微軟 AI 戰略深度分析

傅里葉的貓

2025/11/14

不得不說，Dylan雖然對中國不是很友好，但分析國外這些公司，文章質量非常高。前言要拆解微軟的 AI 戰略，最先確定的不是分析細節，而是開篇必須講清楚的核心問題：這家曾在 2023-2024 年領跑 AI 行業的巨頭，為何會突然按下暫停鍵？又為何在 2025 年重新加碼？先從一個關鍵事實說起：2023 到 2024 年，微軟確實站在了 AI 行業的頂端。ChatGPT 引爆市場後，它是最早抓住機遇...

網頁鏈接

免責聲明：投資有風險，本文並非投資建議，以上內容不應被視為任何金融產品的購買或出售要約、建議或邀請，作者或其他用戶的任何相關討論、評論或帖子也不應被視為此類內容。本文僅供一般參考，不考慮您的個人投資目標、財務狀況或需求。TTM對信息的準確性和完整性不承擔任何責任或保證，投資者應自行研究並在投資前尋求專業建議。

熱議股票

{"basename":"/hant","ssrTDKData":{"titleTemplate":"%s - 老虎證券","title":"老虎证券全球投资理财平台| 一站式投资美股新股港股A股","description":"老虎证券助您一站式投资美股，新股，港股，A股等全球金融理财产品。新加坡华人最信赖的在线投资平台，现在加入即享低费用，24/5 无时差炒美股投资理财！","keywords":"老虎證券,老虎證券開戶,老虎券商,老虎證券官網,老虎證券app,tigertrade老虎證券,股票,炒股,新加坡股票交易平臺,投資,投資理財","social":{"ogDescription":"老虎证券助您一站式投资美股，新股，港股，A股等全球金融理财产品。新加坡华人最信赖的在线投资平台，现在加入即享低费用，24/5 无时差炒美股投资理财！","ogImage":"https://c1.itigergrowtha.com/portal5/static/media/og-logo.be62fbe1.png","ogUrl":"https://www.itiger.com/hant/news/2583688557"},"companyName":"老虎證券"},"pageData":{"isMobile":false,"isTiger":false,"isTTM":true,"region":"SGP","license":"TBSG","edition":"fundamental"},"isCrawlerRequest":true,"__swrFallback__":{"@#url:\"https://stock-news.skytigris.cn/v3/news\",params:#id:\"2583688557\",edition:\"fundamental\",auth_exemption:1,,,undefined,":{"share":"https://ttm.financial/m/news/2583688557?lang=zh_TW&edition=fundamental","thumbnail":"","is_english":false,"pubTime":"2025-11-14 18:25","share_image_url":"https://static.laohu8.com/9a95c1376e76363c1401fee7d3717173","id":"2583688557","market":"us","top_or_hot":-1,"title":"微軟 AI 戰略深度分析","media":"傅里葉的貓","content":"<div>\n<p>不得不說，Dylan雖然對中國不是很友好，但分析國外這些公司，文章質量非常高。前言要拆解微軟的 AI 戰略，最先確定的不是分析細節，而是開篇必須講清楚的核心問題：這家曾在 2023-2024 年領跑 AI 行業的巨頭，為何會突然按下暫停鍵？又為何在 2025 年重新加碼？先從一個關鍵事實說起：2023 到 2024 年，微軟確實站在了 AI 行業的頂端。ChatGPT 引爆市場後，它是最早抓住機遇...</p>\n\n<a href=\"http://gu.qq.com/resources/shy/news/detail-v2/index.html#/?id=nesSN20251115000604a6f9e9bc&s=b\">網頁鏈接</a>\n\n</div>\n","source":"tencent","html":"<!DOCTYPE html>\n<html>\n<head>\n<meta http-equiv=\"Content-Type\" content=\"text/html; charset=utf-8\" />\n<meta name=\"viewport\" content=\"width=device-width,initial-scale=1.0,minimum-scale=1.0,maximum-scale=1.0,user-scalable=no\"/>\n<meta name=\"format-detection\" content=\"telephone=no,email=no,address=no\" />\n<title>微軟 AI 戰略深度分析</title>\n<style type=\"text/css\">\na,abbr,acronym,address,applet,article,aside,audio,b,big,blockquote,body,canvas,caption,center,cite,code,dd,del,details,dfn,div,dl,dt,\nem,embed,fieldset,figcaption,figure,footer,form,h1,h2,h3,h4,h5,h6,header,hgroup,html,i,iframe,img,ins,kbd,label,legend,li,mark,menu,nav,\nobject,ol,output,p,pre,q,ruby,s,samp,section,small,span,strike,strong,sub,summary,sup,table,tbody,td,tfoot,th,thead,time,tr,tt,u,ul,var,video{ font:inherit;margin:0;padding:0;vertical-align:baseline;border:0 }\nbody{ font-size:16px; line-height:1.5; color:#999; background:transparent; }\n.wrapper{ overflow:hidden;word-break:break-all;padding:10px; }\nh1,h2{ font-weight:normal; line-height:1.35; margin-bottom:.6em; }\nh3,h4,h5,h6{ line-height:1.35; margin-bottom:1em; }\nh1{ font-size:24px; }\nh2{ font-size:20px; }\nh3{ font-size:18px; }\nh4{ font-size:16px; }\nh5{ font-size:14px; }\nh6{ font-size:12px; }\np,ul,ol,blockquote,dl,table{ margin:1.2em 0; }\nul,ol{ margin-left:2em; }\nul{ list-style:disc; }\nol{ list-style:decimal; }\nli,li p{ margin:10px 0;}\nimg{ max-width:100%;display:block;margin:0 auto 1em; }\nblockquote{ color:#B5B2B1; border-left:3px solid #aaa; padding:1em; }\nstrong,b{font-weight:bold;}\nem,i{font-style:italic;}\ntable{ width:100%;border-collapse:collapse;border-spacing:1px;margin:1em 0;font-size:.9em; }\nth,td{ padding:5px;text-align:left;border:1px solid #aaa; }\nth{ font-weight:bold;background:#5d5d5d; }\n.symbol-link{font-weight:bold;}\n/* header{ border-bottom:1px solid #494756; } */\n.title{ margin:0 0 8px;line-height:1.3;color:#ddd; }\n.meta {color:#5e5c6d;font-size:13px;margin:0 0 .5em; }\na{text-decoration:none; color:#2a4b87;}\n.meta .head { display: inline-block; overflow: hidden}\n.head .h-thumb { width: 30px; height: 30px; margin: 0; padding: 0; border-radius: 50%; float: left;}\n.head .h-content { margin: 0; padding: 0 0 0 9px; float: left;}\n.head .h-name {font-size: 13px; color: #eee; margin: 0;}\n.head .h-time {font-size: 12.5px; color: #7E829C; margin: 0;}\n.small {font-size: 12.5px; display: inline-block; transform: scale(0.9); -webkit-transform: scale(0.9); transform-origin: left; -webkit-transform-origin: left;}\n.smaller {font-size: 12.5px; display: inline-block; transform: scale(0.8); -webkit-transform: scale(0.8); transform-origin: left; -webkit-transform-origin: left;}\n.bt-text {font-size: 12px;margin: 1.5em 0 0 0}\n.bt-text p {margin: 0}\n</style>\n</head>\n<body>\n<div class=\"wrapper\">\n<header>\n<h2 class=\"title\">\n微軟 AI 戰略深度分析\n</h2>\n<h4 class=\"meta\">\n<p class=\"head\">\n<strong class=\"h-name small\">傅里葉的貓</strong><span class=\"h-time small\">2025-11-14 18:25</span>\n</p>\n</h4>\n</header>\n<article>\n<div>\n<p>不得不說，Dylan雖然對中國不是很友好，但分析國外這些公司，文章質量非常高。前言要拆解微軟的 AI 戰略，最先確定的不是分析細節，而是開篇必須講清楚的核心問題：這家曾在 2023-2024 年領跑 AI 行業的巨頭，為何會突然按下暫停鍵？又為何在 2025 年重新加碼？先從一個關鍵事實說起：2023 到 2024 年，微軟確實站在了 AI 行業的頂端。ChatGPT 引爆市場後，它是最早抓住機遇...</p>\n\n<a href=\"http://gu.qq.com/resources/shy/news/detail-v2/index.html#/?id=nesSN20251115000604a6f9e9bc&s=b\">網頁鏈接</a>\n\n</div>\n\n<div class=\"bt-text\">\n\n\n<p> 來源：<a href=\"http://gu.qq.com/resources/shy/news/detail-v2/index.html#/?id=nesSN20251115000604a6f9e9bc&s=b\">傅里葉的貓</a></p>\n<p>為提升您的閱讀體驗，我們對本頁面進行了排版優化</p>\n\n\n</div>\n</article>\n</div>\n</body>\n</html>\n","isBrief":false,"type":0,"news_type":1,"symbol":"SG9999014898.SGD","symbol_name":"United Global Quality Growth Fund Dis SGD","start_time":0,"source_url":"http://gu.qq.com/resources/shy/news/detail-v2/index.html#/?id=nesSN20251115000604a6f9e9bc&s=b","article_id":"2583688557","we_media_id":null,"thumbnails":[],"rights":{"source":"tencent","url":"http://gu.qq.com/resources/shy/news/detail-v2/index.html#/?id=nesSN20251115000604a6f9e9bc&s=b","rn_cache_url":null,"customStyle":"body{padding-top:10px;}#news_title{font-weight:bold;#titleStyle#;}#news_description span{font-size:12px;#descriptionStyle#;}.footer-note{#statement#}","selectors":".mod-LoadTzbdNews, body","filters":".relate-stock, .hot-list, .recom-box, .wx-sou","directOrigin":true},"url":"https://stock-news.laohu8.com/highlight/detail?id=2583688557","pubTimestamp":1763115934,"columns":[],"sourceInfo":{"source_id":"tencent","name":"腾讯"},"weMediaInfo":null,"summary":"前言要拆解微軟的 AI 戰略，最先確定的不是分析細節，而是開篇必須講清楚的核心問題：這家曾在 2023-2024 年領跑 AI 行業的巨頭，為何會突然按下暫停鍵？