Microsoft Maia 300 ใช้เทคโนโลยี N2P ของ TSMC ขณะ Azure ตั้งเป้าขยายกำลังรองรับ AI สู่ระดับหลายกิกะวัตต์ในปี 2027

แร็กตัวเร่งประมวลผล 96 ตัวเป็นหัวใจของการผลักดัน AI ระลอกใหม่ของ Microsoft

Microsoft เปิดตัว Maia 300 ตัวเร่งประมวลผล AI ที่ชิปเล็ตประมวลผลจะผลิตด้วยกระบวนการ N2P ของ Taiwan Semiconductor Manufacturing Co. โดยเริ่มติดตั้งใช้งานจริงในปี 2027 การประกาศครั้งนี้เผยให้เห็นการออกแบบที่เป็นรูปธรรมเบื้องหลังเป้าหมายของ Microsoft ที่จะทำให้ฮาร์ดแวร์ Maia ของบริษัทเป็นระบบหลักสำหรับประมวลผลการอนุมาน AI ในผลิตภัณฑ์และบริการต่าง ๆ

แร็กที่วางแผนไว้จะรวมตัวเร่งประมวลผล 96 ตัวไว้ภายใต้กรอบการใช้พลังงาน 167 กิโลวัตต์ พร้อมหน่วยความจำแบนด์วิดท์สูง 27.6 เทราไบต์ และแบนด์วิดท์หน่วยความจำรวมราว 1.7 เพตะไบต์ต่อวินาที Microsoft คาดว่า Maia 300 จะประมวลผลโทเคนต่อเมกะวัตต์ได้มากกว่าระบบชั้นนำที่ใช้หน่วยประมวลผลกราฟิก หรือ GPU อยู่ 40% และให้ปริมาณงานสูงสุดถึง 7 เท่าของแร็ก Maia 200

ตัวเลขเหล่านี้เป็นคำกล่าวอ้างด้านประสิทธิภาพของบริษัท ไม่ใช่ผลการทดสอบมาตรฐานจากหน่วยงานอิสระ อย่างไรก็ตาม ตัวเลขดังกล่าวสะท้อนทิศทางการลงทุนของ Microsoft นั่นคือเพิ่มปริมาณผลลัพธ์ AI ที่มีประโยชน์ภายใต้ข้อจำกัดด้านไฟฟ้า การระบายความร้อน และพื้นที่ของศูนย์ข้อมูล แทนที่จะมุ่งเพิ่มกำลังประมวลผลของชิปแต่ละตัวเพียงอย่างเดียว

Scott Guthrie รองประธานบริหารฝ่าย Cloud + AI ของ Microsoft เปิดเผยแผนการติดตั้งใช้งานใน ประกาศ Azure Maia ของบริษัทเมื่อวันที่ 12 ตุลาคม 2026

เราจะขยายตระกูล Azure Maia ให้รองรับการติดตั้งใช้งานระดับหลายกิกะวัตต์ตั้งแต่ปี 2027 เพื่อให้ Maia เป็นระบบหลักสำหรับการอนุมานในผลิตภัณฑ์และบริการของ Microsoft

คำมั่นดังกล่าวครอบคลุมตระกูล Maia ไม่ใช่เฉพาะ Maia 300 รายงานที่ระบุว่า Microsoft อาจติดตั้งชิป Maia 300 มากกว่า 1 ล้านตัวในปี 2027 นั้นเกินกว่าข้อมูลในประกาศที่เผยแพร่ ซึ่งยืนยันเพียงปีเริ่มต้น แต่ไม่ได้ระบุจำนวนชิปหรือกำหนดเส้นตายสำหรับการขยายโครงการในภาพรวมให้แล้วเสร็จ

TSMC N2P จะผลิตอะไร

การยืนยันของ Microsoft เจาะจงกว่าการเรียก Maia 300 โดยทั่วไปว่าเป็นชิปขนาด 2 นาโนเมตร ชิปเล็ตประมวลผลใช้ N2P ซึ่งเป็นกระบวนการหนึ่งในตระกูลเทคโนโลยี 2 นาโนเมตรของ TSMC ส่วนตัวควบคุมหน่วยความจำและฟังก์ชันรับส่งข้อมูลจะอยู่บนไดแยกกัน ทำให้ส่วนต่าง ๆ ของแพ็กเกจใช้เทคโนโลยีการผลิตที่เหมาะกับงานของตนได้

