Microsoft ha annunciato il piano di distribuire il chip AI progettato internamente, «Azure Maia», su scala multi-gigawatt a partire dal 2027. L’azienda intende farne una delle principali piattaforme di inferenza per i propri prodotti. Lo ha reso noto il dirigente Scott Guthrie. Maia 200 alimenta già Microsoft Copilot negli Stati Uniti, in Europa e in Australia; entro la fine dell’anno il supporto sarà esteso anche a GitHub Copilot e Foundry.
La scelta di gestire internamente l’infrastruttura che alimenta l’AI
Quando si parla di AI, l’attenzione tende a concentrarsi su quale modello sia più intelligente. Ma, con l’aumento degli utenti, cresce anche la capacità di calcolo necessaria per generare ogni singola risposta. Chi esegue questo processo, chiamato «inferenza», con quali dispositivi e quanta energia? L’annuncio di oggi entra nel merito di queste fondamenta.
Microsoft afferma che a partire dal 2027 distribuirà Maia su scala multi-gigawatt, facendone uno dei principali sistemi di inferenza per i propri prodotti. Secondo quanto riferito, il CEO Satya Nadella ha definito il progetto «la più grande scommessa di sempre sul silicio proprietario». L’azienda non intende limitarsi a dipendere dai chip acquistati da fornitori esterni: punta a integrare la progettazione e la gestione dei chip nella propria strategia cloud.
Un aspetto da tenere d’occhio è la varietà di modelli che Maia è in grado di gestire. Oltre ai modelli di OpenAI, Microsoft ha dichiarato che il chip eseguirà la propria serie MAI e anche modelli open source. Più che un dispositivo dedicato a un modello specifico, sembra puntare a diventare una piattaforma di inferenza general-purpose, capace di gestire i diversi sistemi AI utilizzati su Azure.
La situazione attuale: Maia 200, con Copilot già in esecuzione
Non si tratta di un piano ancora tutto da realizzare. Maia 200 alimenta già Microsoft Copilot negli Stati Uniti, in Europa e in Australia. Anche GitHub Copilot e Foundry dovrebbero essere supportati entro la fine dell’anno.
Microsoft afferma che, in Teams, Maia è in grado di elaborare fino a 1,7 volte più token per watt rispetto alle principali GPU. Un token è, in sostanza, l’unità minima con cui l’AI elabora il testo. Se aumenta la quantità di elaborazioni per unità di energia, le stesse infrastrutture possono servire più utenti, con effetti diretti sui costi operativi. Il dato, tuttavia, è una dichiarazione di Microsoft: le informazioni disponibili non consentono di verificare nel dettaglio i termini di confronto o le condizioni di misurazione.
Maia 300 punta su input più lunghi e agenti AI
Maia 300, il modello successivo, dovrebbe essere distribuito nel 2027. Tra gli usi previsti figurano l’elaborazione di input lunghi, le conversazioni rapide e le attività basate su agenti. Un agente è un’AI che, ricevute le istruzioni dell’utente, svolge autonomamente una serie di passaggi. Poiché una singola richiesta può comportare numerose chiamate al modello, queste attività tendono a richiedere più potenza di calcolo rispetto alle conversazioni tradizionali.
Sono state rese note anche le specifiche del chip. Ogni chip integra 8 stack di memoria HBM4, per una capacità complessiva di 288 GB, una larghezza di banda di 18 TB al secondo e un consumo nominale di 950 watt. L’HBM è una memoria ad alta velocità utilizzata per l’AI; capacità e velocità diventano particolarmente importanti quando si elaborano modelli di grandi dimensioni o contesti lunghi.
Sul fronte delle prestazioni, Microsoft sostiene che Maia 300 elabori il 40% di token in più per megawatt rispetto ai sistemi GPU precedenti. Aggiunge che un rack composto da 96 chip può generare fino a 7 volte più token rispetto a un rack Maia 200. I dettagli sono raccolti in un rapporto tecnico e sono previste ulteriori informazioni a Ignite 2026, in programma a novembre.
Perché l’elaborazione per unità di energia è diventata un parametro competitivo
Uno degli aspetti più rilevanti dell’annuncio è che le prestazioni non vengono misurate solo in termini di «velocità», ma anche di quantità di elaborazioni per unità di energia. Il fatto stesso che la portata del piano venga espressa in gigawatt, unità di potenza, è emblematico. Nell’espansione dei data center, la disponibilità di energia sta diventando un vincolo più importante del numero di chip.
Una differenza di alcune decine di punti percentuali nell’efficienza energetica cambia la quantità di servizi AI che è possibile far funzionare a parità di potenza disponibile. Progettando i chip internamente, è possibile ottimizzarli nel dettaglio per i propri servizi e ampliare i margini di miglioramento dell’efficienza. È probabilmente anche per questo che Microsoft sta rafforzando la propria strategia di sviluppo interno.
Dalle informazioni pubbliche non è però possibile capire se l’espressione «multi-gigawatt» si riferisca al consumo dei chip o alla capacità complessiva delle infrastrutture. La scala effettiva della distribuzione e le condizioni di misurazione dei diversi dati sulle prestazioni saranno probabilmente chiarite a Ignite 2026 o nel rapporto tecnico. Il valore dell’AI dipenderà sempre più non solo dall’intelligenza dei modelli, ma anche dall’energia necessaria per sostenerli e dalla capacità di progettare semiconduttori. L’evoluzione di Maia riflette proprio questa tendenza.
コメント