後來SA專門寫了一篇通訊文章梳理這個趨勢，當時就判斷：微軟的 AI 戰略進入了調整期，後來把這個階段稱為大暫停。但比資本投入更關鍵的，是微軟為 OpenAI 量身打造的算力基礎設施。那時，微軟啓動了一個名叫 Fairwater 的超大規模數據中心計劃，核心就是為 OpenAI 的模型訓練和推理提供足夠的算力支撐。","collect":0,"end_time":0,"defaultTopTitle":"qq.com","property":[],"viewcount":null,"language":"zh","relate_stocks":{"SG9999014898.SGD":"United Global Quality Growth Fund Dis SGD","LU2487616109.SGD":"JPM AMERICA EQUITY \"A\" (SGD) ACC","LU1917777945.USD":"安联专题基金Cl AT Acc","LU0265550359.USD":"BGF SYSTEMATIC GLOBAL ENHANCED EQUITY YIELD \"A2\" (USD) ACC","LU0234570918.USD":"高盛全球核心股票组合Acc Close","IE00B3S45H60.SGD":"Neuberger Berman US Multicap Opportunities A Acc SGD-H","SG9999002232.USD":"Allianz Global High Payout USD","LU1506573853.SGD":"MANULIFE GF GLOBAL EQUITY \"AA\" (SGD) INC","SG9999002224.SGD":"Allianz Global High Payout SGD","LU2491050154.USD":"WELLINGTON SUSTAINABLE OUTCOMES \"A\" (USD) ACC","MSFT":"微软","LU0472753341.HKD":"SUSTAINABLE GLOBAL THEMATIC PORTFOLIO \"A\" (HKD) ACC","LU2461242641.AUD":"WELLINGTON US QUALITY GROWTH \"A\" (AUDHDG) ACC","LU0545039389.USD":"BGF GLOBAL EQUITY INCOME \"A2\" ACC","LU0061474705.USD":"THREADNEEDLE (LUX) GLOBAL DYNAMIC REAL RETURN \"AU\" (USD) ACC","LU1244550494.USD":"FRANKLIN GLOBAL MULTI-ASSET INCOME \"A\" (USDHEDGED) ACC","LU2462157665.USD":"ALLIANZ GLOBAL INCOME \"A\" (USD) INC","LU0080751232.USD":"富达环球多元动力基金A","LU1623119135.USD":"Natixis Mirova Global Sustainable Equity R-NPF/A USD","LU1712237335.SGD":"Natixis Mirova Global Sustainable Equity H-R-NPF/A SGD","LU0784385170.HKD":"BGF GLOBAL MULTI ASSET INCOME \"A6\" (HKDHGD) INC","LU1066053197.SGD":"HSBC GIF GLOBAL EQUITY VOLATILITY FOCUSED \"AM3\" (SGDHDG) INC","LU0861579265.USD":"联博低波幅策略股票基金A","LU1974910355.USD":"Allianz Thematica Cl AMg DIS USD","LU0072461881.USD":"BGF US BASIC VALUE \"A2\" ACC","LU1228905540.USD":"NINETY ONE GSF GLOBAL QUALITY DIVIDEND GROWTH \"A\" (USD) INC 2","LU0276348264.USD":"THREADNEEDLE (LUX) GLOBAL DYNAMIC REAL RETURN\"AUP\" (USD) INC","LU2592432038.USD":"WELLINGTON MULTI-ASSET HIGH INCOME \"A\" (USD) ACC","LU0210536198.USD":"JPM US GROWTH \"A\" ACC","LU2433249047.HKD":"THEMATICS META \"R/A\" (HKD) ACC","LU1032955483.USD":"NORDEA 1 STABLE RETURN \"HB\" (USDHDG) ACC","LU2271345857.HKD":"ALLIANZ GLOBAL SUSTAINABILITY \"AT\" (HKD) ACC","LU1244550577.SGD":"FTIF - Franklin Global Multi-Asset Income A (Mdis) SGD-H1","LU1861127337.USD":"ALLIANZ GLOBAL MULTI ASSET SUSTAINABILITY BALANCED \"AMG\" (USD) INC","SG9999014559.SGD":"United Income Focus Trust Dis SGD","LU0642271901.SGD":"Janus Henderson Horizon Global Technology Leaders A2 SGD-H","LU0320765059.SGD":"FTIF - Franklin US Opportunities A Acc SGD","LU2896262040.SGD":"JPM US GROWTH FUND \"A\" (SGD) ACC","LU2213496289.HKD":"ALLIANZ INCOME AND GROWTH \"AT\" (HKD) ACC","LU0354030438.USD":"富国美国大盘成长基金Cl A Acc","LU0175139822.USD":"AB FCP I Global Equity Blend A USD","LU1983260115.SGD":"Janus Henderson Horizon Global Sustainable Equity A2 SGD-H","LU0124676726.USD":"AB SICAV I - SUSTAINABLE US THEMATIC PORTFOLIO \"A\" (USD) ACC","LU0823417737.USD":"BNP PARIBAS SUSTAINABLE GLOBAL LOW VOL EQUITY \"C\" (USD) INC","LU1037948897.HKD":"AB LOW VOLATILITY EQUITY PORTFOLIO \"AD\" (HKD) INC","LU2237443895.HKD":"abrdn SICAV I -  GLOBAL DYNAMIC DIVIDEND \"A\" (HKD) ACC","LU0345768153.USD":"NINETY ONE GSF GLOBAL STRATEGIC MANAGED \"A\" (USD) ACC","SG9999014567.USD":"UOB UNITED INCOME FOCUS TRUST FUND (USD) ACC","LU0965508806.USD":"AB LOW VOLATILITY EQUITY PORTFOLIO \"AD\" (USD) INC","IE00BLSP4239.USD":"Legg Mason ClearBridge - Tactical Dividend Income A Mdis USD Plus"},"translate_title":"In-depth analysis of Microsoft AI strategy","themeId":null,"isJumpTheme":false,"ttsUrl":null,"symbols_score_info":{"MSFT":1.5},"content_text":"不得不説，Dylan雖然對中國不是很友好，但分析國外這些公司，文章質量非常高。