ชิปเล็ตคือชิ้นส่วนซิลิคอนขนาดเล็กที่ทำงานร่วมกับไดอื่น ๆ ภายในแพ็กเกจเดียวกัน สำหรับ Maia 300 การแบ่งส่วนเช่นนี้ทำให้ Microsoft วางฟังก์ชันประมวลผลบนกระบวนการผลิตขั้นสูงได้ ขณะที่แยกการเชื่อมต่อ การควบคุมหน่วยความจำ และต้นทุนออกมาเป็นทางเลือกในการออกแบบต่างหาก ไม่ได้หมายความว่าไดทุกชิ้นในแพ็กเกจจะผลิตด้วย N2P

บทวิเคราะห์สถาปัตยกรรม Maia 300 ของ Microsoft เมื่อวันที่ 12 ตุลาคม ซึ่งเขียนโดย Rani Borkar ประธานฝ่ายระบบฮาร์ดแวร์และโครงสร้างพื้นฐาน Azure และ Saurabh Dighe รองประธานบริษัทฝ่ายวางแผนและสถาปัตยกรรมระบบ อธิบายการแบ่งส่วนดังกล่าวไว้อย่างชัดเจน

เอกสารระบุว่าการปรับเปลี่ยนสถาปัตยกรรมช่วยเพิ่มปริมาณงานประมวลผลของระบบ ซึ่งวัดเป็นการดำเนินการเลขทศนิยม ได้ 36% เพิ่มแบนด์วิดท์ HBM เป็น 2.5 เท่า และเพิ่มแบนด์วิดท์สำหรับการสื่อสารระหว่างตัวเร่งประมวลผลอีก 14% ตัวเลขเหล่านี้บอกถึงทรัพยากรคนละด้านในระบบ และไม่มีตัวเลขใดเพียงตัวเดียวที่อธิบายคำกล่าวอ้างเรื่องปริมาณโทเคนของแร็กที่เพิ่มขึ้น 7 เท่าได้

เหตุใดหน่วยความจำจึงสำคัญพอ ๆ กับกำลังประมวลผล

Maia 300 ออกแบบมาเพื่อการอนุมานเป็นหลัก ซึ่งเป็นกระบวนการใช้โมเดลที่ผ่านการฝึกแล้วสร้างคำตอบหรือทำงานต่าง ๆ งานที่มุ่งรองรับรวมถึงการให้เหตุผลจากเอกสารยาว การสนทนาที่ต้องตอบอย่างรวดเร็ว และเอเจนต์ AI ที่ทำงานหลายขั้นตอนพร้อมใช้เครื่องมือเป็นเวลานาน

งานลักษณะนี้อาจใช้เวลามากไปกับการเคลื่อนย้ายข้อมูลของโมเดลและข้อมูลบทสนทนาที่จัดเก็บไว้ มากกว่าการคำนวณทางคณิตศาสตร์ ด้วยเหตุนี้ Microsoft จึงออกแบบตัวเร่งประมวลผลแต่ละตัวให้มีหน่วยความจำ HBM4 จำนวน 8 สแตก ให้ความจุ 288 กิกะไบต์ และแบนด์วิดท์สูงสุด 18 เทราไบต์ต่อวินาที ภายใต้กรอบกำลังไฟฟ้าสำหรับการออกแบบระบบระบายความร้อน 950 วัตต์ ค่ากำลังไฟฟ้าสำหรับการออกแบบระบบระบายความร้อนเป็นข้อกำหนดในการออกแบบด้านพลังงานและการระบายความร้อน ไม่ใช่การวัดปริมาณไฟฟ้าที่ใช้ตลอดเวลา

Microsoft ระบุว่า Maia 300 มีความจุหน่วยความจำมากกว่า Maia 200 อยู่ 33% และมีแบนด์วิดท์หน่วยความจำ 2.5 เท่า การเปรียบเทียบด้านความจุสอดคล้องกับตัวเลขที่รายงานว่าเพิ่มจาก 216 เป็น 288 กิกะไบต์ หรือเพิ่มขึ้น 72 กิกะไบต์ต่อตัวเร่งประมวลผล

