Maia 300: la economía de la inferencia se muda al silicio propio

Lo que Microsoft anunció

El 12 de octubre de 2026, Microsoft anunció Azure Maia 300, la tercera generación de su familia de aceleradores de IA propios, en una publicación del blog oficial firmada por Scott Guthrie, vicepresidente ejecutivo de Cloud + AI. Los despliegues en producción comenzarán en 2027, y Microsoft afirma que escalará la familia Maia a despliegues de varios gigavatios, convirtiendo a Maia en el sistema principal de inferencia de sus productos y servicios. Reuters informó que la compañía habló de desplegar potencialmente más de un millón de chips Maia 300 el próximo año para respaldar sus servicios internos de IA.

Maia 300 está diseñado, en palabras de Microsoft, como un «sistema inteligente completo» con una arquitectura centrada en la inferencia para tres tipos de carga: razonamiento de contexto largo, experiencias conversacionales de baja latencia y tareas agénticas sostenidas de múltiples pasos. Las cifras principales son cifras de eficiencia: Microsoft espera un 40% más de tokens por megavatio que los sistemas GPU líderes y hasta siete veces el rendimiento de tokens a escala de rack de su predecesor, Maia 200, en una configuración completa de 96 aceleradores. Ambas cifras son expectativas de la compañía para un sistema que aún no ha entrado en producción.

[1] [2]

Dentro del sistema Maia 300

La arquitectura se construye alrededor de chiplets. Un nuevo diseño multichiplet separa las funciones de cómputo, controlador de memoria y E/S; los chiplets de cómputo usan el nodo N2P de TSMC, mientras que Reuters añade que una tecnología más barata de 3 nanómetros se encarga de las funciones de movimiento de datos. Cada acelerador lleva ocho pilas HBM4 que ofrecen 18,0 TB/s de ancho de banda de memoria pico dentro de un TDP de 950 vatios, y Microsoft cita formatos mejorados de baja precisión MXFP4 además de SRAM en el chip usada como memoria temporal gestionada por software para aliviar la presión sobre la HBM.

A escala de rack, 96 aceleradores caben en una envolvente de 167 kilovatios, con 27,6 TB de capacidad HBM y 1,7 PB/s de ancho de banda HBM agregado a través de un dominio de escalado de alta velocidad. El principio de diseño declarado por Microsoft es el flujo de datos definido por software con optimización de kernels asistida por IA: mover los datos con eficiencia, más que la potencia bruta de cómputo, es el cuello de botella en los grandes sistemas de inferencia. La red se trata como una extensión de ese flujo de datos, con un transporte de IA basado en Ethernet que abarca aceleradores y racks.

[1] [2]

Ya funciona, ya se vende

El anuncio llega sobre un sistema que ya opera. Maia 200 ya sirve cargas de producción de Microsoft, incluido Microsoft Copilot, y GitHub Copilot y Microsoft Foundry seguirán antes de finales de 2026. Ejecuta modelos de OpenAI, los propios modelos MAI de Microsoft y las principales familias de modelos abiertos en despliegues en Estados Unidos, Europa y Australia, y Microsoft informa de hasta 1,7 veces más tokens por vatio que la infraestructura GPU líder para las capacidades de IA integradas en Teams, Copilot y las experiencias Cowork. Son cifras reportadas por la compañía, no mediciones independientes.

El mismo día, en la Cumbre Global OCP de San José, d-Matrix anunció Squadron: clústeres de inferencia multirrack que escalan a más de 1.000 XPU Corsair conectadas para cómputo de latencia ultrabaja a escala de megavatios, desarrollados con Arista, Broadcom y Supermicro. Los clústeres ya están desplegados en el centro de datos de d-Matrix en Arizona y ahora se envían a clientes prioritarios, con servidores Corsair y racks SquadRack ya disponibles de forma general. Dos lanzamientos, una semana, un mismo mensaje: la eficiencia de inferencia como producto.

[1] [3]

Por qué importa

Lea la hoja de especificaciones como un argumento: ancho de banda HBM4 por vatio, formatos MXFP4, memorias temporales SRAM, chiplets dedicados al movimiento de datos. Cada característica principal apunta al mismo cuello de botella — llevar los pesos y la caché KV hasta el cómputo — lo que significa que la inferencia se ha convertido silenciosamente en un problema de movimiento de memoria, no de cómputo bruto. El recurso escaso ya no son los FLOPS; son los bytes entregados por vatio.

La unidad de competencia está cambiando con ello. Las métricas elegidas por Microsoft — tokens por megavatio, tokens por vatio, rendimiento de tokens a escala de rack — reemplazan a los FLOPS pico como base de comparación, y son las unidades contra las que los compradores acabarán fijando precios. El patrón ya no es el experimento de una sola compañía: un hiperescalador y una startup anunciaron sistemas de inferencia centrados en la memoria la misma semana. Y el calendario importa: Maia 300 es una hoja de ruta para 2027, así que la capacidad de inferencia actual sigue funcionando sobre flotas de GPU, y las cifras del 40% y 7x siguen siendo expectativas, no resultados entregados.

[1] [3]

Qué observar

Para los equipos que construyen sobre infraestructura de IA, la métrica a observar es tokens por dólar por vatio. Quien controle la pila completa — silicio, sistema, red y las cargas para las que fue codiseñado — fijará el precio de la inferencia, y la elección del modelo importará menos que quién posee los megavatios. El argumento de codiseño de Microsoft, construido sobre cargas a escala de Copilot y su equipo de modelos MAI, es que solo el operador de la carga puede ajustar el silicio a ella.

Trate las afirmaciones de eficiencia como declaraciones de hoja de ruta hasta que existan referencias independientes a nivel de servicio. Una ventaja del 40% en tokens por megavatio es un objetivo de diseño, no una lista de precios: se vuelve real cuando aparece en capacidad disponible y tarifada que terceros puedan medir. La dirección es clara y la ingeniería es seria; la verificación aún está por llegar.