前言要拆解微軟的 AI 戰略，最先確定的不是分析細節，而是開篇必須講清楚的核心問題：這家曾在 2023-2024 年領跑 AI 行業的巨頭，為何會突然按下暫停鍵？又為何在 2025 年重新加碼？先從一個關鍵事實説起：2023 到 2024 年，微軟確實站在了 AI 行業的頂端。ChatGPT 引爆市場後，它是最早抓住機遇的科技巨頭，不僅在 2023 年 1 月將對 OpenAI 的投資從 10 億美元提升至 100 億美元，拿到了 OpenAI 模型的獨家 IP 訪問權，還啓動了當時最激進的數據中心建設計劃，只為支撐 OpenAI 的算力需求。那時行業裏幾乎默認，微軟會沿着深度綁定 OpenAI + 大規模擴算力的路線一直走下去。但變化在一年前悄然發生，SA最早注意到異常，是在給數據中心模型客户提供諮詢時，微軟的數據中心建設進度明顯放緩，原本規劃的 1.5GW 自建項目停滯，甚至取消了多份已談好的租賃合同。更關鍵的是，它對 OpenAI 的承諾也不再像之前那樣堅定，雙方的合作似乎出現了鬆動。後來SA專門寫了一篇通訊文章梳理這個趨勢，當時就判斷：微軟的 AI 戰略進入了調整期，後來把這個階段稱為大暫停。不過，市場的需求不會等企業調整。2025 年，隨着全球 AI 應用的爆發，微軟的 AI 投資又重新啓動了，而且這次的需求強度遠超以往，尤其是對加速計算的需求，幾乎到了能拿到多少算力就拿下多少的程度。基於SA的 Tokenomics 模型，這是專門用來測算 AI 業務經濟規律的工具，數據來源包括企業披露信息和行業調研，預測 Azure 的增長會在接下來的幾個季度明顯加速：AI 業務對營收的貢獻會持續提升，而非 AI 業務則保持相對平穩的增長節奏。簡單説，未來 Azure 的增長動力，幾乎全要靠 AI 業務來拉動。為了讓分析更有條理，SA搭建了一個核心框架 -- AI Tokens Economic Stack（AI 令牌工廠經濟棧）。這個框架的邏輯很簡單：把微軟的 AI 業務從底層到頂層拆成幾個關鍵環節，包括芯片、IaaS（基礎設施即服務）、PaaS（平台即服務）、LLMs、應用，還有系統架構。後續所有的分析，都會圍繞這幾個層級展開，不是為了追求複雜，而是因為只有這樣，才能把微軟在 AI 領域的優勢、短板和佈局邏輯講透。比如，想知道微軟的成本控制能力如何，就要看它在芯片和 IaaS 層的表現；想知道它的盈利潛力，就得分析 PaaS 層的定價策略和應用層的用户粘性。還有一個趨勢就是2025 年，OpenAI 不再只依賴微軟了。我們看到 Oracle、CoreWeave、Amazon、Google 這些公司，都和 OpenAI 簽了大額的算力合同，這意味着微軟失去了獨家供給的優勢，也從側面解釋了為什麼微軟會在 2025 年重新加速 AI 投資：如果再不行動，市場份額可能會被進一步擠壓。但這也引出了一個更核心的問題：微軟的大暫停到底是戰略失誤，還是必要的調整？在後續的分析裏會詳細拆解，但開篇可以先給出一個結論：這次暫停，既有對 ROIC（投資回報率）的擔憂，當時 AI 業務的 ROIC 只有 20%，遠低於微軟整體 35-40%的水平，也有對自身執行能力的清醒認知，比如數據中心建設進度跟不上 OpenAI 的需求。從深度綁定到戰略調整的關鍵幾年梳理微軟的 AI 戰略，繞不開它和 OpenAI 的關係，這段始於 2019 年的合作，在 2023-2025 年間經歷了從全力押注到步調放緩的劇烈變化，甚至直接影響了微軟數據中心佈局、Azure 業務走向，以及整個 AI 算力市場的格局。接下來，就從具體的合作細節、算力建設規模，到後來調整的原因與影響，慢慢拆解這幾年的關鍵轉折。先回到 2023 年，那是雙方合作最緊密的階段。ChatGPT 在 2022 年底發布後，整個行業都在尋找落地路徑，微軟是最早做出反應的科技巨頭。早在 2019 年，微軟就給 OpenAI 投了 10 億美元，而到了 2023 年 1 月，它直接把投資翻了 10 倍，同時拿到了 OpenAI 模型的獨家 IP 訪問權，這意味着，微軟的產品能優先用上 GPT 系列模型，這在當時是絕無僅有的優勢。但比資本投入更關鍵的，是微軟為 OpenAI 量身打造的算力基礎設施。那時，微軟啓動了一個名叫 Fairwater 的超大規模數據中心計劃，核心就是為 OpenAI 的模型訓練和推理提供足夠的算力支撐。最早落地的是愛荷華州的訓練集群，我們測算下來，這個集群部署了大約 2.5 萬個 NVIDIA A100 芯片，主要用於 GPT-3.5 的訓練。有意思的是，雖然整個園區規模不小，但 OpenAI 初期只用到了其中一棟 Ballard 建築的兩個數據廳，實際佔用的算力大概 19 兆瓦，這也能看出，當時大模型的算力需求還在快速增長，微軟的建設其實是超前佈局。到了 2024 年，算力需求進一步擴大，微軟又在亞利桑那州擴建了更大的集群。這個集群不是一次性建成的，而是分階段迭代：2023 年先完成了首座搭載 H100 GPU 的建築，2024 年新增了使用 H200 的獨立設施，到 2025 年更是建成了兩座支持 GB200 GPU 的數據中心。算下來，整個亞利桑那集群的 GPU 數量最終達到了約 13 萬個，覆蓋了 NVIDIA 三代主流 GPU 產品，這種迭代速度在當時的行業裏是很少見的。除了單個集群的擴建，微軟還在規劃更宏大的跨數據中心訓練方案。當時微軟計劃把全球的大型 AI 區域用超高速的 AI WAN 連接起來，初期帶寬就設計到 300Tb/s，而且預留了擴展到 10Pb/s 的空間，目的很明確，就是為了實現 5GW 規模的分佈式集群訓練。那時SA還專門寫過一篇分析，認為這個規劃是微軟 「對標並試圖超越 Google 基礎設施」 的關鍵一步，因為跨數據中心訓練能大幅提升模型訓練的效率，也能應對更大規模的參數需求。但就在所有人都以為這種高速擴張會持續下去時，2024 年中期，微軟突然按下了暫停鍵。最先出現變化的是數據中心建設：原本規劃的 1.5GW 自建項目進度明顯放緩，已經談好的多份數據中心租賃合同被取消，甚至有超過 3.5GW 的算力建設計劃被凍結，這些算力原本預計在 2028 年前建成，覆蓋的區域包括美國的鳳凰城、芝加哥，歐洲的英國、北歐，還有拉丁美洲的一些關鍵市場。這些被放棄的場地，很快就被 Oracle、Meta、Google 這些競爭對手接手，原本屬於微軟的算力市場份額，就這樣被一步步蠶食。更受關注的是微軟和 OpenAI 合作的變化，2025 年，OpenAI 開始和更多廠商簽署算力合同，Oracle、CoreWeave、Nscale、SB Energy、Amazon、Google 都成了它的合作伙伴，不再像之前那樣依賴微軟。