การใช้หน่วยวัดแบนด์วิดท์ต้องพิจารณาให้รอบคอบ รายงานบางฉบับระบุแบนด์วิดท์ของชิปรุ่นก่อนเป็นเทราบิตต่อวินาที และของแร็กใหม่เป็นเพตะบิตต่อวินาที ส่วนเอกสาร Maia 300 ของ Microsoft ใช้หน่วยเทราไบต์และเพตะไบต์ต่อวินาที บิตกับไบต์ต่างกัน 8 เท่า จึงไม่ควรถือว่าตัวเลขที่ใช้หน่วยต่างกันเหล่านี้เทียบกันได้โดยตรง

ซอฟต์แวร์ควบคุมเส้นทางการเคลื่อนย้ายข้อมูล

Maia 300 ต่อยอดสถาปัตยกรรมการไหลของข้อมูลที่ซอฟต์แวร์กำหนดและเข้าถึงเฉพาะที่ของ Microsoft หรือ SDLA ในทางปฏิบัติ สถาปัตยกรรมนี้เปิดให้ซอฟต์แวร์ควบคุมได้อย่างชัดเจนว่าข้อมูลถูกจัดเก็บไว้ที่ใด เคลื่อนย้ายอย่างไร เปลี่ยนรูปแบบเมื่อใด และประสานการทำงานระหว่างหน่วยประมวลผล หน่วยความจำ และเครือข่ายอย่างไร

การออกแบบใหม่ใช้โครงสร้างหน่วยความจำแบบไม่สม่ำเสมอระหว่างชิปเล็ต หน่วยความจำบางส่วนอยู่ใกล้บริเวณประมวลผลหนึ่งมากกว่าส่วนอื่น ซอฟต์แวร์จึงลดการเคลื่อนย้ายข้อมูลได้ด้วยการวางข้อมูลไว้ใกล้หน่วยประมวลผลที่ต้องใช้ นอกจากนี้ SRAM ซึ่งเป็นหน่วยความจำความเร็วสูงที่อยู่บนไดยังทำหน้าที่เป็นพื้นที่ทำงานชั่วคราวที่ซอฟต์แวร์จัดการได้ ช่วยลดภาระของ HBM

Microsoft ผสานการเปลี่ยนแปลงเหล่านี้เข้ากับการรองรับรูปแบบตัวเลขขนาดกะทัดรัดที่เพิ่มขึ้น ซึ่งรวมถึง MXFP4 และรูปแบบจัดเก็บข้อมูลที่ใช้บิตน้อยกว่า 3 บิต การแทนข้อมูลเหล่านี้ช่วยลดพื้นที่หน่วยความจำที่ข้อมูลใช้และจำนวนไบต์ที่ต้องเคลื่อนย้ายระหว่างการอนุมาน ประโยชน์ที่ได้ขึ้นอยู่กับการรองรับจากซอฟต์แวร์และโมเดล ไม่ได้เกิดจากการใช้รูปแบบข้อมูลที่เล็กลงเพียงอย่างเดียว

การออกแบบยังมุ่งปรับปรุง KV cache ซึ่งเก็บข้อมูลจากโทเคนที่โมเดลประมวลผลไปแล้ว เพื่อไม่ต้องคำนวณข้อมูลดังกล่าวซ้ำในทุกขั้น การทำให้แคชนี้มีขนาดกะทัดรัดมีความสำคัญเมื่อบทสนทนายาวขึ้น หรือมีผู้ใช้จำนวนมากที่ต้องรับบริการพร้อมกัน

Mustafa Suleyman ประธานเจ้าหน้าที่บริหารฝ่าย AI ของ Microsoft เชื่อมโยงโครงการฮาร์ดแวร์เข้ากับการพัฒนาโมเดลของบริษัท พร้อมอธิบายว่าทำไมทีมของเขาจึงต้องการควบคุมแพลตฟอร์มที่รองรับโมเดล

