微软AI战略的跌宕起伏：从巅峰到反攻

大家好，这里是最佳拍档。本期节目我们将深入探讨微软的AI发展之路。

2023年，微软曾是AI赛道的绝对领导者，为OpenAI（一家人工智能研究公司）投入了上千亿的资金，并建立了全球最大的AI数据中心。然而到了2024年，它却突然踩下了急刹车，冻结了数据中心租赁，暂停了自建项目，眼睁睁看着OpenAI转向甲骨文、CoreWeave等竞争对手。进入2025年，微软又高调回归，通过新的合作协议、多元算力布局和Token即服务（Token-as-a-Service: 一种基于AI模型输出单元（Token）计费的服务模式）的模式，试图重新夺回主导权。

这家市值万亿的科技巨头，为何会在AI巅峰时期选择暂停？错失的1500亿美元毛利能否挽回？自研模型与定制芯片的困境背后，又隐藏着怎样的行业博弈呢？今天，我们将基于SemiAnalysis（一家专注于半导体行业研究的分析机构）刚刚发布的万字报告，为大家拆解微软AI战略的底层逻辑、失误与反攻计划。

微软AI战略的激进扩张（2023年）

要理解微软的AI战略，必须从2022年11月ChatGPT（OpenAI开发的大型语言模型）的发布说起。作为最早押注OpenAI的科技巨头，微软早在2019年就投入了10亿美元。但是ChatGPT的爆火让它看到了AI的真正潜力，随即在2023年1月将投资规模扩大了10倍，同时启动了史上最激进的数据中心建设计划。

当时的微软，在AI基础设施领域的投入堪称疯狂。从2023年第一季度到2024年第二季度，微软数据中心的预租赁规模远远超过了亚马逊、谷歌、Meta等其他超级云服务商的总和。仅2023年第三季度，它单季度的租赁量就几乎等同于2022年全年北美市场的总租赁量。除了租赁，微软的自建项目同样惊人。2024年和2025年，微软自建数据中心的兆瓦数（Megawatt: 功率单位，1兆瓦等于100万瓦）增长达到了前所未有的水平，同时还与CoreWeave和甲骨文签订了数十亿美元的合同，只为抢占更多的算力资源。

这个时期最具标志性的，是微软为OpenAI打造的Fairwater计划（微软为OpenAI打造的超大规模AI数据中心集群项目）。该计划包括一系列全球最大的AI数据中心集群。第一个大型训练集群位于爱荷华州，正是GPT-3.5的训练地，配备了大约2.5万块英伟达A100芯片（英伟达（NVIDIA）生产的用于AI计算的GPU型号），占用了巴拉德（Ballard）建筑中的两个数据大厅，功率大约为19兆瓦。随后在亚利桑那州，微软又逐步扩展出第二个集群，2023年完成首栋H100建筑（英伟达（NVIDIA）生产的用于AI计算的GPU型号），2024年建成H200设施（英伟达（NVIDIA）生产的用于AI计算的GPU型号），2025年计划再添加两座配备GB200芯片（英伟达（NVIDIA）生产的用于AI计算的GPU型号）的数据中心，总计在四栋建筑中部署大约13万块GPU（Graphics Processing Unit: 图形处理器，擅长并行计算，是AI训练的核心硬件）。

而真正的巨无霸，是威斯康星州和乔治亚州的Fairwater设施。每一个Fairwater由两栋建筑组成，一栋是48兆瓦的标准CPU及存储设施，另一栋是超密集GPU建筑，为两层结构，总面积大约80万平方英尺，功率高达300兆瓦，相当于超过20万个美国家庭的用电量，配备超过15万块GB200 GPU。乔治亚州的设施虽然冷却系统不同，但是GPU建筑功率同样达到300兆瓦，风冷机组和现场变电站的规模在全球都无出其右。