其中最讓微軟遺憾的是 Stargate 項目，這個價值 1000 億美元的項目，原本是微軟為 OpenAI 規劃的重點合作，計劃部署在威斯康星州的數據中心園區，最終目標是把該園區的算力提升到 2GW 以上。但因為微軟的執行效率太低，威斯康星項目 2023 年 9 月就動工了，到 2025 年 11 月還沒投入運營 ，OpenAI 不得不轉向 Oracle。而 Oracle 在得克薩斯州 Abilene 的數據中心，從 2024 年 5 月動工到 9 月投入運營，只用了 4 個月時間，兩者的差距顯而易見。很多人會問，微軟為什麼要突然暫停？核心原因有兩個。第一個是對 ROIC 的擔憂。當時微軟 AI 業務的 ROIC 只有 20% 左右，遠低於微軟整體業務35-40%的水平，長期來看盈利效率不高。而且如果持續獨家承接 OpenAI 的業務，用不了幾年，OpenAI 就會佔據 Azure 收入的近 50%，這會嚴重偏離 Azure 傳統的多元化業務結構，增加整個業務的風險，對於微軟這樣的大公司來説，業務穩定性往往比短期增長更重要。第二個原因是微軟自身的執行能力跟不上。最典型的就是電力傳輸規劃的滯後，以威斯康星的 1.5GW 擴建項目為例，關鍵的輸電設施要到 2027 年中期才能完工，這意味着即使數據中心建好了，也無法滿負荷運行。而 OpenAI 當時的算力需求是按月增長的，根本等不了這麼久。OpenAI 選擇 Oracle，很大程度就是因為 Oracle 能快速提供穩定的電力和算力，這恰恰是微軟當時做不到的。這次暫停給微軟帶來的影響是實實在在的，在超大規模廠商的數據中心預租賃容量中，微軟的佔比從峯值時的 60% 以上降到了 25% 以下；OpenAI 的多元化合作也讓微軟失去了穩定的算力需求來源，原本為 OpenAI 準備的部分數據中心資源，不得不重新尋找客户。但換個角度看，這次暫停也讓微軟有機會重新審視自己的 AI 戰略，不再是為了綁定 OpenAI 而盲目擴產，而是更注重自身業務的盈利性和可持續性。當然，這段合作歷史也不是只有 「暫停」 這一個關鍵詞。2025 年之後，隨着 AI 需求的重新爆發，微軟又開始重新加碼 AI 投資，和 OpenAI 的合作也進入了新的階段，不再是之前的獨家供給，而是更偏向優勢互補。但那就是另一段故事了。微軟 AI 的 IaaS 層困局作為支撐所有 AI 業務的地基，基礎設施即服務的表現直接決定了微軟能否穩定承接算力需求、守住市場份額。但從 2024 年中期到 2025 年，我們看到的卻是微軟在 IaaS 層的一系列失誤：裸金屬服務落地緩慢、關鍵訂單流失、對第三方算力過度依賴，這些問題不僅拉低了 Azure 的盈利效率，還讓競爭對手趁機搶佔了大量市場空間。先從裸金屬服務説起，對於大規模 AI 訓練和推理來説，裸金屬 GPU/XPU 集群是剛需，它能提供更直接的硬件訪問權限，減少虛擬化帶來的性能損耗，這也是 OpenAI、Meta 這類客户最看重的服務。但微軟在這一領域的執行能力，遠不如 Oracle、CoreWeave 等競爭對手。最典型的案例就是威斯康星州的 Fairwater 項目，2023 年 9 月動工的 350MW 裸金屬集群，到 2025 年仍未正式投入運營，而同期 Oracle 在得克薩斯州 Abilene 的項目，從破土動工到啓動運營只用了 4 個月。為什麼會差這麼多？核心問題還是出在上面提到的電力規劃和建設節奏上。威斯康星項目的輸電配套設施嚴重滯後，光是新建 138kV 變電站、500MVA 變壓器和區域 345kV 變電站，總投資就超過 10 億美元，且關鍵設施要到 2027 年才能全部完工。這意味着即便數據中心的硬件設備安裝好了，也無法獲得穩定的滿負荷供電，對於需要持續高算力支撐的 AI 客户來説，這種看得見卻用不上的情況是無法接受的。反觀 Oracle，在 Abilene 項目啓動前就提前搞定了電力傳輸協議，確保建成後能立即投入使用，這種以客户需求為核心的執行思路，正是微軟當時欠缺的。裸金屬服務的滯後，直接導致微軟錯失了關鍵訂單，其中最具代表性的就是 上面提到的OpenAI 的 Stargate 項目。這個價值 1000 億美元的合同，原本計劃由微軟威斯康星園區承接，建成後將成為 OpenAI 的核心算力基地。但由於微軟無法按時交付可用算力，OpenAI 最終選擇了 Oracle，而 Oracle 也憑藉這個項目，一躍成為 OpenAI 的主要 GPU 合作伙伴，後續還簽下了總價值超 420 億美元的合同，對應約 150 億美元的毛利，這些本可能屬於微軟的收益，就這樣因為執行失誤付諸東流。除了執行問題，微軟對市場需求的誤判也讓 IaaS 層陷入被動。2024 年中期暫停數據中心建設時，微軟內部認為 AI 算力需求會進入平穩期，但實際情況是，Meta、Snowflake 等企業的 XPU 雲需求在 2025 年迎來爆發式增長。通過測算 12 個月新增 RPO（未完成訂單）發現，微軟雖然從暫停前的 500 億美元增長到 1320 億美元，但 Azure 的市場份額卻從 38% 下滑到 18%；而 Oracle 的新增 RPO 從 320 億美元飆升至 4250 億美元，GCP 也從 220 億美元增長到 710 億美元。這種差距的背後，是微軟對需求規模的低估，它沒有及時預判到企業客户對 AI 算力的長期渴求，導致競爭對手提前鎖定了大量訂單。需求誤判帶來的直接後果，是微軟對 Neocloud 算力的被動依賴。當自有數據中心建設跟不上需求時，微軟不得不轉向 Neocloud 廠商，通過租賃他們的 GPU 集群，再以裸金屬或 Token 形式轉售給第三方客户。但這種模式的問題很明顯：Neocloud 的毛利率只有 35%，遠低於微軟自有數據中心的盈利水平，而且租賃成本會隨着市場需求上漲而增加，進一步壓縮 Azure 的利潤空間。我們從數據中心模型中看到，2025 年後微軟新增算力中，Neocloud 的佔比持續上升，最高時接近 50%，這種靠買算力來維持業務的模式，顯然不是一家技術巨頭該有的長期選擇。更值得關注的是，微軟在 IaaS 層的失誤還影響了客户信任。SA調研了 140 多家 AI 企業，從 OpenAI、Meta 這樣的行業巨頭，到 Periodic Labs、AdaptiveML 這類初創公司，發現越來越多的客户開始傾向於與 Oracle、CoreWeave 合作。一家 AI 獨角獸的技術負責人告訴我們，他們原本計劃與微軟合作部署 8000 個 GB300 GPU，但由於微軟無法確定交付時間，最終選擇了 CoreWeave，我們需要的是穩定、可預期的算力供給，而微軟給不了這種確定性。這種客户信任的流失，比短期訂單損失更可怕，因為它會影響微軟長期的市場口碑。當然，微軟也在嘗試彌補這些短板。2025 年下半年，它開始重啓部分自建數據中心項目，同時在偏遠地區尋找具備充足電力的場地，這些地區的土地和電力成本更低，建設周期也相對較短，能快速補充短期算力。但這些動作能否扭轉局面，還需要時間驗證。畢竟，Oracle、CoreWeave 等競爭對手已經積累了足夠的客户基礎和運營經驗，微軟要想重新奪回市場份額，不僅要加快建設進度，還要在服務穩定性、成本控制上拿出更有競爭力的方案。IaaS 層的困境，本質上反映了微軟在 AI 戰略中的取捨難題，既要追求業務規模，又要兼顧盈利效率；既要依賴自有基礎設施，又不得不面對第三方算力的誘惑。但從目前的情況來看，微軟還沒有找到完美的平衡方案。微軟 AI 的 PaaS 層博弈作為連接基礎設施與應用場景的關鍵環節，平台即服務(PaaS)的核心價值在於把複雜的算力資源轉化為客户可直接使用的工具，無論是 AI 模型的部署、推理效率的優化，還是與企業現有系統的適配，都依賴 PaaS 層的能力。