เมื่อทำงานในระดับนั้น เราจำเป็นต้องมีแพลตฟอร์มที่เราเป็นเจ้าของและร่วมออกแบบไปพร้อมกับโมเดลของเรา นั่นจึงเป็นเหตุผลที่การนำโมเดล Microsoft AI ของเรามาทำงานบนชิป Maia เป็นเป้าหมายสำคัญของทีม

จากแร็กเดียวสู่ตัวเร่งประมวลผล 12,288 ตัว

แร็ก Maia 300 มี 24 ถาด แต่ละถาดติดตั้งตัวเร่งประมวลผล 4 ตัว พร้อมหน่วยประมวลผลโฮสต์ หน่วยความจำ พื้นที่จัดเก็บ และระบบระบายความร้อนที่เกี่ยวข้อง จำนวนตัวเร่งประมวลผลจึงเพิ่มเป็นสองเท่าจาก 48 ตัวในแร็ก Maia 200 การรวมอุปกรณ์โฮสต์ไว้ในถาดเหล่านี้ช่วยตัดความจำเป็นในการใช้ถาดโฮสต์แยกต่างหาก และเปิดพื้นที่ให้ติดตั้งตัวเร่งประมวลผลเพิ่ม

การออกแบบเครือข่ายของ Microsoft เชื่อมต่อแร็กได้สูงสุด 128 แร็กเป็นซูเปอร์พอดที่มีตัวเร่งประมวลผล 12,288 ตัว ระบบใช้การเชื่อมต่อทางไฟฟ้าภายในแร็ก และการเชื่อมต่อทางแสงระหว่างแร็ก พร้อมระบบขนส่งข้อมูล AI ที่ออกแบบเฉพาะบนพื้นฐาน Ethernet

เครือข่ายทำให้ซอฟต์แวร์มองเห็นรูปแบบการสื่อสารเดียวกันทั่วทั้งซูเปอร์พอด ตัวเร่งประมวลผลสามารถเริ่มส่งข้อมูลไปยังตัวเร่งประมวลผลอื่นได้โดยไม่ต้องส่งผ่านหน่วยประมวลผลโฮสต์หรืออินเทอร์เฟซเครือข่ายแยกต่างหากสำหรับการสื่อสารระหว่างแร็ก

เรื่องนี้สำคัญเมื่อแบ่งโมเดลให้ทำงานบนชิปหลายตัว การประมวลผลแบบขนานเทนเซอร์จะแบ่งส่วนต่าง ๆ ของการคำนวณโมเดลไปยังตัวเร่งประมวลผลหลายตัว และต้องสื่อสารระหว่างกันบ่อยครั้ง Microsoft ระบุว่าซอฟต์แวร์สามารถจัดการให้ทราฟฟิกที่ต้องตอบสนองเร็วที่สุดอยู่ภายในแร็ก ขณะที่กระจายงานอื่นออกไปได้กว้างกว่า

เครือข่ายเดียวกันยังแยกการประมวลผลพรอมป์ต์เบื้องต้นออกจากการสร้างคำตอบในขั้นต่อมาได้ ข้อมูล KV ที่จัดเก็บไว้จะส่งตรงระหว่างหน่วยประมวลผลที่รับผิดชอบแต่ละขั้น ตัวเร่งประมวลผลสำรองในแร็กอื่นยังเข้ามาทำงานแทนได้เมื่อความจุใช้งานไม่พร้อมให้บริการ แม้เส้นทางสื่อสารที่ยาวขึ้นจะเพิ่มความหน่วงก็ตาม

ตัวเลขประสิทธิภาพเปรียบเทียบอะไรกันแน่

Microsoft เผยแพร่ตัวเลขเปรียบเทียบสำคัญ 2 รายการ ซึ่งควรแยกพิจารณาจากกัน การเพิ่มขึ้น 40% ของจำนวนโทเคนต่อเมกะวัตต์ที่คาดการณ์ไว้เป็นการเปรียบเทียบ Maia 300 กับระบบ GPU ชั้นนำ ส่วนคำกล่าวอ้างเรื่องปริมาณโทเคนต่อแร็กที่เพิ่มขึ้นสูงสุด 7 เท่าเป็นการเปรียบเทียบแร็ก Maia 300 ที่ติดตั้งอุปกรณ์ครบกับ Maia 200

