Microsoft Maia 300: il nuovo chip AI per l’inferenza che sfida le GPU

Il 12 ottobre 2026 Microsoft ha presentato Azure Maia 300, la terza generazione del suo acceleratore AI progettato in casa. Non è un chip pensato per addestrare i modelli più grandi del mondo: è costruito per l’inferenza, cioè per il momento in cui un modello già addestrato risponde alle richieste di milioni di utenti. Secondo l’annuncio ufficiale di Microsoft, la famiglia Maia verrà estesa a implementazioni da più gigawatt a partire dal 2027.

In questo articolo vediamo cosa c’è davvero dentro il chip, quali numeri dichiara Microsoft e perché la mossa conta per chi usa Copilot, Foundry e i servizi AI di Azure.

Cos’è Maia 300 e perché Microsoft lo ha costruito

Maia 300 è un acceleratore progettato per i carichi di lavoro che oggi pesano di più sui data center: contesti lunghi, memoria in abbondanza e generazione di token in sequenza, la fase che gli addetti ai lavori chiamano decode. Scott Guthrie, vicepresidente esecutivo di Cloud + AI, lo ha descritto come un sistema intelligente completo, non come un semplice componente, pensato per il ragionamento su contesti ampi, per le conversazioni a bassa latenza e per i compiti agentici in più passaggi.

L’obiettivo dichiarato è fare di Maia il sistema di inferenza principale per i prodotti e i servizi dell’azienda.

La logica è economica prima ancora che tecnologica. Ogni risposta di un assistente AI consuma energia e tempo di calcolo, e al crescere degli utenti il costo dell’inferenza supera quello dell’addestramento. Disporre di un chip proprio, ottimizzato per il software che Microsoft esegue davvero, permette di tagliare i costi per token e di dipendere meno dalla disponibilità di GPU di terzi. Ne avevamo già visto il contesto parlando della corsa di Microsoft alla capacità dei data center: più energia e più campi di server hanno senso solo se ogni megawatt produce più risposte.

Le specifiche tecniche dichiarate da Microsoft

Silicio, chiplet e precisione numerica

I chiplet di calcolo usano il processo TSMC N2P, mentre controller di memoria e funzioni di input e output vivono su chiplet separati. Rispetto a Maia 200, lanciato a gennaio 2026 con processo a 3 nanometri, Microsoft indica un aumento del 36% dei FLOPs e del 14% della banda di scale-up.

Cambia anche l’organizzazione della memoria: si passa da un modello uniforme (UMA) a uno non uniforme (NUMA) tra i chiplet, una scelta che avvicina i dati a chi li elabora e riduce gli spostamenti inutili.

Sul fronte della precisione numerica, il chip supporta formati a bassa precisione come MXFP4 in versione migliorata e formati di archiviazione sotto i 3 bit, con conversione dei tipi di dato accelerata in hardware. Il motore vettoriale ottiene inoltre ottimizzazioni per operazioni frequenti nei modelli linguistici, come la softmax e il casting a bassa precisione. La SRAM sul die è gestita via software come area di lavoro, per alleggerire la pressione sulla memoria principale.

Memoria HBM4: il vero collo di bottiglia

Nell’inferenza di modelli di linguaggio il limite spesso non è la potenza di calcolo ma la velocità con cui i dati arrivano ai circuiti. Per questo Maia 300 monta otto stack di memoria HBM4 per una capacità di 288 GB e una banda di 18 TB/s per acceleratore.

Rispetto a Maia 200 sono 2,5 volte la banda di memoria, un terzo in più di capacità e circa il doppio di banda HBM per watt.

Una capacità così ampia conta soprattutto per la cache chiave-valore, la memoria di lavoro che cresce con la lunghezza del contesto. Più spazio vicino al calcolo significa poter servire conversazioni lunghe e agenti che ragionano a lungo senza degradare i tempi di risposta.

Rete, rack e raffreddamento: il sistema conta quanto il chip

Microsoft insiste sul fatto che Maia 300 va letto come un sistema. La rete di scale-up è basata su Ethernet con un trasporto AI personalizzato: all’interno del rack collegamenti diretti uniscono le coppie di acceleratori di un vassoio, mentre una fabbrica commutata raggiunge tutti i 96 acceleratori. I link nel rack sono elettrici.

Per salire di scala, switch di secondo livello collegano fino a 128 rack in un superpod da 12.288 acceleratori, con link ottici. Un acceleratore può spingere fino a 750 GB/s verso qualsiasi altro nel superpod quando solo una parte dei chip comunica tra rack diversi. Gli acceleratori possono inoltre avviare la comunicazione in autonomia, senza passare da un host o da una scheda di rete dedicata.