但在調研微軟 2024-2025 年的 PaaS 層表現時，看到的是一幅 「優勢與風險並存」 的圖景：既有全球佈局帶來的差異化潛力，也面臨 GPU 部署失衡、客户體驗下滑、市場競爭加劇等現實問題。先從 GPU 部署的失衡問題説起。對於 PaaS 層而言，GPU 資源的分配效率直接決定客户滿意度，AI 企業需要的是按需獲取、穩定可用的算力，尤其是 H100、H200 這類主流 GPU。但微軟的資源分配策略，卻明顯偏向了單一客户。通過調研發現，Azure 的大部分高端 GPU 資源優先供給了 OpenAI，剩餘資源又多被傳統 Fortune 500 企業佔據，這些企業大多用 GPU 來開發內部 RAG 聊天機器人，對算力的利用效率相對較低。而真正需要大規模、靈活算力的 AI 初創公司，卻很難從 Azure 拿到足量資源。這種失衡直接反映在客户反饋裏。SA訪談了 140 多家 AI 算力買家，從 OpenAI、Meta 這樣的行業頭部，到 Periodic Labs、AdaptiveML 這類初創公司，不少企業都提到了 Azure 的資源獲取難題。有一家從 A 輪成長起來的 AI 公司負責人説，他們在 2025 年 3 月採購了 256 個 H100，到 11 月計劃擴至 9000 個 GB300 NVL72 時，Azure 無法給出明確的交付時間，最終只能轉向 CoreWeave。更關鍵的是，微軟在 GPU 類型的佈局上也出現了偏差，它投入大量工程師成本和資本開支在 AMD GPU 與 GB200/GB300 NVL72 系統上，但當時行業主流需求仍集中在 NVIDIA 的 H 系列 GPU，這種錯配進一步加劇了資源緊張。資源分配的問題，還間接導致了 Azure 在行業評級中的風險。SA在 2025 年 3 月發布的 ClusterMAX 1.0 評級裏，曾將 Azure 列為 「Gold 級」—— 彼時它在網絡性能、最新 GPU 可用性上都處於行業前列，還佔據了 OpenAI 大部分算力訂單。但到了 11 月的 ClusterMAX 2.0 評級時，Azure 的優勢已明顯減弱：CycleCloud 和 AKS 等 AI 集群管理工具的功能更新停滯，監控系統的穩定性、硬件故障的自動恢復能力，都落後於 CoreWeave、Nebius 等競爭對手。更關鍵的是，Azure 至今沒有推出針對 AI 場景的託管 Slurm 或 Kubernetes 集群，而這類服務正是初創公司最需要的，沒有成熟的工具鏈，客户需要花費更多時間搭建環境，自然會轉向體驗更好的平台。SA當時就判斷，若微軟不及時調整，Azure 有被降級至 「Silver 級」 的風險。不過，微軟在 PaaS 層也有自己的差異化佈局，那就是可互換艦隊戰略。這個戰略的核心邏輯很清晰：依託全球 70 個區域、400 多個數據中心的佈局，把 AI 服務貼近企業客户，滿足他們對數據本地化、合規性的需求。這一點在企業級市場尤其重要，隨着數據安全法規的收緊，很多跨國企業需要在特定地區處理 AI 任務，避免數據跨境傳輸。我們看到了一些成功案例，比如字節跳動 Seed 在美國亞利桑那州租用微軟的算力訓練視頻模型，而非選擇中國或馬來西亞的節點，這正是看中了微軟在美國市場的基礎設施覆蓋與合規能力。但這個戰略也有明顯短板：數據中心的選址受限於電力供應。企業集中的 major metros 大多面臨電力緊張問題，數據中心建設速度遠不如偏遠地區——Oracle、CoreWeave 可以在電力充足的偏遠地帶快速搭建大規模集群，而微軟為了貼近企業客户，只能在電力受限的城市周邊佈局，導致算力擴張速度落後於競爭對手。這種速度與貼近性的矛盾，至今仍是微軟 PaaS 層戰略的核心挑戰。Azure Foundry 的發展也值得關注，它是微軟 PaaS 層的核心產品，定位為企業級 Token 工廠，既支撐內部的 M365 Copilot、GitHub Copilot 等 1P 應用，也向外部客户提供模型推理端點。通過 Tokenomics 模型預測，Azure Foundry 未來會逐步搶佔 OpenAI API 的份額，到 2032 年可能承接 100% 的 OpenAI API 推理計算，這背後的關鍵優勢，是微軟擁有 OpenAI 模型的 IP rights，能自主決定定價與服務模式。但企業 Token 市場目前仍處於早期階段，微軟要面臨的挑戰不少。Alphabet CEO Sundar Pichai 在 2025 年 Q3 財報中提到，近 12 個月有 150 家 Google Cloud 客户各處理了約 1 萬億個 Token，但這部分收入僅佔 GCP 業務的 0.5%。這個數據足以説明，把 Token 轉化為實際營收並不容易，需要解決輸入輸出比計算、緩存 Token 的成本扣除、不同行業的定價適配等複雜問題。微軟若想讓 Azure Foundry 成為增長引擎，還需要在 「Token - 營收轉化」 的效率上持續優化。反駁 Michael Burry 的 硬件折舊質疑除了資源與佈局，硬件折舊也是微軟 PaaS 層不得不面對的爭議點。大空頭 Michael Burry 曾公開質疑，包括微軟在內的超大規模廠商，通過延長 IT 資產折舊年限來人為提振收益，從 2020 年的 3-5 年延長至 2025 年的 5-6 年，而 NVIDIA 芯片的產品周期只有 2-3 年，長期使用舊硬件會導致性能落後。但從行業實際情況來看，這個質疑並不成立。Dylan明顯對Michael Burry印象不好，原文中使用的詞是「臭名昭著」的Michael Burry。可以從兩個維度反駁這個觀點。首先是硬件可靠性的提升。現在服務器 OEM 廠商如 Dell、SuperMicro 提供的標準保修期已達 3-5 年，還可擴展至 6-7 年，只要儲備足夠備件，硬件完全能長期運行。就像汽車一樣，有人 2 年換車，但也有人能把車開 10 年以上，核心在於維護而非單純的使用年限。其次是超算領域的案例佐證：IBM Summit 超算 2018 年投入使用，2024 年 11 月才退役，連續運行 6.5 年；日本 Fugaku 超算 2020 年安裝，至今仍在全球 Top500 中排名第 7；中國的神威太湖之光 2016 年投用，現在仍是 Top21 的常客。這些超算的硬件使用周期遠超 2-3 年，足以説明 AI 硬件的壽命並非短期。從微軟的實際運營數據來看，舊 GPU 也仍有實用價值。以 NVIDIA V100 為例，這款 2017 年發布的 GPU，NVIDIA 的備件供應持續到 2022 年 1 月，截至 2025 年，AWS 等平台仍在銷售搭載 V100 的實例，部分市場如 Shadeform、Runpod 也能找到租賃服務，這意味着 V100 在發布 8 年後仍在運營。當然，微軟確實會拆除部分舊 GPU，但原因並非硬件損壞，而是為了優化空間與電力效率：用 H200、GB200 等更高性能的 GPU 替換舊款，提升單位空間的營收，而非舊硬件無法使用。微軟 AI 的模型與應用模型層與應用層這兩個層級的表現，直接決定了微軟 AI 戰略能否從算力供給落地為實際價值：模型層是技術能力的核心載體，應用層則是用户感知與商業變現的最終出口。從 2024 到 2025 年，微軟在這兩個層面走出了一條雙輪驅動的路徑：既依賴 OpenAI 的 IP 優勢打造差異化功能，也在加速自研模型 MAI 的迭代；既憑藉 GitHub Copilot、Office 365 Copilot 鞏固應用生態，也面臨着競爭對手的持續衝擊。這些努力與挑戰如何塑造微軟 AI 的競爭力，正是我們接下來要深入探討的內容。先看模型層，微軟的核心策略可以概括為 「借力 OpenAI + 自研 MAI」。