โทเคนคือหน่วยข้อความที่โมเดลภาษาใช้ประมวลผล โดยมักเป็นส่วนหนึ่งของคำ ไม่ใช่คำเต็ม ปริมาณโทเคนที่ประมวลผลได้ใช้วัดปริมาณผลลัพธ์ แต่เพียงอย่างเดียวไม่ได้ยืนยันคุณภาพคำตอบ ความเร็วในการตอบสนองสำหรับผู้ใช้แต่ละคน หรือประสิทธิภาพกับโมเดลทุกชนิด

เอกสารสถาปัตยกรรมยังใช้ถ้อยคำต่างกันในการกล่าวถึงประสิทธิภาพเมื่อเทียบกับ Maia 200 ส่วนที่อธิบายแร็กระบุว่าประสิทธิภาพต่อวัตต์เพิ่มขึ้นสูงสุด 2.5 เท่า ขณะที่บทสรุปการเปรียบเทียบระบุว่ามากกว่า 2.5 เท่า หากไม่มีรายละเอียดเงื่อนไขการทดสอบ ก็ไม่ควรยุบข้อความเหล่านี้ให้เป็นผลลัพธ์เดียวที่รับประกันได้

จำนวนตัวเร่งประมวลผลอธิบายส่วนหนึ่งของปริมาณงานแร็กที่เพิ่มขึ้น Maia 300 มีชิปเพิ่มเป็นสองเท่า ดังนั้นคำกล่าวอ้างเรื่องปริมาณงานที่เพิ่มขึ้น 7 เท่าจึงไม่ได้มาจากความหนาแน่นเพียงอย่างเดียว แต่รวมตัวเร่งประมวลผลที่เพิ่มขึ้นเข้ากับการปรับปรุงหน่วยความจำ ซอฟต์แวร์ เครือข่าย และประสิทธิภาพการทำงาน ไม่ควรตีความว่าเป็นการเพิ่มประสิทธิภาพของชิปแต่ละตัวถึง 7 เท่า

ข้อกำหนดกำลังไฟฟ้า 950 วัตต์ต่อตัวเร่งประมวลผลก็แตกต่างจากกรอบการใช้พลังงาน 167 กิโลวัตต์ต่อแร็กเช่นกัน เมื่อนำ 96 คูณกับ 950 วัตต์ จะได้ 91.2 กิโลวัตต์ ตัวเลขระดับแร็กครอบคลุมระบบที่กว้างกว่า ทั้งโฮสต์ หน่วยความจำ เครือข่าย และระบบจ่ายไฟ จึงเป็นค่าที่วัดคนละขอบเขตกัน

ระบบระบายความร้อนและไฟฟ้ากำหนดรูปแบบการติดตั้ง

ด้วยกำลังไฟฟ้า 167 กิโลวัตต์ต่อแร็ก Maia 300 จึงต้องวางระบบพลังงานและการระบายความร้อนแบบบูรณาการ Microsoft ระบุว่าระบบระบายความร้อนด้วยของเหลวช่วยนำความร้อนออกจากตัวเร่งประมวลผล ตัวควบคุมแรงดันไฟฟ้า และชิปสวิตช์เครือข่ายได้มากกว่า 80% ของภาระความร้อนในแร็ก ส่วนระบบระบายความร้อนด้วยอากาศดูแลหน่วยความจำ พื้นที่จัดเก็บ และส่วนประกอบอื่น ๆ

แร็กสามารถเชื่อมต่อกับระบบน้ำของอาคารได้โดยตรงในพื้นที่ที่มีระบบดังกล่าว หรือใช้เครื่องแลกเปลี่ยนความร้อนในศูนย์ข้อมูลที่อาศัยการระบายความร้อนด้วยอากาศ ระบบจ่ายไฟแบบคู่และสวิตช์ถ่ายโอนอัตโนมัติช่วยให้ทำงานต่อเนื่องได้เมื่อปิดแหล่งจ่ายไฟหนึ่งชุดเพื่อซ่อมบำรุง