更令人震撼的是微软的长期规划。在亚特兰大，第二个Fairwater园区已经在紧锣密鼓地建设；威斯康星州的第二个Fairwater也即将开工。而第三阶段，微软计划建造两栋超过600兆瓦的单体建筑，每个设施的CPU/存储和柴油发电机数量是标准300兆瓦Fairwater的两倍。完全建成后，这个园区将拥有超过2吉瓦（Gigawatt: 功率单位，1吉瓦等于10亿瓦）的IT容量，成为全球最大的AI数据中心园区之一。为了连接这些分布在各地的超大规模集群，微软还计划打造超高速的AI广域网（AI Wide Area Network: 专门为AI集群设计的广域网络，用于连接不同地理位置的数据中心），速度超过300太比特/秒 (Tb/s)（Terabit per second: 数据传输速率单位，1太比特等于1万亿比特），未来可扩展到10拍比特/秒 (Pb/s)（Petabit per second: 数据传输速率单位，1拍比特等于1千万亿比特）以上。SemiAnalysis估计，这个分布式集群的网络设计能够支持5吉瓦级的算力协同，让不同区域的GPU集群实现高效联动。这在当时被视为OpenAI击败谷歌基础设施的关键布局。

巅峰时刻的急刹车与市场流失（2024年）

然而，就在这一系列宏伟计划推进的关键时刻，微软突然按下了暂停键。2024年第二季度之后，微软的新数据中心租赁活动完全冻结，而其他大型云服务商则在显著增加租赁规模。此前微软在高峰期独占了超过60%的租赁合同，而到2024年底，它的预租赁容量占比已经降到了25%以下。除了冻结租赁，微软还放弃了多个吉瓦级的非约束性意向书，包括美国的菲尼克斯、芝加哥，欧洲的英国、北欧，以及澳大利亚、日本、印度、拉丁美洲等全球多个地区。这些被放弃的站点很快被甲骨文、Meta、CoreWeave、谷歌、亚马逊等竞争对手接手。

同时，微软的自建项目也大幅放缓，仅公开披露的冻结IT容量就达到大约950兆瓦，这还不包括弗吉尼亚、乔治亚、亚利桑那州以及国际上的多个其他数据中心项目。根据统计，微软总共暂停了超过3.5吉瓦的容量建设，这些容量原计划要在2028年前建成。这波大暂停也直接导致OpenAI开始多元化合作。2025年，OpenAI直接与甲骨文、CoreWeave、Nscale、SB能源公司、亚马逊和谷歌签订了大量的计算合同。这对微软来说无疑是巨大的打击。

战略失误的核心原因

那么，微软为什么会在巅峰时期突然自断臂膀呢？SemiAnalysis指出了三个核心原因。

首先是对未来AI需求的误判。微软严重低估了GPU的云需求规模，导致它的战略规划与市场实际需求脱节。

其次是自建项目执行缓慢。以威斯康星州的Fairwater项目为例，动工两年多后，第一阶段仍然没有投入运营。而甲骨文2024年5月在德克萨斯州阿比林动工的项目，9月就开始运营，两者效率差距悬殊。更关键的是，微软对1.5吉瓦扩容的电力传输规划不佳，满负荷容量至少要到2027年中期才能交付，比甲骨文的阿比林集群突破1吉瓦的时间晚了一年，无法满足OpenAI尽快扩展的需求。

第三个原因，是对利润率和资本回报率的重新权衡。当时有传言称，微软为OpenAI准备了1000亿美元的星际之门项目（StarGate Project: 传闻中OpenAI与微软合作的千亿美元级AI超级计算机项目），但是这个合同最终落到了甲骨文的手中。从微软的角度来看，拿下所有OpenAI的合同会恶化自家Azure（微软的云计算服务平台）业务的质量，因为OpenAI将在几年内占据Azure近50%的收入，但是它的利润率和资本回报率远不及Azure云业务在历史上的表现。数据显示，甲骨文在AI方面的投资回报率为20%，而微软整体业务的投资回报率高达35%到40%，即便剔除掉OpenAI的收入分成，微软自身的AI投资回报率也并不比甲骨文高多少。但是微软显然忽略了一个关键，那就是AI业务的收入结构正在从裸机服务器的工作负载转向更多API（Application Programming Interface: 应用程序编程接口，允许不同软件系统之间进行通信）和Token工厂业务模式，这种转型本来就会带来投资回报率的持续提升。