前者是短期搶佔市場的利器，後者則是長期擺脱依賴的根基。在借力 OpenAI 方面，微軟的優勢在於對 IP 的深度利用。由於擁有 OpenAI 模型的獨家訪問權，微軟不僅能優先將 GPT 系列模型集成到自有產品中，還能通過 模型蒸餾與微調實現低成本複用。所謂模型蒸餾，就是從複雜的 OpenAI 大模型中提取核心能力，移植到更小的模型裏，這樣既能保留接近大模型的效果，又能大幅降低推理成本，尤其適合部署在 Office 這類輕量級場景中。而微調則是利用微軟獨家的企業數據，比如 Office 用户的文檔處理習慣、企業內部的業務數據，對 OpenAI 模型進行針對性優化，讓模型更貼合企業實際需求。最典型的案例就是 Excel Agent。這個功能基於 OpenAI 的推理模型微調而成，專門針對表格數據處理、公式生成、數據分析等場景優化。在 SpreadsheetBench 測試中看到，Excel Agent 的準確率達到 71.3%，超過了 GPT-4 的 57.2%，甚至優於其他 frontier 實驗室的模型。這背後的關鍵，就是微軟將 OpenAI 的通用能力與 Excel 的場景數據結合，打造出了通用模型 + 場景優化的差異化優勢。這種模式不僅提升了產品體驗，還避免了從零訓練模型的高額算力成本，是微軟在模型層最務實的策略。但依賴 OpenAI 也有隱憂，雙方的 IP 授權協議並非永久，目前約定的權限僅持續到 2032 年。一旦協議到期，微軟將失去核心技術支撐。也正是出於這個顧慮，微軟在 2024 年後加快了自研模型 MAI 系列的研發，試圖構建第二增長曲線。目前 MAI 系列已推出三款模型，覆蓋文本、圖像、語音三個方向。文本模型 MAI-1 在 LMArena 排行榜中排名第 38 位，尚未對外開放；圖像模型表現稍好，能進入 LMArena 前 10 位；語音模型則已集成到 Copilot 中，向普通用户開放。從性能上看，這些模型暫時還無法與 OpenAI、Anthropic 的頂尖模型抗衡，定位更偏向 「低成本、中高質量」 的場景，比如日常語音助手、基礎圖像生成，而非複雜的推理或多模態任務。但微軟對 MAI 的投入正在快速加大。通過 Tokenomics 模型測算，微軟計劃在未來幾年將 MAI 的年度算力支出提升至 160 億美元，季度內部算力投入從 2025 年第二季度開始逐步增長，到 2028 年第四季度可能超過 40 億美元。這種大規模投入背後，是微軟希望通過 MAI 實現 「模型自主可控」 的決心，畢竟，只有擁有自研的核心模型，才能在未來的 AI 競爭中避免被第三方綁定，也才能更好地與自有應用生態深度協同。不過，模型研發是個長期過程，MAI 要想追上行業頂尖水平，還需要解決數據質量、算法優化、算力支撐等一系列問題，短期內很難完全替代 OpenAI 模型的作用。聊完模型層，再看應用層，這是微軟 AI 價值變現的核心戰場，也是競爭最激烈的領域。目前微軟的應用佈局主要圍繞兩大核心：代碼輔助領域的 GitHub Copilot，以及辦公協同領域的 Office 365 Copilot。但兩者的市場表現，卻呈現出一穩一憂的分化。先説説 GitHub Copilot，這款產品曾是微軟在 AI 應用層的王牌，憑藉與 VS Code、GitHub 的深度綁定，以及早期集成 GPT-4 的優勢，一度壟斷了代碼輔助市場。它的核心價值在於inline 實時輔助，開發者在編寫代碼時，Copilot 能實時推薦代碼片段、補全函數、排查語法錯誤，大幅提升開發效率。在推出初期，GitHub Copilot 的用户增長速度遠超行業預期，甚至成為不少開發者的必備工具。但 2024 年後，GitHub Copilot 的護城河開始鬆動。最大的挑戰來自競爭對手的生態突圍。Anthropic、Cognition 等公司通過 「fork VS Code」，打造了更緊密的 「編輯器 + 模型」 集成方案。比如 Claude Code，不僅能提供代碼補全，還能直接對接 Anthropic 的 Claude 模型，支持代碼解釋、漏洞檢測、文檔生成等更全的功能，而且兼容性與 VS Code 幾乎一致，開發者遷移成本極低。更關鍵的是，這些競爭對手採用的是多模型策略，能根據用户需求切換不同模型，而 GitHub Copilot 早期僅依賴 OpenAI 模型，靈活性不足。為了應對競爭，微軟在 2025 年初不得不引入 Anthropic 模型，允許用户在 GitHub Copilot 中切換 GPT 與 Claude 模型。但這一舉措直接影響了盈利，原本 GitHub Copilot 幾乎全用自有 Token，毛利率接近 100%；引入 Anthropic 模型後，需要向 Anthropic 採購 Token，而 Anthropic 的毛利高達 50%-60%，導致 GitHub Copilot 的整體毛利率大幅下滑。之後微軟又推出了 Agent HQ，整合 Google、xAI 等第三方 Agent，試圖通過生態開放留住用户，但核心功能被替代的風險依然存在。與 GitHub Copilot 不同，Office 365 Copilot 的表現相對穩健。作為覆蓋銷售、財務、服務、安全等多個場景的綜合性工具，它的優勢在於生態綁定。Office 是全球最普及的辦公軟件，用户基數超過 10 億，而 Office 365 Copilot 直接集成在 Word、Excel、PowerPoint、Teams 等產品中，用户無需切換平台就能使用 AI 功能。這種無縫體驗是競爭對手難以複製的。目前 Office 365 Copilot 的月活躍用户已超過 1000 萬，成為企業 AI adoption 的主要推動力。在企業場景中，它的價值不僅在於提升效率，還能降低 AI 使用門檻，比如財務人員用 Copilot 自動生成報表分析，銷售人員用 Copilot 整理客户溝通記錄，甚至非技術崗位的員工也能通過自然語言指令完成複雜的辦公任務。我們調研發現，使用 Office 365 Copilot 的企業，員工的文檔處理效率平均提升 30%，會議紀要生成時間縮短 50%，這種看得見的效率提升讓企業願意為訂閲付費，也支撐了 Azure AI 的營收增長。但 Office 365 Copilot 也面臨挑戰。隨着 Google Workspace、飛書等競品陸續推出 AI 功能，用户的選擇越來越多。比如 Google 在 Workspace 中集成了 Gemini 模型，支持多文檔聯動分析、實時翻譯等功能，與 Office 365 Copilot 形成直接競爭。而且企業客户對 AI 的需求正在從基礎輔助轉向深度業務集成，比如將 AI 與企業的 CRM 系統、ERP 系統對接，實現從數據錄入到業務決策的全流程自動化。這就要求微軟不僅要優化 Office 內部的 AI 功能，還要加強與第三方企業軟件的協同，而這正是微軟目前需要突破的方向。微軟 AI 的硬件芯片是 AI 算力的核心載體，直接決定成本與性能上限；網絡架構則是連接算力資源的血管，影響大規模集群的效率與擴展性。從 2024 到 2025 年，微軟在這兩個層面呈現出 「兩極分化」 的表現：芯片層受制於自研 ASIC 的滯後，不得不依賴第三方；網絡層卻憑藉創新拓撲與高速 AI WAN，實現了對大規模 GPU 集群的高效連接。先看芯片層，這是微軟 AI 戰略中最棘手的環節。對於超大規模廠商而言，自研 AI 芯片是實現垂直整合、降低 NVIDIA 依賴的關鍵 ，Google 的 TPU、Amazon 的 Trainium、Meta 的 MTIA，都是通過自研芯片在成本與性能上建立優勢。但微軟的自研 ASIC Maia 系列，卻始終未能跟上行業節奏，成為其硬件佈局的明顯短板。