Microsoft presenta Maia 300: il chip AI che riduce la dipendenza da Nvidia

Se usi Copilot o un altro servizio di intelligenza artificiale, il chip che lavora dietro le quinte può influire sulla rapidità delle risposte, sui costi del servizio e sull'energia necessaria a farlo funzionare. È per questo che Maia 300, il nuovo acceleratore progettato da Microsoft per i propri data center, conta anche per chi non comprerà mai un processore.

Microsoft vuole usare Maia 300 soprattutto per l'inferenza: la fase in cui un modello AI già sviluppato elabora una richiesta e produce una risposta. È diversa dall'addestramento, nel quale il modello apprende da grandi quantità di dati. Secondo le informazioni raccolte da The Verge, il chip inizierà a gestire attività di produzione nel 2027 e Microsoft intende far diventare la famiglia Maia la principale infrastruttura di inferenza dei propri prodotti.

Il punto non è sostituire da un giorno all'altro Nvidia. Microsoft cerca piuttosto di costruire una seconda strada per far funzionare l'AI su larga scala: una progettata intorno alle proprie esigenze, mentre continua a utilizzare anche processori di altri fornitori.

Maia 300 è un acceleratore AI, cioè un processore specializzato nei calcoli richiesti dai modelli di intelligenza artificiale. Non è un componente destinato al portatile dell'utente: lavorerà nei data center di Azure, la piattaforma di servizi informatici via internet di Microsoft. Quando qualcuno interroga un assistente AI, la richiesta può raggiungere questi impianti, essere elaborata da gruppi di acceleratori e tornare sotto forma di risposta.

Una Graphics Processing Unit (GPU), o unità di elaborazione grafica, è anch'essa molto adatta a svolgere numerosi calcoli in parallelo: per questo le GPU Nvidia sono diventate centrali nell'AI. Maia segue un'altra logica industriale. Invece di offrire a molti clienti un processore utilizzabile per ogni genere di lavoro, Microsoft può ottimizzare il proprio chip, la rete che lo collega agli altri e il software che distribuisce le richieste per i servizi che gestisce direttamente.

Il dato più significativo riguarda i token per megawatt: quanti token un sistema riesce a produrre a fronte di un megawatt di potenza elettrica. Scott Guthrie, responsabile dell'area cloud e AI di Microsoft, prevede per Maia 300 il 40% di token in più per megawatt rispetto a sistemi basati su GPU che l'azienda considera di riferimento. È una previsione di Microsoft, non un confronto indipendente già verificato su installazioni di produzione. Inoltre, senza dettagli completi sui sistemi e sulle attività confrontate, il numero non dimostra che Maia 300 sia più efficiente di ogni GPU in qualunque situazione.

Microsoft afferma inoltre che una configurazione completa da 96 acceleratori Maia 300 potrà raggiungere fino a sette volte la quantità di token prodotta da un'installazione Maia 200 su scala di rack, l'armadio che ospita i server. La parola decisiva è «fino a»: il risultato riguarda una configurazione specifica e non equivale a dire che ogni singolo Maia 300 sia sette volte più veloce del chip precedente. Come in una cucina professionale, aumentare il numero dei cuochi serve soltanto se ingredienti, spazio e coordinamento permettono a tutti di lavorare senza ostacolarsi.

Secondo The Verge, Maia 300 adotta un'architettura a chiplet: più parti specializzate vengono integrate nello stesso processore, invece di concentrare ogni funzione in un unico blocco di silicio. Microsoft separa le funzioni di calcolo, quelle che governano la memoria e quelle di ingresso e uscita dei dati. L'analogia è quella di un laboratorio con reparti dedicati: ogni reparto può essere progettato per il proprio compito, ma il risultato dipende anche da quanto rapidamente riesce a scambiare materiali con gli altri.

La parte produttiva resta affidata a Taiwan Semiconductor Manufacturing Company (TSMC): la progettazione interna non significa che Microsoft fabbrichi da sola il silicio. Per Maia 300 è indicato il processo produttivo N2P. TSMC lo descrive come un'evoluzione della propria famiglia a 2 nanometri, con produzione su larga scala programmata per la seconda metà del 2026. Il nome del processo, però, non basta a prevedere velocità o consumi del sistema finito.