而这波大暂停，也让微软错失了巨额利润。甲骨文与OpenAI签订的合同价值超过4200亿美元，转化为大约1500亿美元的毛利润。如果按照五年期限计算，每年300亿美元的毛利润能让微软2025财年1940亿美元的年毛利润提升超过18%。更严重的是，微软的暂停导致它的剩余履约义务（RPO）（Remaining Performance Obligation: 指客户已签订合同但尚未交付的未来收入）的份额大幅流失。数据显示，暂停前微软的12个月RPO新增量为500亿美元，占比为38%，而暂停后新增量为1320亿美元，占比仅为18%，而甲骨文的新增量则飙升到4250亿美元，成为最大的赢家。

AI Token工厂经济栈的各层分析

要想真正看懂微软的AI战略失误，还不能只看数据中心的起伏，更要深入它的AI产品组合的各个层级。SemiAnalysis提出了一个AI Token工厂经济栈的框架，从芯片、IaaS（Infrastructure as a Service: 基础设施即服务，提供基础计算资源如虚拟机、存储和网络）、PaaS（Platform as a Service: 平台即服务，提供应用开发和部署平台）、模型层到应用层，每个层级的利润率和竞争格局都直接影响着微软的战略决策。

IaaS层：裸机GPU集群的困境

IaaS层是微软AI业务的基石，也是大暂停受到冲击最严重的领域。IaaS层的核心是裸机GPU集群的建设与租赁，成功的关键在于执行速度、对市场需求的理解、选址和融资能力。但是微软在这一领域的表现堪称令人失望。最典型的就是错失星际之门合同。前面提到，微软的威斯康星州数据中心项目本来计划将容量提升到超过2吉瓦，但是由于执行缓慢和电力传输规划滞后，最终被甲骨文抢走了价值1000亿美元的星际之门合同。而且甲骨文的阿比林集群从动工到运营仅用了4个月，而微软的项目动工两年多仍然没有投入运营，电力传输设施要到2027年才能全部完工。这种执行效率的差距，让微软在裸机服务器市场失去了核心竞争力。

更糟糕的是，当微软2025年意识到失误、想要重返市场的时候，扩展近期容量的选项已经所剩无几，只能被迫选择从CoreWeave这样的NeoCloud（新兴的云计算服务商，通常专注于特定领域如GPU租赁）租用GPU，再转售给第三方。这种转租模式导致Azure的利润率显著低于平常，因为NeoCloud的毛利率已经达到35%，微软再次转手很难保持原有的利润水平。从数据来看，IaaS层的盈利模型有着明确的成本结构。以H200 GPU为例，每8块GPU的HGX服务器（NVIDIA HGX: 英伟达的高性能GPU服务器平台）总资本成本为246391美元，GPU的折旧年限为4年，每小时折旧费用为0.88美元；托管成本为每千瓦每月110美元，电费为每千瓦时0.087美元，总计每块GPU的每小时可变成本为1.23美元。而每块GPU的每小时收入为1.90美元。这意味着IaaS层的利润空间本就有限，微软通过转租模式进一步压缩了自己的利润，竞争力自然大打折扣。

PaaS层：Token服务与产品体验挑战

PaaS层将GPU算力转化为Token服务，通过API向企业客户销售。微软的Azure在这一层原本占据领先地位，凭借网络性能、安全性和最新的GPU，曾经被SemiAnalysis评为AI云服务的金牌层级，与CoreWeave、Nebius、甲骨文等并列。但是到2025年11月，Azure的地位开始动摇，甚至面临被降级为银牌的风险。

问题的核心出在产品体验上。通过与140多位来自OpenAI、Meta、Snowflake等大型AI公司以及PeriodicLabs、AdaptiveML等初创企业的计算采购负责人交流，SemiAnalysis发现Azure在托管集群或按需虚拟机领域并非重要玩家。微软的大规模集群GPU容量大多直接供应给OpenAI，剩余部分被财富500强的传统企业内部开发者抢占，而这些企业通常签有协议，专门从Azure采购所有的基础设施。对于真正积极寻求计算能力的AI创业公司来说，Azure的产品体验存在明显的短板。行业内典型的GPU计算买家主要寻找规模在64到8000个GPU的H100、H200、B200或B300 HGX服务器，但是微软在AMD GPU以及针对OpenAI的GB200/GB300 NVL72机架规模系统上投入了大量资源，与市场主流需求脱节。更关键的是，Azure的CycleCloud Slurm集群（Azure提供的一种用于管理高性能计算（HPC）集群的工具，Slurm是流行的开源作业调度器）在易用性、监控、可靠性和健康检查方面存在显著差距。它为OpenAI提供的整机裸机体验，与CoreWeave、Nebius等供应商向终端用户提供的体验截然不同。开源社区的数据也印证了这一点，在HuggingFace（一个AI社区平台，提供模型、数据集和工具）上，与微软相关的每日模型下载量比亚马逊少5倍，比谷歌少3倍。这意味着微软不仅失去了OpenAI这样的大客户，也没能抢占企业和长尾市场，眼睁睁看着大量增长机会被竞争对手夺走。这些需求小到价值100万美元、为期1年的64个GPU的合同，大到价值超过5亿美元、为期3年的8000个GPU的合同，而Azure正在错失这一切。

