AI業者愈來愈難只靠模型或晶片建立優勢。當晶片公司向應用服務延伸、軟體與雲端業者也開始設計自家晶片，競爭焦點便可能轉向另一個更實際的問題：企業能否取得足夠電力，並及時建好讓 AI 運作所需的資料中心？114

Chamath Palihapitiya 提出，長期市場優勢究竟會來自通路、專有資料，還是像電力這樣的實體限制；Elon Musk 的回應則點出電力供應、快速建置、冷卻、網路與電池。這並不代表軟體、資料或晶片不再重要，而是提醒市場：AI 算力也仰賴能夠迅速建成並穩定運作的實體系統。115

AI競爭，開始比誰能更快把算力送上線

如果企業能掌握電力、建置資料中心，並整合冷卻與網路等設備，就可能更有條件擴充 AI 服務。這使基礎設施成為一種潛在的策略優勢，但 Palihapitiya 與 Musk 的交流並未證明它必然勝過通路或資料，或是任何企業都會面臨相同限制。115

微軟發表第三代自研 AI 晶片與推論平台 Maia 300，則是雲端公司向硬體領域延伸的具體例子。相關報導指出，微軟過去大量仰賴 Nvidia 處理器；但推出 Maia 不等於微軟將立刻、或全面停用第三方 GPU。26

微軟表示，計畫自 2027 年起將 Maia 系列擴展至數個 gigawatt 等級的部署規模，並讓 Maia 成為旗下產品與服務的主要推論系統。Maia 200 已投入正式工作負載；Maia 300 的正式部署則預計於 2027 年開始。40

Maia 300的亮點：在有限電力下處理更多工作

微軟預期，Maia 300 每兆瓦可處理的 tokens 將比主要 GPU 系統多 40%。這是微軟提出的預期數字，並非已由獨立基準測試證實的結果。相關報導也提到，採用 96 顆加速器的機櫃，預計可達到 Maia 200 機櫃最高七倍的機櫃級 token 處理量；微軟的架構說明則指出，新機櫃的加速器密度是 Maia 200 的兩倍。345

這些規格的看點不只在晶片本身，也在整套系統如何運作：若電力與資料中心容量愈來愈難擴充，每單位電力能支撐多少 AI 工作，就可能成為雲端業者評估效率的重要指標。35

用電預測讓基礎設施壓力更具體

國際能源總署（IEA）預測，全球資料中心用電量將從 2025 年約 485 太瓦時（TWh），增至 2030 年約 950 TWh，約為目前的兩倍。這項預測說明電力是值得關注的基礎設施議題，但不能據此認定電力會在所有地區、對所有 AI 公司都成為首要限制。50

Palihapitiya 也曾在 2025 年 7 月的貼文中將能源稱為 AI 的重要瓶頸，並在之後談到美國電網的限制。這些說法與他和 Musk 近期聚焦的基礎設施議題相呼應，但屬於個人觀點，不能單獨證明電網擴建或 AI 用電需求將以特定速度變化。5861

接下來要看什麼？

Maia 300 的計畫部署，將成為檢驗自研晶片與系統整合能否提升推論算力的觀察點。接下來值得留意的包括實際部署規模、正式運作時的效能，以及微軟所稱每兆瓦多處理 40% tokens 的優勢能否在實際環境中成立。在相關結果出爐前，這項數字仍應視為公司預期，而非已證實的表現。340

Palihapitiya 與 Musk 的討論，反映出 AI 競爭問題正在擴大：除了晶片和模型，企業能否取得足夠電力、快速建設並維持基礎設施運作，也可能影響長期發展。這是一項值得留意的潛在優勢，而不是通路、資料或軟體已不再重要的定論。115

AI業者愈來愈難只靠模型或晶片建立優勢。當晶片公司向應用服務延伸、軟體與雲端業者也開始設計自家晶片，競爭焦點便可能轉向另一個更實際的問題：企業能否取得足夠電力，並及時建好讓 AI 運作所需的資料中心？114

Chamath Palihapitiya 提出，長期市場優勢究竟會來自通路、專有資料，還是像電力這樣的實體限制；Elon Musk 的回應則點出電力供應、快速建置、冷卻、網路與電池。這並不代表軟體、資料或晶片不再重要，而是提醒市場：AI 算力也仰賴能夠迅速建成並穩定運作的實體系統。115

AI競爭，開始比誰能更快把算力送上線

如果企業能掌握電力、建置資料中心，並整合冷卻與網路等設備，就可能更有條件擴充 AI 服務。這使基礎設施成為一種潛在的策略優勢，但 Palihapitiya 與 Musk 的交流並未證明它必然勝過通路或資料，或是任何企業都會面臨相同限制。115

微軟發表第三代自研 AI 晶片與推論平台 Maia 300，則是雲端公司向硬體領域延伸的具體例子。相關報導指出，微軟過去大量仰賴 Nvidia 處理器；但推出 Maia 不等於微軟將立刻、或全面停用第三方 GPU。26

微軟表示，計畫自 2027 年起將 Maia 系列擴展至數個 gigawatt 等級的部署規模，並讓 Maia 成為旗下產品與服務的主要推論系統。Maia 200 已投入正式工作負載；Maia 300 的正式部署則預計於 2027 年開始。40

Maia 300的亮點：在有限電力下處理更多工作

微軟預期，Maia 300 每兆瓦可處理的 tokens 將比主要 GPU 系統多 40%。這是微軟提出的預期數字，並非已由獨立基準測試證實的結果。相關報導也提到，採用 96 顆加速器的機櫃，預計可達到 Maia 200 機櫃最高七倍的機櫃級 token 處理量；微軟的架構說明則指出，新機櫃的加速器密度是 Maia 200 的兩倍。345

這些規格的看點不只在晶片本身，也在整套系統如何運作：若電力與資料中心容量愈來愈難擴充，每單位電力能支撐多少 AI 工作，就可能成為雲端業者評估效率的重要指標。35

用電預測讓基礎設施壓力更具體

國際能源總署（IEA）預測，全球資料中心用電量將從 2025 年約 485 太瓦時（TWh），增至 2030 年約 950 TWh，約為目前的兩倍。這項預測說明電力是值得關注的基礎設施議題，但不能據此認定電力會在所有地區、對所有 AI 公司都成為首要限制。50

Palihapitiya 也曾在 2025 年 7 月的貼文中將能源稱為 AI 的重要瓶頸，並在之後談到美國電網的限制。這些說法與他和 Musk 近期聚焦的基礎設施議題相呼應，但屬於個人觀點，不能單獨證明電網擴建或 AI 用電需求將以特定速度變化。5861

接下來要看什麼？

Maia 300 的計畫部署，將成為檢驗自研晶片與系統整合能否提升推論算力的觀察點。接下來值得留意的包括實際部署規模、正式運作時的效能，以及微軟所稱每兆瓦多處理 40% tokens 的優勢能否在實際環境中成立。在相關結果出爐前，這項數字仍應視為公司預期，而非已證實的表現。340

Palihapitiya 與 Musk 的討論，反映出 AI 競爭問題正在擴大：除了晶片和模型，企業能否取得足夠電力、快速建設並維持基礎設施運作，也可能影響長期發展。這是一項值得留意的潛在優勢，而不是通路、資料或軟體已不再重要的定論。115