C'è poi la memoria. Quando un assistente deve tenere presenti una conversazione lunga, documenti e risultati di strumenti esterni, non è sufficiente eseguire i calcoli rapidamente: bisogna anche portare continuamente i dati vicino ai processori. In una spiegazione tecnica pubblicata da Microsoft, Rani Borkar individua proprio nella memoria, nei collegamenti fra chip e nella gestione della potenza alcuni dei limiti da affrontare insieme, anziché separatamente.

Una risposta breve a una domanda è soltanto uno dei possibili lavori di un modello. Un modello di ragionamento può dedicare più passaggi all'elaborazione di un problema; un agente AI può invece eseguire una sequenza di operazioni, per esempio cercare informazioni, usare strumenti e verificare un risultato. Non significa che lavori senza supervisione o che ogni decisione sia corretta: significa che una singola richiesta può innescare molti più passaggi rispetto a una normale chat.

Microsoft presenta Maia 300 come un sistema pensato per conversazioni che richiedono risposte rapide, ragionamenti su grandi quantità di informazioni e attività degli agenti composte da più fasi. L'Agenzia internazionale dell'energia (IEA) osserva che applicazioni come ragionamento e agenti possono richiedere, per singola richiesta, molta più energia di una semplice generazione di testo. Ecco perché migliorare il costo di una risposta oggi non basta: l'infrastruttura deve sostenere anche richieste future più lunghe e articolate.

Il predecessore Maia 200 offre un punto di partenza concreto. Microsoft lo ha presentato nel gennaio 2026 come acceleratore dedicato all'inferenza, dichiarando un'efficienza economica superiore del 30% rispetto all'hardware di ultima generazione allora presente nella propria infrastruttura. È un confronto interno all'azienda, non un prezzo universale valido per ogni cliente o modello. In una successiva comunicazione agli investitori, Microsoft ha riferito che Maia 200 era già operativo nei data center in Iowa e Arizona.

La direzione strategica è chiara: se Microsoft gestirà una quota maggiore delle proprie richieste AI con Maia, dovrà affidarsi meno ai processori acquistati da Nvidia e AMD per quelle specifiche attività. Questo non equivale però a smettere di comprare GPU. L'addestramento di grandi modelli, le esigenze dei clienti Azure e i diversi tipi di inferenza possono richiedere soluzioni differenti.

Microsoft stessa ha descritto ai propri investitori un'infrastruttura che combina chip interni con quelli Nvidia e AMD. Nell'ottobre 2025 ha inoltre annunciato su Azure un grande sistema per attività di OpenAI composto da oltre 4.600 GPU Nvidia Blackwell Ultra. Maia e Nvidia, quindi, non rappresentano necessariamente due scelte alternative per l'intero cloud: possono servire clienti e carichi di lavoro diversi.

Il riferimento ai megawatt non è soltanto una scelta di marketing. Nel suo rapporto del 2026, l'IEA stima che il consumo elettrico mondiale dei data center possa passare da 485 terawattora nel 2025 a circa 950 nel 2030; il terawattora misura una quantità di energia consumata nel tempo. La stessa analisi segnala limiti nella disponibilità di componenti e collegamenti alla rete elettrica. Più efficienza per singola richiesta può aiutare, ma non elimina questi vincoli.

Per valutare Maia 300 serviranno quindi dati che vadano oltre la scheda tecnica: quante richieste riesce a gestire quando il traffico varia, quanto tempo impiega a rispondere, quale costo ha l'intero sistema e quanta elettricità consuma includendo memoria, rete e raffreddamento. Conta anche la capacità di produrre e installare abbastanza chip. Sono domande a cui le previsioni diffuse prima del lancio operativo non possono ancora dare una risposta definitiva.

Maia 300 rende più concreta l'ambizione di Microsoft: controllare una parte maggiore dell'infrastruttura che trasforma le richieste degli utenti in risposte AI. Il vantaggio potenziale non nasce soltanto dal processore, ma dalla possibilità di progettare insieme chip, memoria, rete e software per le attività che l'azienda conosce meglio.

Per chi usa Copilot, la conseguenza potrebbe essere un servizio capace di crescere senza far aumentare nella stessa misura costi ed energia per ogni risposta. Per ora è una prospettiva, non un risultato acquisito. Il passaggio decisivo arriverà con le installazioni del 2027 e con misure confrontabili ottenute su attività reali: solo allora si capirà quanto spazio Maia 300 riuscirà a conquistare accanto alle GPU Nvidia.