为了扭转局面，微软推出了Azure Foundry（微软提供的一种Token即服务业务，允许客户使用多种AI模型进行推理），Token即服务的业务。它可以提供多种模型，既供给Microsoft 365 Copilot和GitHub Copilot（微软推出的AI助手，分别用于Office生产力和代码开发）等内部服务使用，也供给客户的模型推理使用，市场策略类似于OpenAI的API，面向个人和企业竞争。由于拥有OpenAI模型权重的知识产权，Azure还能够独立制定定价策略。根据SemiAnalysis的预测，目前大多数GPT API的token仍然由OpenAI直接处理，但是Azure Foundry将成为微软未来的重要增长引擎，并且逐步夺回市场份额。更重要的是，无论通过OpenAI API还是Azure Foundry提供服务，Azure在2032年前将拥有所有API推理计算的100%份额，这为微软的PaaS层业务提供了长期保障。不过，值得注意的是，向企业销售Token的业务仍然处于起步阶段。谷歌CEO桑达尔·皮查伊（Sundar Pichai）在2025财年第三季度财报电话会议中披露，过去12个月里有近150个谷歌云客户用模型处理了大约1万亿个Token，但是这部分业务规模还不到谷歌云业务的0.5%。这说明将Token转化为大规模收入远比看起来要复杂，需要解决输入/输出比率、缓存Token、定价计算等一系列的问题，而微软在这个领域仍然需要时间积累。

应用层：Copilot生态与竞争压力

应用层是微软原本的优势领域，尤其是GitHub Copilot在代码辅助市场曾经占有绝对优势。微软拥有业内首个内联代码模型，并且由于独占的知识产权访问权限，很早就将GPT-4集成到了Copilot中。更重要的是，微软拥有VS Code（Visual Studio Code: 微软开发的免费开源代码编辑器）和GitHub，以及庞大的企业客户基础。从外部看，这个护城河似乎固若金汤，但是微软低估了创业公司的挑战。一批创业公司通过对VS Code的Fork改造（Forking: 软件开发中，从现有项目代码创建新分支进行独立开发），构建了模型与代码库之间更紧密、更优的集成，再加上采用了Anthropic（一家人工智能研究公司，开发了Claude系列模型）的模型，这些挑战者的产品体验整体超越了GitHub Copilot。数据显示，Anthropic的Claude Code、Cursor等产品的ARR（Annual Recurring Revenue: 年度经常性收入，衡量订阅业务的收入指标）增长迅猛，不断挤压GitHub Copilot的市场份额。

面对竞争压力，微软在2025年初不得不勉强将Anthropic的模型纳入GitHub Copilot产品。这个举措大幅压缩了自己的利润率，GitHub Copilot从几乎100%使用第一方Token转变为必须购买大量Anthropic的Token，毛利率降到50-60%。为了应对这个局面，微软加大了对模型超市生态系统的押注，推出了Agent HQ平台（微软推出的一个Agent（智能体）生态系统平台），接入了包括谷歌和xAI在内的多个Agent，试图通过生态多样性来挽回用户。但是微软面临的更大隐患是，它对OpenAI模型权重的访问期限仅仅延长到了2032年，必须为当前利润最高的OpenAI模型产品制定备选方案。因此，自研模型就成为微软的必然选择。

