaną a faktycznie dostępną mocą AI. Firmy, które mają już zasilane obiekty, wcześniejsze umowy z dostawcami energii, dojrzałe łańcuchy dostaw i duże działające klastry, mogą nadal dokładać kolejne obciążenia. Nowsze projekty czekają tymczasem na transformatory, systemy chłodzenia, wykwalifikowanych pracowników albo przyłączenie do sieci.

Wniosek strategiczny

Opóźnienia w budowie centrów danych nie przekreślają strategii AI Microsoftu, ale sprawiają, że firma jest wyjątkowo zależna od kolejności realizacji inwestycji. Microsoft może kupować akceleratory, projektować układy Maia i podpisywać umowy produkcyjne, lecz żaden z tych kroków sam w sobie nie tworzy mocy obliczeniowej dostępnej dla klientów.

W krótkim terminie ryzykiem jest wolniejszy wzrost przepustowości Azure oraz wyższy krańcowy koszt wnioskowania dla produktów takich jak Copilot i Azure OpenAI. Ryzyko konkurencyjne polega na tym, że AWS i Google mogą wykorzystać istniejące wdrożenia własnych chipów, aby wcześniej poprawiać ceny, dostępność i znajomość swoich platform wśród deweloperów.

Maia 200 może obniżyć koszty, gdy Microsoft będzie w stanie wdrożyć ją na dużą skalę. Maia 300 może w 2027 roku zdywersyfikować źródła dostaw, jeśli raportowany plan produkcji stanie się rzeczywistością. Na razie główne wyzwanie Microsoftu jest proste do opisania, choć trudne do rozwiązania: zamienić kupione chipy i ambitne plany w zasilaną, gotową do produkcji infrastrukturę.