ข้อมูลการวัดกำลังไฟฟ้าในระดับแร็กและแถวแร็กถูกส่งเข้าสู่ระบบปฏิบัติการศูนย์ข้อมูล Microsoft ระบุว่าข้อมูลดังกล่าวช่วยให้อัลกอริทึมจัดสรรพลังงาน วางตำแหน่งเวิร์กโหลด และปรับความหนาแน่นในการติดตั้งให้สอดคล้องกับกำลังไฟฟ้าและความสามารถในการระบายความร้อนที่มีอยู่

Alistair Speirs ผู้จัดการทั่วไปของ Microsoft อธิบายความเชื่อมโยงระหว่างต้นทุนการดำเนินงานกับสถาปัตยกรรมใหม่ไว้ว่า

เราต้องการสถาปัตยกรรมใหม่ที่จะช่วยให้ได้ประสิทธิภาพที่ดีขึ้น และใช้พลังงานที่เรามีได้คุ้มค่าขึ้น

เป้าหมายการติดตั้งกำลังรองรับระดับกิกะวัตต์จึงไม่ใช่เพียงแผนจัดซื้อชิป แต่หมายถึงการลงทุนโครงสร้างพื้นฐานขนาดใหญ่ที่เกี่ยวข้องกับแร็ก เครือข่าย กำลังไฟฟ้า และระบบระบายความร้อน ประกาศที่เผยแพร่ยังไม่ได้ระบุสถานที่ตั้ง การจัดสรรกำลังรองรับในแต่ละภูมิภาค หรือกำหนดการแล้วเสร็จ

Maia 200 เป็นจุดเริ่มต้น

Microsoft ระบุว่า Maia 200 รองรับเวิร์กโหลดการใช้งานจริงแล้ว รวมถึง Microsoft Copilot และช่วยทีม MAI พัฒนาโมเดลใหม่ โดยรองรับโมเดลของ OpenAI โมเดล MAI ของ Microsoft เอง และโมเดลโอเพนซอร์สตระกูลชั้นนำ พร้อมติดตั้งใช้งานในสหรัฐฯ ยุโรป และออสเตรเลีย

รายงานต่าง ๆ ให้ข้อมูลไม่ตรงกันเกี่ยวกับการนำ GitHub Copilot และ Microsoft Foundry มาใช้งาน บางฉบับระบุว่าทั้งสองระบบใช้ Maia 200 กับเวิร์กโหลดจริงแล้ว ขณะที่แถลงการณ์ของ Microsoft เมื่อวันที่ 12 ตุลาคมระบุว่าคาดว่าจะตามมาในช่วงปลายปี 2026 กำหนดการอย่างเป็นทางการนี้จึงเป็นฐานข้อมูลที่หนักแน่นกว่าสำหรับการอธิบายสถานะการใช้งาน

Microsoft รายงานว่าฟังก์ชัน AI ในตัวของประสบการณ์ใช้งาน Teams, Copilot และ Cowork ให้จำนวนโทเคนต่อวัตต์สูงสุด 1.7 เท่าเมื่อเทียบกับโครงสร้างพื้นฐาน GPU ชั้นนำ นอกจากนี้ยังระบุการใช้งานในอนาคต ตั้งแต่เครื่องมือช่วยเขียนโค้ด การให้บริการโมเดลบนคลาวด์ การอนุมานและสร้างข้อมูลสำหรับ MAI ไปจนถึงเวิร์กโฟลว์ทางคลินิกผ่าน Dragon Copilot

ลำดับประกาศและหมุดหมายที่วางแผนไว้มีดังนี้:

• 2023: Microsoft เปิดตัว Maia 100 ตัวเร่งประมวลผล AI แบบกำหนดเองรุ่นแรกของบริษัท
• มกราคม 2026: Microsoft ประกาศเปิดตัว Maia 200
• 12 ตุลาคม 2026: Microsoft เผยสถาปัตยกรรม Maia 300 และยืนยันการใช้งาน Maia 200 กับเวิร์กโหลดจริง
• ภายในสิ้นปี 2026: คาดว่า GitHub Copilot และ Microsoft Foundry จะเริ่มใช้งาน Maia 200 ตามมา
• 2027: เริ่มติดตั้ง Maia 300 เพื่อใช้งานจริง และเริ่มขยายตระกูล Maia สู่ระดับหลายกิกะวัตต์