Maia 系列的首款產品 Maia 100 在 2023 年底發布，當時被視為微軟進軍自研芯片的標誌性動作。從參數上看，Maia 100 的 BF16 算力為 800 TFLOPS，內存容量 64GB，內存帶寬 1600GB/s， 單看這些數字似乎不差，但對比同行就會發現差距：Google TPUv7 的 BF16 算力達 4614 TFLOPS，內存帶寬 7370GB/s；Amazon Trainium2E 的內存帶寬也有 2898GB/s。更關鍵的是，Maia 100 的設計早於生成式 AI 爆發，內存帶寬無法滿足大模型訓練與推理的需求，最終未能大規模量產，僅在部分內部場景小範圍測試。後續的 Maia 200 更是一波三折，原本計劃在 2024 年完成流片，但設計過程中出現多個技術問題，導致流片延遲至 2024 年底，2025 年才啓動量產。從微軟內部人士處了解到，Maia 200 的性能未達預期，被內部評估為失敗項目，相關軟件開發也已暫停，這意味着即便芯片量產，短期內也難以支撐核心 AI workload。而計劃在 2027 年部署的 Maia 300，雖然瞄準 2nm 工藝，目標是接近內部性能預期，但屆時還要與 NVIDIA 的下一代芯片 Vera Rubin 競爭，能否縮小差距仍是未知數。Maia 系列進展滯後的核心原因，在於微軟的戰略綁定思路。微軟認為，自研芯片需要與自研模型 MAI 協同，即先有成熟的模型，再匹配適配的芯片。這種思路導致硬件研發與市場需求脱節，當行業都在為大模型優化芯片帶寬與算力時，Maia 仍在等待 MAI 的進展，錯失了迭代窗口期。而 Google、Amazon 等對手採用硬件與模型異步迭代的策略，芯片研發圍繞通用 AI 需求推進，再通過軟件適配不同模型，反而更快實現了規模化應用。為了彌補自研芯片的不足，微軟不得不尋求外部替代方案。最主要的路徑是依賴 OpenAI 的定製芯片 Titan ASIC。OpenAI 的芯片研發起步比微軟晚，但進展更快，且微軟擁有 OpenAI 除消費級硬件外的所有 IP rights，這意味着微軟未來可能通過授權使用 Titan ASIC，為 OpenAI 模型提供算力支撐。這種模式雖能解燃眉之急，但風險在於IP 依賴， 一旦雙方合作生變，微軟將失去硬件保障，且無法像自研芯片那樣實現深度成本控制。另一路徑是通過旗下風投基金 M12 投資芯片初創公司，佈局未來技術。比如投資專注於編程框架的 Modular，其開發的 Modular MAX 有望替代 vLLM、SGLang 等現有推理運行時，支持多類型加速器，降低對 NVIDIA 生態的依賴；還有研發光學處理單元 OPU 的 Neurophos，宣稱能實現每皮焦耳 1000 次浮點運算的效率，若技術落地，可能顛覆傳統 GPU 架構。但初創公司的技術成熟度低，商業化周期長，短期內難以支撐微軟的硬件需求，更多是戰略卡位。對比其他超大規模廠商，微軟的芯片差距正在拉大。2023-2026 年，Google TPU、Amazon Trainium、Meta MTIA 的單位出貨量持續增長：Google TPUv7 已對外銷售，Anthropic 計劃採購 100 萬顆；Amazon Trainium2E 憑藉 Anthropic 的獨家訂單，推動 AWS AI 收入加速；Meta 即將推出的 Athena 芯片首次集成 HBM，後續型號目標超越 NVIDIA。而微軟 Maia 系列的出貨量僅為同行的零頭，短期內難以改變依賴第三方芯片的格局，這不僅推高了算力成本，還讓 Azure 在價格競爭中處於被動。與芯片層的掙扎不同，微軟在系統架構層的網絡設計上，展現出了行業領先的創新能力。對於大規模 AI 集群而言，網絡是效率瓶頸，當 GPU 數量從數千擴展到數十萬時，如何實現低延遲、高帶寬的互聯，直接決定訓練與推理效率。微軟通過高基數交換機、創新拓撲與超高速 AI WAN 的組合，解決了這一難題，甚至實現了從 2048 到 524288 GPU 的規模突破。先看高基數交換機帶來的連接革命。傳統 2 層網絡採用 64 端口 800G 交換機，最多隻能連接 2048 個 GPU，無法滿足超大規模集群需求。微軟的解決方案是端口拆分 + 512-Radix 交換機：將每個 GPU 的 800G 邏輯端口拆分為 8 個 100G 端口，搭配支持 512 個 100G 端口的交換機（如 Broadcom Spectrum-5）。通過這種調整，2 層網絡能連接的 GPU 數量從 2048 提升至 131072 個，且 GPU 與交換機的比例保持在 21.3:1，比 4 層網絡的 9:1 更高效，大幅降低了網絡成本。在此基礎上，微軟還創新推出rail-only 拓撲，進一步突破規模限制。傳統網絡中，每個 GPU 的多個端口連接到同一交換機平面，而 rail-only 拓撲將每個計算托盤的 3200G 帶寬拆分為 32 個鏈路，分別連接到 32 個獨立平面。這種設計讓 2 層網絡能連接的 GPU 數量達到 524288 個，且保持 21.3:1 的 GPU 交換機比例，相當於用同樣的網絡成本，實現了 4 倍的算力規模。不過，這種拓撲也有妥協：同一計算托盤的 GPU 需通過 NVLink 而非 Scale-out 網絡通信，對軟件調度提出了更高要求，微軟通過優化訓練協議，才緩解了這一問題。除了數據中心內部的網絡優化，微軟還打造了超高速 AI WAN，實現跨區域算力互聯。首先是校園級 AI WAN，用於連接同一園區內的多棟數據中心，比如 Fairwater 2 Atlanta 園區的兩棟建築，每棟部署 157696 個 GPU，通過 AI WAN 實現低延遲通信，支撐分佈式訓練。其次是 「長距離 AI WAN」，連接全球不同區域的 AI 集群，比如威斯康星、亞特蘭大、鳳凰城的 Fairwater 園區，當前帶寬達 300Tb/s，可擴展至 10Pb/s。為了提升長距離傳輸效率，微軟採用了兩項關鍵技術：光學電路開關 OCS 與密集波分複用 DWDM。OCS 能靈活配置光學鏈路，無需複雜 rewiring，且無需深度緩衝交換機，降低了網絡延遲；DWDM 則通過在單根光纖上傳輸多個波長的光信號，大幅提升帶寬，比如利用 32 個 C 波段與 32 個 L 波段信道，單根光纖對可承載 51.2Pbit/s 的帶寬，原本需要 375 根光纖對的 300Tb/s 連接，通過 DWDM 可減少至 12 根，顯著降低了部署成本。這些網絡創新的價值，最終體現在跨數據中心訓練的能力上。微軟計劃將威斯康星與亞特蘭大的 Fairwater 園區互聯，構建 5GW 規模的分佈式集群，這種規模的集群能支撐萬億參數級大模型的訓練，且能通過區域間算力調度，提升資源利用率。我們在測試中發現，通過 AI WAN 連接的跨區域集群，訓練效率僅比單區域集群低 8%，遠優於行業平均 15% 的損耗，這意味着微軟能利用全球算力資源，實現分散部署、集中調度的靈活模式。星球中更多出海鏈相關的資料。知識星球半導體AI產業交流對半導體和AI產業有興趣的讀者，可以加下面微信，請備註姓名和所在行業。","kind":"news","is_publish_news":true,"is_publish_highlight":false,"is_publish_live":false,"is_publish_wemedia":null,"editions":null,"column":"","sentiment":"0","news_tag":"","news_rank":0,"symbols":[],"gpt_button":0,"need_auth":false,"code":"91000000","status":"200"}}}