Maia 300: a economia da inferência migra para o silício próprio

O que a Microsoft anunciou

Em 12 de outubro de 2026, a Microsoft anunciou o Azure Maia 300, a terceira geração de sua família própria de aceleradores de IA, em uma publicação no blog oficial assinada por Scott Guthrie, vice-presidente executivo de Cloud + AI. As implantações em produção começam em 2027, e a Microsoft afirma que vai escalar a família Maia para implantações de vários gigawatts, tornando o Maia o principal sistema de inferência de seus produtos e serviços. A Reuters informou que a empresa falou em implantar potencialmente mais de um milhão de chips Maia 300 no próximo ano para sustentar seus serviços internos de IA.

O Maia 300 foi projetado, nas palavras da Microsoft, como um «sistema inteligente completo», com arquitetura voltada à inferência para três tipos de carga: raciocínio de contexto longo, experiências conversacionais de baixa latência e tarefas agênticas sustentadas de múltiplas etapas. Os números principais são números de eficiência: a Microsoft espera 40% mais tokens por megawatt do que os principais sistemas baseados em GPU e até sete vezes a taxa de transferência de tokens em escala de rack do antecessor Maia 200 em uma configuração completa de 96 aceleradores. Ambos os números são expectativas da empresa para um sistema que ainda não entrou em produção.

[1] [2]

Dentro do sistema Maia 300

A arquitetura é construída em torno de chiplets. Um novo projeto multi-chiplet separa as funções de computação, controlador de memória e E/S; os chiplets de computação usam o nó N2P da TSMC, enquanto a Reuters acrescenta que uma tecnologia mais barata de 3 nanômetros cuida das funções de movimentação de dados. Cada acelerador carrega oito pilhas de HBM4 que entregam 18,0 TB/s de largura de banda de memória de pico dentro de um TDP de 950 watts, e a Microsoft cita formatos aprimorados de baixa precisão MXFP4 além de SRAM on-die usada como memória temporária gerenciada por software para aliviar a pressão sobre a HBM.

Em escala de rack, 96 aceleradores cabem em um envelope de 167 quilowatts, com 27,6 TB de capacidade HBM e 1,7 PB/s de largura de banda HBM agregada em um domínio de scale-up de alta velocidade. O princípio de projeto declarado pela Microsoft é o fluxo de dados definido por software com otimização de kernels assistida por IA: mover dados com eficiência, mais do que a potência bruta de computação, é o gargalo nos grandes sistemas de inferência. A rede é tratada como extensão desse fluxo de dados, com um transporte de IA baseado em Ethernet abrangendo aceleradores e racks.

[1] [2]

Já roda, já vende

O anúncio chega sobre um sistema que já opera. O Maia 200 já atende cargas de produção da Microsoft, incluindo o Microsoft Copilot, e o GitHub Copilot e o Microsoft Foundry virão até o fim de 2026. Ele executa modelos da OpenAI, os próprios modelos MAI da Microsoft e as principais famílias de modelos abertos em implantações nos Estados Unidos, na Europa e na Austrália — e a Microsoft informa até 1,7 vez mais tokens por watt do que a infraestrutura líder baseada em GPU para os recursos de IA integrados no Teams, no Copilot e nas experiências Cowork. São números reportados pela empresa, não medições independentes.

No mesmo dia, na Cúpula Global OCP em San Jose, a d-Matrix anunciou o Squadron: clusters de inferência multi-rack que escalam para mais de 1.000 XPUs Corsair conectadas, para computação de latência ultrabaixa em escala de megawatts, desenvolvidos com Arista, Broadcom e Supermicro. Os clusters já estão implantados no data center da d-Matrix no Arizona e agora estão sendo enviados a clientes prioritários, com servidores Corsair e racks SquadRack já disponíveis de forma geral. Dois lançamentos, uma semana, uma mesma mensagem: eficiência de inferência como produto.

[1] [3]

Por que importa

Leia a ficha técnica como um argumento: largura de banda HBM4 por watt, formatos MXFP4, memórias temporárias SRAM, chiplets dedicados à movimentação de dados. Cada recurso principal aponta para o mesmo gargalo — levar os pesos e o cache KV até a computação — o que significa que a inferência se tornou silenciosamente um problema de movimentação de memória, não de computação bruta. O recurso escasso deixou de ser FLOPS; são os bytes entregues por watt.

A unidade de competição está mudando junto. As métricas escolhidas pela Microsoft — tokens por megawatt, tokens por watt, taxa de transferência de tokens em escala de rack — substituem os FLOPS de pico como base de comparação, e são as unidades contra as quais os compradores acabarão precificando. O padrão já não é o experimento de uma única empresa: uma hiperescaladora e uma startup anunciaram sistemas de inferência centrados em memória na mesma semana. E o calendário importa: o Maia 300 é um roteiro para 2027, de modo que a capacidade atual de inferência ainda roda sobre frotas de GPU, e os números de 40% e 7x continuam sendo expectativas, não resultados entregues.

[1] [3]

O que observar

Para as equipes que constroem sobre infraestrutura de IA, a métrica a observar é tokens por dólar por watt. Quem controlar a pilha completa — silício, sistema, rede e as cargas para as quais foi codesenhado — vai definir o preço da inferência, e a escolha do modelo vai importar menos do que quem detém os megawatts. O argumento de codesign da Microsoft, construído sobre cargas em escala de Copilot e sua equipe de modelos MAI, é que só o operador da carga pode ajustar o silício a ela.

Trate as alegações de eficiência como declarações de roteiro até existirem benchmarks independentes em nível de serviço. Uma vantagem de 40% em tokens por megawatt é uma meta de projeto, não uma tabela de preços: ela se torna real quando aparece em capacidade disponível e precificada que terceiros possam medir. A direção é clara e a engenharia é séria; a verificação ainda está por vir.