目前，微软已发布了涵盖文本、图像和语音的3款自研MAI模型（Microsoft AI Model: 微软自研的AI模型系列）系列。文本模型MAI-1目前在LMArena（一个评估大型语言模型性能的基准测试平台）上的评分大约为38，还没有通过聊天界面或者API公开提供。这个模型是一个MoE模型（Mixture-of-Experts: 专家混合模型，一种神经网络架构，通过组合多个“专家”网络来处理不同类型的输入），在15000个H100 GPU上训练。下一代模型将是更大规模的多模态大语言模型（Multimodal Large Language Model: 能够处理和理解多种类型数据（如文本、图像、音频）的大型语言模型）。图像和语音模型则已经位列LMArena前十，而且都已经集成到Copilot中。这两款已落地的模型代表了微软的策略，那就是低成本且质量尚可的模型应用场景。它们虽然远远没达到最先进模型的水平，但是微软正在悄然准备投入更大规模的内部训练工作。根据SemiAnalysis的预测，未来几年内微软在自研模型上的年化计算支出将接近160亿美元，显示出了在模型层实现自主可控的决心。

除了GitHub Copilot，微软的Copilot生态还涵盖销售、财务、服务、安全等多个领域。Office 365 Copilot的月活跃用户已经超过1亿，成为推动AI普及的重要力量。最新的努力体现在Office Agent（微软Office套件中的AI智能体）中。以Excel Agent为例，它是OpenAI某个推理模型的后训练版本，微软声称它的表现优于前沿实验室的成果。在SpreadsheetBench（一个用于评估电子表格处理AI模型性能的基准测试）测试中，Excel Agent的准确率达到71.3%，远超GPT-4o、Claude Opus 4.1（OpenAI和Anthropic开发的高级AI模型）等竞品。这背后离不开微软对OpenAI知识产权（IP）（Intellectual Property: 知识产权）的充分利用，不仅能从原始的思维链（Chain-of-Thought: 一种提示技术，引导大型语言模型逐步推理以解决复杂问题）中提炼知识，还能利用Office套件的细粒度数据进行微调，实现了模型与应用场景的深度融合。

自研芯片的困境与替代方案

接下来是芯片方面，这也是利润的关键。对于微软这样的超级云厂商来说，定制ASIC芯片（Application-Specific Integrated Circuit: 专用集成电路，为特定应用设计优化的芯片）不仅能降低对英伟达的依赖，还能通过消除第三方的毛利空间，大幅提升自身的利润率。但是令人意外的是，在定制硅芯片开发方面，微软在超大规模云厂商中处于垫底位置，甚至没有试图迎头赶上。

微软在2023年底展示了首款AI ASIC芯片Maia 100，是四大云厂商中最后一个拥有AI ASIC的企业。而且如同第一代硅芯片的普遍情况，Maia 100并没有实现大规模生产，也没有用于实际的生产工作负载。更关键的是，这款芯片的架构设计早于生成式AI的爆发，因此在推理任务所需要的内存带宽方面存在先天不足。Maia 100的内存带宽仅为1600GB/s，而谷歌的TPUv5p（Tensor Processing Unit: 谷歌开发的专用AI芯片）为2765GB/s，亚马逊的Trainium2E（亚马逊AWS开发的专用AI训练芯片）为2898GB/s，谷歌最新的TPUv7更是达到了7370GB/s，差距极为明显。

不仅如此，微软的下一代芯片Maia 200的开发也因为多项问题而停滞，导致设计进程延长、流片时间推迟到2024年底，量产要到2025年才开始。更糟糕的是，Maia 200芯片在微软内部被评估为失败，迫使微软重新制定AI ASIC路线图，甚至放弃了对Maia 200的软件开发，转而将精力投入到未来的Maia迭代版本。按照目前的进度，微软最早也要到2027年底才能部署接近内部性能预期的2纳米Maia 300。但是在这期间，行业竞争门槛会被进一步拉高，微软需要与英伟达的Vera Rubin芯片（英伟达（NVIDIA）未来的GPU架构代号）竞争，而鉴于目前Maia团队的管理失误，SemiAnalysis对它在2027年的表现也不抱信心。

从实际的出货量来看，Maia系列的差距更为显著。在CoWoS预订（Chip-on-Wafer-on-Substrate: 台积电的一种先进封装技术，用于集成多个芯片）方面，微软AI硅芯片的出货量远低于谷歌、亚马逊和Meta。2023至2026年间，微软的ASIC芯片出货量几乎可以忽略不计，而谷歌、亚马逊和Meta的出货量呈快速增长态势。这意味着微软在定制芯片领域已经被竞争对手远远甩在身后。

