Microsoft วางแผนเปิดตัว Maia 300 AI Accelerator ในปี 2027 เป้าหมายเพิ่มประสิทธิภาพโทเค็นต่อเมกะวัตต์ 40%

Microsoft วางแผนจะเปิดตัว Maia 300 ตัวเร่งปัญญาประดิษฐ์รุ่นต่อไปในปี 2027 เพื่อลดการพึ่งพา NVIDIA และให้ผลผลิตโทเค็นต่อเมกะวัตต์มากกว่าระบบที่ใช้ GPU นำร่องปัจจุบัน 40% คริปชิ้นนี้จะขับเคลื่อนโครงสร้างพื้นฐาน AI ที่ขยายตัวอย่างต่อเนื่องของ Microsoft และออกแบบมาในรูปแบบการจัดวางแร็ก 96 ตัวเร่ง คาดว่าจะทำให้ความสามารถในการประมวลผลโทเค็นสูงกว่ารุ่นก่อนหน้า 7 เท่า การประกาศนี้เป็นขั้นตอนสำคัญอีกขั้นของ Microsoft ในการสร้างซิลิคอนแบบกำหนดเองสำหรับการอนุมาน AI ขนาดใหญ่ ตัวเร่ง Maia 200 ปัจจุบันกำลังจัดการภาระงานการผลิต รวมถึง Copilot ของ Microsoft โดย Microsoft คาดการณ์ว่า GitHub Copilot และ Microsoft Foundry จะนำฮาร์ดแวร์นี้ไปใช้ก่อนสิ้นปี 2026

ลักษณะการออกแบบของ Maia 300

Maia 300 ใช้กลยุทธ์ประสิทธิภาพการอนุมานระดับระบบ สถาปัตยกรรมของมันเน้นภาระงานที่ใช้หน่วยความจำหนาแน่น การอนุมานบริบทยาว และเอเจนต์ AI ที่ดำเนินการงานซับซ้อนหลายขั้นตอน การออกแบบขับเคลื่อนด้วยแบนด์วิดท์หน่วยความจำ Maia 300 รวมสแต็กหน่วยความจำ HBM4 8 ตัวกับแบนด์วิดท์สูงสุด 18 TB ต่อวินาที ระบบทำงานในขอบเขตกำลังความร้อนออกแบบ (TDP) 950 วัตต์ เพื่อตอบสนองความต้องการหน่วยความจำที่เพิ่มขึ้นของโมเดล AI ขนาดใหญ่ Microsoft ยังใช้การออกแบบ multi-chip แยกฟังก์ชันการคำนวณ ตัวควบคุมหน่วยความจำ และอินพุต/เอาต์พุต ครีปคำนวณใช้กระบวนการผลิต N2P ของ TSMC เพื่อเพิ่มประสิทธิภาพต่อวัตต์ ตัวเร่งนี้ยังรองรับการคำนวณความแม่นยำต่ำ MXFP4 ที่เพิ่มประสิทธิภาพ ซึ่งวิธีนี้ลดความต้องการหน่วยความจำสำหรับการคำนวณโมเดลและการจัดเก็บแคชคีย์-ค่า การประหยัดเหล่านี้ช่วยให้ระบบรองรับหน้าต่างบริบทที่ยาวขึ้น และประมวลผลคำขอมากขึ้นภายในงบประมาณพลังงานเดิม