Il rack ospita 96 acceleratori in 24 vassoi da quattro, in un inviluppo di 167 kW, il doppio della densità di Maia 200. Il raffreddamento a liquido asporta oltre l’80% del carico termico e il rack può usare acqua di impianto oppure uno scambiatore di calore nei siti raffreddati ad aria.

Sono dettagli da ingegneri, ma spiegano la direzione: meno componenti intermedi, meno latenza, più token per ogni watt.

I numeri sulle prestazioni, da leggere con prudenza

Per Microsoft, in configurazione completa da 96 acceleratori Maia 300 offre fino a 7 volte la velocità di generazione di token a livello di rack rispetto a Maia 200, con oltre 2,5 volte le prestazioni per watt. Le cronache dell’evento riportano inoltre una stima di circa il 40% di token in più per megawatt rispetto ai principali sistemi basati su GPU, senza che l’azienda nomini un concorrente specifico.

Sono dati dichiarati dal produttore e non ancora verificati da benchmark indipendenti. Nel materiale tecnico mancano inoltre alcune informazioni chiave, come i FLOPS assoluti, la capacità della SRAM e i prezzi, e il chip entrerà in produzione nel 2027, quindi nessun cliente può ancora misurarlo sul campo.

Vale la pena ricordare un precedente: Maia 200 è slittato rispetto alla tabella di marcia iniziale, secondo quanto riportato in passato dalla stampa specializzata. Le promesse di calendario di un chip si giudicano quando i rack sono accesi.

Cosa cambia per Copilot, Foundry e il mercato

Maia 200 serve già Microsoft Copilot e il lavoro di sviluppo dei modelli MAI, mentre GitHub Copilot e Microsoft Foundry sono indicati come i prossimi a ricevere capacità entro fine 2026. Maia 300 è pensato per il lavoro di coding agentico, per l’erogazione di modelli su scala cloud attraverso Foundry, per l’inferenza e la generazione di dati dei modelli MAI e per i flussi di Dragon Copilot. Come utente non vedrai un’istanza con il nome Maia 300 da prenotare: l’effetto atteso è più capacità e potenzialmente costi più bassi dietro i servizi che già usi.

Il tema si lega alla strategia dei modelli di Microsoft, di cui abbiamo parlato nell’articolo su Decision-1 e Foundry: un’azienda che controlla modelli, piattaforma e silicio può ottimizzare l’intera catena, dal token al transistor.

Un confronto con Amazon, Google e Nvidia

Microsoft non è sola in questa strada. Amazon spinge i suoi Trainium, come emerge anche dalla vicenda dell’acquisizione di Decart e dei rapporti con Anthropic, e Google ha da anni le sue TPU. Il messaggio comune dei grandi cloud è chiaro: l’inferenza diventerà il mercato dominante e nessuno vuole lasciarne tutto il margine a un unico fornitore di GPU.

Questo non significa che Nvidia sia fuori gioco. I chip Maia sono pensati per affiancare l’hardware di Nvidia e AMD, non per sostituirlo, e per l’addestramento e i carichi dipendenti da CUDA le GPU restano la scelta naturale. Si parla piuttosto di un portafoglio di acceleratori in cui ogni carico finisce sul silicio più conveniente.

Cosa è stato riportato prima dell’annuncio

Ad agosto The Information aveva riferito di trattative con TSMC per una capacità superiore a 300.000 unità Maia 300 nel 2027. All’epoca Andrew Wall, responsabile di Azure Maia, dichiarò a Reuters che quei numeri non riflettevano la scala del programma, senza però fornire volumi di produzione. Con l’annuncio ufficiale restano quindi senza conferma pubblica sia i volumi sia i tempi di consegna.

Cosa aspettarsi dopo

Microsoft ha già fissato il prossimo appuntamento: nuovi dettagli arriveranno a Ignite 2026, in programma dal 17 al 20 novembre. Lì dovremmo capire meglio tempistiche, regioni Azure coinvolte e il ruolo di Maia nei servizi per le aziende.

Per chi lavora con l’AI, il punto non è tifare per un chip, ma capire dove sta andando il costo dell’intelligenza. Se i token costano meno per megawatt, agenti sempre attivi, assistenti con contesti lunghissimi e ragionamento esteso diventano sostenibili per più aziende. Tieni d’occhio i benchmark indipendenti e i prezzi di Foundry nei prossimi mesi, e seguici per gli aggiornamenti dopo Ignite: se vuoi approfondire il quadro generale, parti dalla nostra guida a ChatGPT e dai modelli che girano su queste infrastrutture.