反观其他超大规模云厂商，在ASIC芯片领域已经取得了实质性的进展。谷歌的芯片霸主地位无可匹敌，第七代TPU与英伟达的Blackwell芯片（英伟达（NVIDIA）未来的GPU架构代号）不相上下，不仅为Gemini模型家族提供算力，也让谷歌正在成为像英伟达一样的商用AI硬件公司。外部客户明年还将订购大量的TPU，比如Anthropic与谷歌联合宣布明年将至少采购100万个TPU，这标志着谷歌的ASIC芯片已经获得了外部市场的广泛认可。亚马逊也正在交付数百万个Trainium加速器，Anthropic是Trainium2的主力客户，几乎占据了整个Trainium2项目。这批集群为Anthropic带来的增长，正在推动AWS的收入大幅加速。而亚马逊几乎所有的Trainium需求都来自外部客户。值得注意的是，亚马逊在开发自研模型方面兴趣最小，更愿意做纯基础设施提供商，但是这反而让它通过出租自家AI硬件获得了可观的毛利。Meta也正处于ASIC路线图的关键转折点，即将推出的MTIA Athena将成为首款接近现代GPU的Meta芯片，具备大规模计算引擎与HBM协同封装的特性，并且已经开始量产。明年Meta还将推出新一代的Iris，随后是升级版Arke，还制定了激进的路线图，目标是在硬件实现上超越英伟达。

总结来看，所有的超大规模云厂商都已经部署了支持实际工作负载的ASIC，唯独微软缺席。微软的芯片团队不仅要与其他超大规模厂商竞争，更要与英伟达竞争。而加速器芯片是部署AI基础设施时最大的成本项，如果以英伟达GPU为黄金标准，它的毛利高达75%以上，售价是成本的4倍。定制硅芯片的主要目标之一就是消除这部分利润，让超大规模云厂商直接设计芯片，并且委托台积电制造，但是微软显然错失了这一机会。

面对自研芯片的困境，微软不得不寻求其他的替代方案。一方面，微软通过早期投资OpenAI获得了OpenAI定制芯片IP的访问权，而OpenAI的ASIC开发进展远远优于微软的Maia项目，因此微软最终可能会使用OpenAI的Titan芯片（OpenAI自研的AI芯片）来支持OpenAI的模型。但是这种依赖存在着风险，因为微软对OpenAI IP的使用权并非永久，无法实现定制ASIC项目普遍追求的硬件自给自足目标。另一方面，微软也开始多元化的芯片供应商，向初创企业寻求支持。微软的风险投资基金M12最近举办了一场活动，邀请了Modular、Neurophos等初创企业。Modular是一家致力于为英伟达之外的加速器开发推理和编程框架的软件初创公司，它的Modular MAX可以替代vLLM和SGLang（用于大型语言模型推理的开源运行时框架）等推理运行时框架。Neurophos是一家开发光处理单元（OPU）（Neurophos公司开发的光处理单元，一种新型芯片）的芯片初创公司，宣称能将FLOPs（Floating Point Operations Per Second: 每秒浮点运算次数，衡量计算能力的指标）提升1000倍，试图挑战英伟达的芯片霸权。但是这些初创项目也只能是一场概率极低的下注，主线路径依然是失败的。SemiAnalysis认为，微软管理层被唯唯诺诺的观点所误导，导致在芯片战略上错失良机。如果微软完全依赖于租用英伟达的GPU，那就只能和甲骨文、CoreWeave、Nebius这类公司竞争，而谷歌和亚马逊则有机会凭借自身差异化的技术栈获得更高利润。

AI网络架构的创新亮点

尽管在芯片和部分产品层面临困境，但是微软在AI网络架构方面的创新依然处于行业前沿。对于超大规模AI集群来说，网络是连接海量GPU的神经网络，直接决定了算力的协同效率和训练及推理速度。而微软在Fairwater 2数据中心部署的网络架构，堪称当前AI集群部署的标杆。