ประสิทธิภาพที่คาดหวังของ Maia 300

ซอฟต์แวร์เล่นบทบาทสำคัญในการออกแบบ สถาปัตยกรรมข้อมูลไหลแบบกำหนดโดยซอฟต์แวร์ของ Microsoft มุ่งทำให้ข้อมูลอยู่ใกล้ทรัพยากรคำนวณ ลดการถ่ายโอนที่ไม่จำเป็น การเพิ่มประสิทธิภาพคอร์ด้วยความช่วยเหลือจาก AI ยังช่วยปรับปรุงการใช้งานฮาร์ดแวร์ระหว่างภาระงานที่แตกต่างกัน เครือข่ายของ Maia 300 เชื่อมต่อตัวเร่ง 96 ตัว ขยายสถาปัตยกรรมไปทั่วทั้งแร็ก แต่ละการจัดวางรวมตัวเร่ง 96 ตัวในขอบเขตพลังงาน 167 กิโลวัตต์ Microsoft ระบุความจุ HBM 27.6 TB และแบนด์วิดท์หน่วยความจำรวม 1.7 PB ต่อวินาที มุ่งเป้าภาระงานอนุมานขนาดใหญ่และการโต้ตอบ AI พร้อมกันมากขึ้นในการปรับใช้ครั้งเดียว เครือข่ายแบบกำหนดเองเพิ่มประสิทธิภาพการเชื่อมโยงลิงก์สำหรับการประมวลผลแบบขนานเทนเซอร์ผ่านการเชื่อมต่อแบนด์วิดท์สูง ชั้นขนส่งที่เน้น AI ใช้โครงสร้างพื้นฐานอีเธอร์เน็ตรองรับการสื่อสารระหว่างตัวเร่งและแร็ก ออกแบบมาเพื่อขยายภาระงานโดยไม่ให้เครือข่ายเป็นขวดคอเพียงอย่างเดียว Microsoft ระบุว่า Maia 300 ควรให้โทเค็นต่อเมกะวัตต์มากกว่าระบบ GPU นำร่อง 40% และปริมาณงานที่ประมวลผลได้ระดับแร็กที่คาดการณ์ก็เพิ่มขึ้นอย่างมีนัยสำคัญเมื่อเทียบกับ Maia 200 แม้บริษัทจะยังไม่ได้รายละเอียดเกณฑ์มาตรฐานอิสระสำหรับการเปรียบเทียบเหล่านี้ Microsoft ได้ปรับใช้ Maia 200 ในสหรัฐอเมริกา ยุโรป และออสเตรเลีย และรายงานว่าคุณสมบัติ AI ในตัวในประสบการณ์ Teams, Copilot และ Cowork ให้โทเค็นต่อวัตต์มากกว่าฐานโครงสร้าง GPU นำร่อง 1.7 เท่า ตัวเร่งที่มีอยู่รันโมเดลของ OpenAI, โมเดล MAI ของ Microsoft และชุดโมเดลโอเพนซอร์ส Microsoft ใช้ข้อมูลประสิทธิภาพจากบริการเหล่านี้เพื่อนำทางการพัฒนาฮาร์ดแวร์และเพิ่มประสิทธิภาพภาระงานในโลกจริง Maia 300 จะรองรับการพัฒนาโมเดลของ Microsoft, การอนุมานบนคลาวด์ และเครื่องมือเขียนโค้ดแบบเอเจนต์ และคาดว่าฮาร์ดแวร์นี้จะช่วยขยาย Dragon Copilot ผู้ช่วย AI ด้านคลินิก โดยการปรับใช้ในระบบผลิตจะเริ่มในปี 2027 แผนระยะยาวของ Microsoft เรียกร้องให้ปรับใช้ Maia หลายกิกะวัตต์ตั้งแต่ปี 2027 วางซิลิคอนแบบกำหนดเองเป็นส่วนประกอบหลักในการขยายความสามารถคำนวณ AI ของบริษัท

รายการ	ข้อกำหนด
หน่วยความจำ	8 สแต็กหน่วยความจำ HBM4
แบนด์วิดท์สูงสุด	18 TB ต่อวินาที
กำลังความร้อนออกแบบ (TDP)	950 วัตต์
ความจุแร็ก	27.6 TB HBM
แบนด์วิดท์หน่วยความจำรวม	1.7 PB ต่อวินาที

ผลกระทบของ Maia 300 ต่อระบบนิเวศ AI ของ Microsoft

การเปิดตัว Maia 300 เป็นจุดก้าวหน้าสำคัญของ Microsoft ในด้านฮาร์ดแวร์ AI โดยเฉพาะการลดการพึ่งพา NVIDIA ด้วยการออกแบบที่เน้นภาระงานที่ใช้หน่วยความจำหนาแน่นและงานหลายขั้นตอน Maia 300 มีศักยภาพเพิ่มประสิทธิภาพการคำนวณโดยรวมและรองรับแอปพลิเคชัน AI ที่ซับซ้อนมากขึ้น เมื่อความต้องการแอปพลิเคชัน AI เพิ่มขึ้น ซิลิคอนแบบกำหนดเองของ Microsoft จะกลายเป็นกุญแจสำคัญในการขยายความสามารถคำนวณ และอาจเปลี่ยนรูปแบบการพึ่งพาตัวเร่ง AI ของอุตสาหกรรม