Anthropic 可能採用 Maia 200：微軟自研 AI 晶片策略的關鍵驗證

在這個框架下，如果 Anthropic 開始在 Azure 上使用 Maia 晶片進行推理（inference），將意味著微軟自研硬體已經能承擔真正的大規模 AI 工作負載。

換句話說，微軟的晶片策略將從「避免過度依賴 Nvidia 的備案」轉變為 真正可對外銷售的雲端產品。

Maia 200 的技術重點

Maia 200 是微軟推出的第二代 AI 加速器，重點不是訓練模型，而是 推理（inference）——也就是讓已訓練好的模型回應使用者問題並生成內容。

這個環節正在快速成為 AI 公司最大的長期成本來源，因為每一次用戶請求都需要推理運算。

Maia 200 的主要規格包括：

• 採用 台積電 3 奈米製程
• 原生支援 FP4 與 FP8 tensor 運算（適合大型語言模型推理）
• 216GB HBM3e 高頻寬記憶體
• 約 7TB/s 記憶體頻寬
• 272MB 片上 SRAM 用於高速資料存取
• 超過 10 petaFLOPS（FP4） 與 5 petaFLOPS（FP8） 計算能力

微軟表示，這些設計能提升大型模型的 token 生成效率，使其 每美元效能提升約 30%。

對 AI 公司而言，這點非常關鍵。訓練模型通常需要 GPU 的靈活架構，但在推理階段，專門設計的加速器往往能以更低成本提供更高吞吐量。

在微軟—Anthropic合作中的角色

即使 Anthropic 採用 Maia 200，也不太可能完全取代 Nvidia 硬體。

目前 Nvidia GPU 仍是大規模 AI 訓練的主流，而 Azure 上為 Anthropic 提供的大量算力本來就包含 Nvidia 系統。

更可能的模式是：

• 訓練階段：仍以 Nvidia GPU 為主
• 推理階段：部分工作負載轉向 Maia

這樣可以在保持性能的同時降低運行成本。

AI 公司正在走向「多雲、多晶片」策略

Anthropic 與微軟的討論其實反映了整個 AI 產業的一個重要趨勢。

越來越多 AI 模型公司不再依賴單一雲端平台或單一晶片架構，而是採用 multi‑cloud、multi‑chip 策略，例如同時使用：

• Nvidia GPU
• Google TPU
• AWS Trainium / Inferentia
• 微軟 Maia

這種做法有幾個好處：

• 降低對單一晶片供應商的依賴
• 在算力價格談判中取得更大籌碼
• 為不同工作負載選擇最適合的硬體

也因此，雲端巨頭正積極開發自己的 AI 晶片：Google 有 TPU、Amazon 有 Trainium 與 Inferentia、微軟推出 Maia，希望在 AI 基礎設施中掌握更多價值。

AI 晶片戰爭的新階段

如果 Anthropic 最終在 Azure 上大規模部署 Maia 200，訊號會非常明確：

大型雲端公司自研的 AI 晶片，開始成為 真正可替代 GPU 的基礎設施選項。

Nvidia 仍然是 AI 計算領域的主導者，但 Google、Amazon 與微軟正在迅速建立垂直整合的 AI 堆疊——從資料中心、到晶片、到 AI 平台服務。

在這場競賽中，一筆看似普通的雲端算力合作，其實可能代表 AI 基礎設施權力版圖的重大變化。