传统的AI集群网络通常会采用非阻塞Clos网络拓扑（Clos网络拓扑: 一种多级交换网络结构，常用于数据中心，提供高带宽和低延迟），使用k端口、L层交换机（网络交换机的参数，k表示每个交换机的端口数，L表示网络层数）连接GPU。以英伟达的Spectrum-X SN5600交换机为例，每台交换机有64个800G逻辑端口。搭建两层网络时，最多可连接的GPU数量为2048块；如果增加到三层网络，最多可连接65536块GPU。但是层数越多，每台交换机分配到的GPU越少，导致每GPU的网络成本增加。四层网络虽然能连接2097152块GPU，但是由于每台交换机只能连接9.1块GPU，成本过高所以难以落地。

微软的第一个创新，是将每块GPU的800G逻辑端口拆分为了8个100G的端口。虽然CX-8网卡（ConnectX-8: 英伟达（NVIDIA）生产的高速网络接口卡）支持这种拆分，但是并不是所有51.2T的交换机都支持512个100G逻辑端口。而微软选用了Spectrum-5 512端口交换机，成功实现了突破。通过这种拆分方案，搭建两层网络时，最多可连接的GPU数量提升到了131072块，远远超过未拆分时的2048块。而且每台交换机平均可以连接21.3块GPU，比用800G端口搭建的4层网络更高效。

不过微软并没有止步于此，而是推出了更具有创新性的纯轨道拓扑（rail-only topology: 一种创新的网络拓扑结构，用于超大规模AI集群）。在两层网络下可连接高达524288块GPU。在纯轨道的网络拓扑中，原本每块GPU的800G链路被拆分为8条，现在是每个计算托盘（Compute Tray: 包含多个GPU的计算单元）的3200G链路拆分为32条，分别连接32个平面。用24576台交换机连接524288块GPU，交换机与GPU的比例仍然保持在21.3，但是连接的GPU数量提升了4倍。不过，纯轨道拓扑也存在挑战，由于每个平面完全独立，导致同一计算托盘内的GPU无法通过PXN和NVLink（NVIDIA的互联技术，用于GPU之间的高速通信）网络互相通信，只能通过PXN和NVLink网络通信。这意味着难以在同一网络上重叠不同的通信流。但是微软的MRC协议（Microsoft Research Cluster Protocol: 微软为优化GPU集群通信设计的协议）专门为了优化和调度这类流量而设计，成功解决了这个问题，让超大规模GPU集群的协同计算成为可能。

除了数据中心内部的网络拓扑，微软还构建了专门的AI广域网（AI WAN），分为园区级和远距离两个层面。园区级的AI WAN主要用于Fairwater 2园区内楼宇间的连接，比如A楼和B楼。每栋楼仅有大约300兆瓦的容量，对应大约160000块GPU。微软并没有追求在同一个多平面网络中连接更多的GPU，而是通过主干层的超额上行链路连接到AI广域网，让训练任务能够充分利用广域网连接，最终实现亚特兰大和威斯康星的Fairwater园区、以及凤凰城、爱荷华和阿比林园区间的分布式训练。在园区级AI广域网中，微软使用光路交换机（OCS）（Optical Circuit Switch: 一种通过光学方式切换光信号的设备，用于网络重配置）来提供楼宇间的光链路重配置能力，无需复杂布线和深缓冲交换机，只需要使用专用协议，通过OCS发送数据包到不同的集群。谷歌已经在数据中心网络（DCN）（Data Center Network: 数据中心内部的网络）中使用了阿波罗（Apollo）OCS，据称可以灵活扩展、技术升级和调整网络拓扑，而微软的应用则进一步验证了OCS在超大规模AI集群中的价值。

为了实现远距离、高带宽的连接，微软还采用了密集波分复用（DWDM）（Dense Wavelength Division Multiplexing: 一种光纤通信技术，通过不同波长的光信号在同一光纤中传输多路数据）技术。虽然FR光模块（Fiber Optic Transceiver: 光纤收发模块，用于光信号的转换和传输）能够连接Fairwater 2的两栋楼，但是跨越数千里的园区需要更强功率和距离的转发器，并且用可重配置线路系统（RLS）（Reconfigurable Line System: 用于DWDM网络，实现光路灵活配置）来实现DWDM。DWDM可以将多路光波复用到同一个光纤对上，如果C波段和L波段（光纤通信中使用的不同波长范围）各用32路，合计64×800G链路，一对光纤就可以承载高达51.2Pb/秒的带宽。数据显示，300Tb/秒的连接如果使用FR光模块需要375对光纤，而用DWDM复用C波段32路可以降到仅需12对光纤，大幅降低了部署的成本和难度。此外，ZR光模块（一种长距离光模块，支持数百公里传输，常用于数据中心互联）也是微软的可选方案，可以在数百公里内传输信号，而且可以通过DWDM将多路ZR信号复用到同一个光纤对上。ZR光模块部署简单，可以直接插在AI路由交换机上。Meta的跨区域扩展（scale-across）部署就正在用ZR光模块，而微软也在部分中短距离连接中采用了这一技术。

