Microsoft、Nvidia GPUへの依存低減へ「Maia 300」チップを発表

Microsoftは自社開発の第3世代AIアクセラレーター「Maia 300」を発表し、これをクラウドサービスの主要な推論システムとして位置づけました。同社は2027年に新しいシリコンを本番ワークロードへ展開開始する計画で、NvidiaやAMDといった外部GPUサプライヤーへの依存度を下げつつ、エネルギー効率の向上を目指しています。

何が起きたか

Maia 300は、今年初めに発表され、現在Microsoft Copilot、GitHub Copilot、Microsoft Foundryなどのサービスで本番ワークロードを実行しているMaia 200の後継機です。MicrosoftクラウドグループのエグゼクティブバイスプレジデントであるScott Guthrie氏は、新チップが長文脈推論、遅延に敏感な会話、持続的なマルチステップのエージェント型タスクなど、新興のAI需要に対応するために特別に設計されたことを述べました。目標は、サードパーティ製ハードウェアに主に依存するのではなく、MicrosoftのAI製品の中核インフラストラクチャーとしてMaiaを確立することです。

この世代では効率が中心的な指標です。Microsoftは、Maia 300が最先端のGPUベースシステムと比較してメガワットあたり40%多くのトークンを処理できると予想しています。96個のアクセラレーターを使用するフル構成では、ラック規模のトークンスループットがMaia 200の最大7倍になると同社は主張しています。これらの性能向上は、2027年からの複数ギガワット規模の展開を支えることを意図しており、MicrosoftがAzure Maiaファミリーを大幅にスケールアップできるようにします。

このハードウェア戦略は、Microsoftのより広範なAI野心と密接に関連しています。Microsoft AIのCEOであるMustafa Suleyman氏は、自社が所有し、モデルと共同設計できるプラットフォームの必要性を強調しました。シリコン層を制御することで、MicrosoftはGoogle DeepMind、OpenAI、Anthropicなどの競合他社とより効果的に競争することを目指しています。この動きは、大手テック企業が特定のモデルアーキテクチャ向けにパフォーマンスとコストを最適化するためにカスタムシリコンを開発するという業界全体のトレンドを反映しています。

仕組み

Maia 300は、TSMCのN2Pプロセスノードに基づく新しいチップレットアーキテクチャを通じて効率性の向上を実現しています。従来のモノリシック（単一）デザインとは異なり、このアプローチでは計算、メモリコントローラー、入出力機能を個別のコンポーネントに分離します。これにより、各機能は自身の役割に最も適した製造技術を利用でき、実際の計算性能に割り当てられる総シリコン面積が増加します。

これらの機能を分離することで、高密度AIワークロードのスループットをしばしば制限するボトルネックを軽減します。アーキテクチャは、長い会話におけるコンテキスト維持や複雑なマルチステップのエージェントワークフローの実行など、現代のAI使用において支配的な特定の種類の推論タスク向けに最適化されています。このハードウェア・ソフトウェアの共同設計により、チップの物理的機能がMicrosoftの最新AIモデルの運用要件と密接に整合することが保証されます。

主要な詳細

• Maia 300は2027年に本番ワークロードへの展開を開始します。
• Microsoftは、最先端のGPUベースシステムと比較してメガワットあたり40%多くのトークン処理を期待しています。
• 96個のアクセラレーター構成では、Maia 200の最大7倍のラック規模トークンスループットを提供します。
• チップはTSMCのN2Pプロセスノードに基づくチップレットアーキテクチャを使用しています。
• シリコン面積と技術利用を最適化するため、計算、メモリコントローラー、I/O機能は分離されています。
• Maia 300は長文脈推論、遅延に敏感な会話、エージェント型タスク向けに設計されています。

なぜ重要か

ソフトウェアエンジニアやインフラ責任者にとって、この変化はカスタムシリコンが大規模AI展開の標準となるエコシステムの成熟を示しています。汎用GPUへの依存は、完全に活用されていない機能に対して支払いを行うこと、またはスケールを制限する電力制約に対処することを意味する場合が多いです。Maia 300のようなカスタムアクセラレーターは、モデルアーキテクチャとハードウェア間のより緊密な統合を可能にし、結果としてより良いコスト効率とワットあたりのパフォーマンスをもたらします。このトレンドは、他の主要なクラウドプロバイダーにも独自のカスタムシリコンロードマップを加速させるよう促す可能性があります。

エージェント型タスクと長文脈推論への焦点は、AIワークロードの本質的な変化も浮き彫りにします。アプリケーションが単純なクエリ-応答インタラクションから複雑なマルチステッププロセスへと移行するにつれ、基盤となるハードウェアは持続的な低遅延性能をサポートする必要があります。次世代AIアプリケーションを構築するエンジニアは、インフラプロバイダーが一括対応型のGPUインスタンスではなく、これらの特定のワークロードタイプ向けに最適化された専門的なティアをますます提供するようになることを予測すべきです。

できること

• Azure上のMaia 300展開タイムラインを監視し、将来のインフラ移行を計画してください。
• 現在のAIワークロードを評価し、長文脈またはエージェント型最適化の機会を特定してください。
• TSMCのN2Pプロセスノードの開発動向に関する情報を収集し、業界全体の効率性トレンドを理解してください。
• ハードウェア・ソフトウェア共同設計の原則が、自社のモデル展開戦略にどのように適用できるかを検討してください。
• 大規模プロジェクトでクラウドAIサービスプロバイダーを比較する際は、エネルギー効率指標を確認してください。
• Google、Amazon、その他によるカスタムAIシリコンに関する競合他社の発表に注目してください。