Maia 300: Die Inferenz-Ökonomie zieht auf eigene Chips um

Was Microsoft angekündigt hat

Am 12. Oktober 2026 kündigte Microsoft Azure Maia 300 an, die dritte Generation seiner hauseigenen KI-Beschleunigerfamilie, in einem Beitrag des offiziellen Microsoft-Blogs, unterzeichnet von Scott Guthrie, Executive Vice President Cloud + AI. Die Produktions-Rollouts beginnen 2027; Microsoft will die Maia-Familie auf Multi-Gigawatt-Rollouts skalieren und Maia zum primären Inferenzsystem für Microsoft-Produkte und -Dienste machen. Reuters berichtet, das Unternehmen habe den Einsatz von potenziell mehr als einer Million Maia-300-Chips im kommenden Jahr zur Unterstützung seiner internen KI-Dienste in Aussicht gestellt.

Maia 300 ist, in Microsofts Worten, als „vollständiges intelligentes System“ mit inferenzorientierter Architektur für drei Workload-Typen konzipiert: Long-Context-Reasoning, latenzsensible dialogische Erlebnisse und ausdauernde mehrstufige agentische Aufgaben. Die Kennzahlen sind Effizienzzahlen: Microsoft erwartet 40 % mehr Tokens pro Megawatt als führende GPU-Systeme und bis zum Siebenfachen des Rack-skaligen Token-Durchsatzes des Vorgängers Maia 200 in voller 96-Beschleuniger-Konfiguration. Beide Zahlen sind Unternehmenserwartungen für ein System, das noch nicht in Produktion ist.

[1] [2]

Im Inneren des Maia-300-Systems

Die Architektur baut auf Chiplets auf. Ein neues Multi-Chiplet-Design trennt Rechen-, Speichercontroller- und I/O-Funktionen; die Rechen-Chiplets nutzen TSMCs N2P-Prozessknoten, während Reuters ergänzt, dass günstigere 3-Nanometer-Technik die Datenbewegungsfunktionen übernimmt. Jeder Beschleuniger trägt acht HBM4-Stapel mit 18,0 TB/s Spitzen-Speicherbandbreite bei 950 Watt TDP, und Microsoft nennt verbesserte MXFP4-Niedrigpräzisionsformate sowie On-Die-SRAM als softwareverwalteten Zwischenspeicher zur Entlastung des HBM.

Auf Rack-Ebene passen 96 Beschleuniger in ein 167-Kilowatt-Energiebudget, mit 27,6 TB HBM-Kapazität und 1,7 PB/s aggregierter HBM-Bandbreite über eine Hochgeschwindigkeits-Scale-up-Domäne. Microsofts erklärtes Designprinzip ist softwaredefinierter Datenfluss mit KI-gestützter Kernel-Optimierung: Daten effizient zu bewegen — nicht rohe Rechenleistung — ist der Engpass großer Inferenzsysteme. Das Netzwerk wird als Erweiterung dieses Datenflusses behandelt, mit KI-Transport auf Ethernet-Basis über Beschleuniger und Racks hinweg.

[1] [2]

Läuft bereits, wird bereits geliefert

Die Ankündigung trifft auf ein bereits laufendes System. Maia 200 bedient bereits Microsoft-Produktionsworkloads, darunter Microsoft Copilot; GitHub Copilot und Microsoft Foundry folgen bis Ende 2026. Er führt OpenAI-Modelle, Microsofts eigene MAI-Modelle und führende Open-Source-Modellfamilien in Rollouts in den USA, Europa und Australien aus — und Microsoft meldet bis zu 1,7-mal mehr Tokens pro Watt als führende GPU-Infrastruktur für eingebaute KI-Funktionen in Teams, Copilot und Cowork-Erlebnissen. Das sind vom Unternehmen genannte Zahlen, keine unabhängigen Messungen.

Am selben Tag kündigte d-Matrix auf dem OCP Global Summit in San José Squadron an: Multi-Rack-Inferenzcluster, die auf über 1.000 vernetzte Corsair-XPUs für extrem latenzarmes Rechnen im Megawatt-Maßstab skalieren, entwickelt mit Arista, Broadcom und Supermicro. Die Cluster laufen bereits in d-Matrix' Rechenzentrum in Arizona und werden nun an Prioritätskunden ausgeliefert; Corsair-Server und SquadRack-Racks sind allgemein verfügbar. Zwei Launches, eine Woche, eine Botschaft: Inferenzeffizienz als Produkt.

[1] [3]

Warum das wichtig ist

Lesen Sie das Datenblatt als Argument: HBM4-Bandbreite pro Watt, MXFP4-Formate, SRAM-Zwischenspeicher, Chiplets für Datenbewegung. Jedes Kernmerkmal zielt auf denselben Engpass — Gewichte und KV-Cache zur Recheneinheit zu bringen — was bedeutet, dass Inferenz leise zum Speicherbewegungsproblem geworden ist, nicht zum Rechenproblem. Die knappe Ressource ist nicht mehr FLOPS; es sind gelieferte Bytes pro Watt.

Die Wettbewerbseinheit wandelt sich mit. Microsofts gewählte Metriken — Tokens pro Megawatt, Tokens pro Watt, Rack-skaliger Token-Durchsatz — ersetzen Spitzen-FLOPS als Vergleichsbasis, und in diesen Einheiten werden Käufer letztlich Preise festmachen. Das Muster ist kein Einzelexperiment mehr: Hyperscaler und Startup kündigten in derselben Woche speicherzentrierte Inferenzsysteme an. Und der Kalender zählt: Maia 300 ist eine Roadmap für 2027, also läuft die heutige Inferenzkapazität noch auf GPU-Flotten, und die Zahlen 40 % und 7x bleiben Erwartungen, keine gelieferten Ergebnisse.

[1] [3]

Worauf zu achten ist

Für Teams, die auf KI-Infrastruktur aufbauen, lautet die Kennzahl: Tokens pro Dollar pro Watt. Wer den vollen Stack kontrolliert — Silizium, System, Netzwerk und die Workloads, für die er co-designed wurde — setzt den Preis für Inferenz, und die Modellwahl zählt weniger als der Besitz der Megawatt. Microsofts Co-Design-Argument, aufgebaut auf Copilot-skaligen Workloads und dem eigenen MAI-Modellteam, lautet: Nur der Betreiber der Workload kann das Silizium darauf abstimmen.

Behandeln Sie Effizienzversprechen als Roadmap-Aussagen, bis unabhängige Benchmarks auf Service-Ebene existieren. Ein Vorsprung von 40 % bei Tokens pro Megawatt ist ein Designziel, keine Preisliste — er wird real, sobald er in verfügbarer, bepreister Kapazität auftaucht, die Dritte messen können. Die Richtung ist klar und das Engineering ernsthaft; die Verifizierung steht noch aus.