微软的网络架构创新不仅解决了超大规模AI集群的连接问题，还为算力协同提供了坚实基础。尽管在芯片和部分产品层存在短板，但是领先的网络技术让微软在AI基础设施领域仍然保持着一定的竞争力，这也是微软2025年能够惊艳回归的重要支撑。

微软的十字路口与未来展望

梳理完微软AI战略的各个维度，我们可以清晰地看到，这家科技巨头正处于一个关键的十字路口。2023年的激进扩张让它抢占了AI赛道的先发优势，但是2024年的大暂停导致它失去了大量的市场份额和利润机会。如今的微软正在通过多元算力布局、产品生态优化和技术创新，试图重新夺回主导权，但是面临的竞争格局已然十分严峻。

从竞争对手来看，甲骨文凭借快速的执行效率和对OpenAI的支持，已经成为AI IaaS层的最大赢家。谷歌则通过TPU和Gemini模型的深度协同，实现了硬件与软件的垂直整合，不仅满足了内部需求，还向外部客户销售算力，利润率显著高于行业平均水平。亚马逊AWS则聚焦于基础设施提供商的角色，通过Trainium系列芯片吸引了Anthropic等核心客户，收入增长迅猛。Meta凭借着激进的ASIC路线图和AI应用场景，也正在构建差异化竞争力。而CoreWeave等NeoCloud则通过灵活的租赁模式，抢占了长尾市场，逐渐成为不可忽视的一股力量。

对于微软来说，当前的优势主要集中在三个方面：一是与OpenAI的深度合作，拥有OpenAI模型和芯片的IP访问权，而且Azure在2032年前将拥有所有API推理计算的100%份额；二是庞大的企业客户基础和Office、GitHub等生态系统，Office 365 Copilot的月活用户已超过1亿，为AI业务提供了广阔的落地场景；三是领先的网络架构创新，能够支持超大规模GPU集群的高效协同，为算力提升提供了技术保障。

但是微软的挑战同样不容忽视：自研芯片Maia系列进展缓慢，与其他超大规模云厂商差距明显，短期内难以摆脱对英伟达和OpenAI芯片的依赖；PaaS层的产品体验存在短板，CycleCloud和AKS功能开发停滞，应用层的GitHub Copilot遭遇Anthropic等竞争对手的冲击，利润率被压缩；而企业AI Token市场仍然处于起步阶段，将算力转化为大规模收入还需要时间。

展望未来，微软要想重新夺回AI主导权，需要在三个方面持续发力：首先是加速算力扩容，通过自建、租赁、合作等多元的路径，尽快弥补大暂停造成的容量缺口，减少对NeoCloud的依赖，提升IaaS层的利润率。其次是优化产品体验，尤其是PaaS层的CycleCloud和AKS产品，简化集群部署和监控流程，提升对AI创业公司的吸引力，抢占企业和长尾市场。最后是加快自研模型和芯片的迭代速度，Maia芯片需要尽快解决架构缺陷和执行问题，实现硬件与软件的垂直整合，才能在长期竞争中占据优势。

SemiAnalysis预测，随着与OpenAI新的合作协议，Azure的增长将在未来几个季度加速，微软在AI Token经济栈的每一个环节都将经历加速增长。但是这个预测能否实现，关键在于微软能否解决执行的效率问题，以及能否在自研技术上取得突破性进展。AI行业的竞争本质上是算力、模型和生态的竞争。微软作为科技巨头，拥有雄厚的资金和技术储备，但是战略决策上的失误，让它错失了两年的黄金发展期。如今，AI赛道的竞争已经进入白热化阶段，每一个玩家都在加速奔跑。微软能否凭借自身优势实现逆袭，重新成为AI行业的领航者，我们还将拭目以待。