Jim Kleewein ผู้เชี่ยวชาญด้านเทคนิคของ Microsoft ระบุว่าบางส่วนของ Microsoft 365 Copilot น่าจะทำงานได้เร็วขึ้นเมื่อใช้ Maia 300 แต่ยังไม่มีการประกาศตัวเลขการปรับปรุงเวลาในการตอบสนองที่วัดได้สำหรับผู้ใช้

บทบาทของ TSMC และอุตสาหกรรมเซิร์ฟเวอร์ไต้หวันที่เพิ่มขึ้น

Maia 300 ทำให้ TSMC มีบทบาทที่ยืนยันแล้วในการผลิตฮาร์ดแวร์ AI ขั้นสูงให้บริษัทคลาวด์รายใหญ่เพิ่มขึ้นอีกแห่ง Microsoft ออกแบบตัวเร่งประมวลผล ส่วน TSMC ผลิตชิปเล็ตประมวลผล N2P ดังนั้นการลดการพึ่งพา GPU ที่จัดซื้อจึงไม่ได้ทำให้หมดการพึ่งพากำลังการผลิตเซมิคอนดักเตอร์

TSMC ระบุว่าโรงงาน 5 แห่งที่ใช้กระบวนการผลิต 2 นาโนเมตรจะทยอยเพิ่มกำลังการผลิตในปี 2026 โดย 2 แห่งอยู่ในซินจู๋ และ 3 แห่งอยู่ในเกาสง การผลิตจำนวนมากด้วย N2P มีกำหนดเริ่มในครึ่งหลังของปี 2026 ก่อนที่ Microsoft จะเริ่มติดตั้งใช้งานตามแผนในปี 2027

ประมาณการในตลาดคาดว่ากำลังการผลิต 2 นาโนเมตรของ TSMC จะอยู่ที่ราว 90,000-100,000 เวเฟอร์ต่อเดือนภายในสิ้นปี 2026 และมากกว่า 110,000 เวเฟอร์ต่อเดือนภายในกลางปี 2027 ตัวเลขคาดการณ์ที่ว่ากระบวนการนี้อาจสร้างรายได้เกือบ 10% ของรายได้ในครึ่งหลังเป็นการคาดการณ์ ไม่ใช่รายได้จากคำสั่งซื้อ Maia ที่ยืนยันแล้ว

เป้าหมายที่ TSMC ประกาศไว้รวมถึงการผลิตเวเฟอร์ในปีแรกของกระบวนการ 2 นาโนเมตรให้ได้มากกว่าปีแรกของการผลิต 3 นาโนเมตรในปี 2023 อยู่ 45% และการเติบโตของกำลังการผลิต 2 นาโนเมตรแบบทบต้นเฉลี่ย 70% ต่อปีระหว่างปี 2026-2028 เป้าหมายทั้งสองไม่ได้ระบุส่วนแบ่งผลผลิตของ Microsoft

ประมาณการภาพรวมตลาดระบุว่า Foxconn, Quanta, Wistron, Wiwynn, Pegatron, Inventec, Compal และ MiTAC อาจได้รับประโยชน์จากความต้องการเซิร์ฟเวอร์ AI ที่เพิ่มขึ้น โดยคาดการณ์การจัดส่งเซิร์ฟเวอร์ AI ที่ 3.5 ล้านเครื่องในปี 2026 และ 5.2 ล้านเครื่องในปี 2027 ตัวเลขรวมที่ปัดเศษเหล่านี้สื่อถึงการเติบโตราว 49% ซึ่งสูงกว่าตัวเลขคาดการณ์ 46% ที่มีการอ้างแยกต่างหากเล็กน้อย

นอกจากนี้ยังมีการคาดการณ์ว่าการใช้จ่ายลงทุนของผู้ให้บริการคลาวด์รายใหญ่ในสหรัฐฯ จะเติบโต 96% ในปี 2026 โดยประมาณครึ่งหนึ่งของการเพิ่มขึ้นมาจากการก่อสร้างศูนย์ข้อมูล Foxconn คาดว่าการจัดส่งแร็ก AI ต่อปีจะเพิ่มขึ้นมากกว่าสองเท่า ขณะที่ Quanta ยังคงเป้าหมายการเติบโตของเซิร์ฟเวอร์ AI อย่างน้อย 100% ตัวเลขเหล่านี้เป็นความคาดหวังในอุตสาหกรรมโดยรวม ไม่ใช่การยืนยันสัญญาจัดหา Maia 300

Nvidia ยังคงเป็นส่วนหนึ่งของแผน

เป้าหมายของ Microsoft คือทำให้ Maia เป็นระบบหลักสำหรับการอนุมานในผลิตภัณฑ์และบริการของบริษัทเอง ไม่ใช่แทนที่ GPU ทุกตัวใน Azure การฝึกโมเดลใหม่ยังเป็นความต้องการอีกด้านหนึ่ง และ Microsoft ยังคงร่วมงานกับ Nvidia และ AMD ในเรื่องนี้

ในการประชุมรายงานผลประกอบการเดือนกรกฎาคม Microsoft ระบุว่าคาดว่าจะเป็นหนึ่งในผู้ให้บริการคลาวด์กลุ่มแรกที่ติดตั้งระบบ Nvidia Vera Rubin และ AMD Helios ส่วน Evercore ISI ประเมินว่า Maia อาจคิดเป็นราว 10% ของการใช้จ่ายชิป AI ของ Microsoft ภายในไตรมาสแรกของปี 2027 สัดส่วนการใช้จ่ายไม่เท่ากับสัดส่วนงานอนุมานที่ดำเนินการด้วยชิป ดังนั้นตัวเลขประมาณการนี้จึงไม่ได้วัดความคืบหน้าไปสู่เป้าหมายด้านการปฏิบัติงานของ Microsoft โดยตรง

ปัจจุบันบริษัทอื่นยังไม่สามารถเช่าตัวเร่งประมวลผล Maia แบบคิดค่าบริการรายชั่วโมงได้ ทำให้การประเมินจากภายนอกมีข้อจำกัด และหมายความว่าคำกล่าวอ้างด้านประสิทธิภาพที่เผยแพร่ยังไม่ได้ยืนยันว่าลูกค้าอิสระจะได้ผลลัพธ์เช่นไรกับโมเดลเฉพาะรุ่นหนึ่ง

ประเด็นที่ยังไม่ชัดเจนประกอบด้วยจำนวนการติดตั้ง กำหนดเวลาที่จะมีกำลังรองรับระดับกิกะวัตต์เต็มรูปแบบ เงื่อนไขการทดสอบมาตรฐานโดยละเอียด และสัดส่วนงานในอนาคตระหว่าง Maia กับ GPU ที่จัดซื้อ Microsoft ระบุว่าจะเปิดเผยข้อมูลกลยุทธ์เพิ่มเติมในงาน Ignite 2026 ที่ซานฟรานซิสโกและทางออนไลน์ในเดือนพฤศจิกายน

ประเด็นสำคัญ

• ชิปเล็ตประมวลผลของ Maia 300 ใช้ TSMC N2P และจะเริ่มติดตั้งใช้งานจริงในปี 2027
• ตัวเร่งประมวลผลแต่ละตัวมีหน่วยความจำ HBM4 ขนาด 288 GB และแบนด์วิดท์หน่วยความจำสูงสุด 18 TB/s
• แร็กเต็มรูปแบบมีตัวเร่งประมวลผล 96 ตัว ภายใต้กรอบการใช้พลังงาน 167 kW
• Microsoft คาดว่าจะประมวลผลโทเคนต่อเมกะวัตต์ได้มากกว่าระบบ GPU ชั้นนำ 40% และให้ปริมาณงานต่อแร็กสูงสุด 7 เท่าของ Maia 200
• การติดตั้งตระกูล Maia จะขยายสู่ระดับหลายกิกะวัตต์ตั้งแต่ปี 2027 โดยยังไม่มีการประกาศกำหนดแล้วเสร็จ
• รายงานที่ระบุว่าจะติดตั้ง Maia 300 มากกว่า 1 ล้านตัว ยังไม่ได้รับการยืนยันในประกาศของ Microsoft
• Microsoft ยังคงวางแผนติดตั้งระบบของ Nvidia และ AMD ควบคู่กับฮาร์ดแวร์ของตนเอง