Microsoft Maia 300: su chip de IA escalará a despliegues multigigavatio

Microsoft presentó Maia 300 el 12 de octubre de 2026, la tercera generación de su plataforma de aceleración para inteligencia artificial. Su despliegue en producción comenzará en 2027 y la compañía planea llevar la familia Azure Maia a instalaciones de varios gigavatios, con el objetivo de convertirla en el sistema principal de inferencia para sus productos y servicios.

El anuncio no es solamente una carrera por publicar cifras más grandes. Expone el problema económico que enfrentan todos los grandes proveedores de nube: ejecutar modelos, asistentes y agentes para millones de usuarios exige cada vez más energía, memoria y capacidad de red. Microsoft busca controlar el sistema completo, desde el silicio hasta el centro de datos, para producir más tokens con cada megavatio disponible.

Microsoft Maia 300: una plataforma para la inferencia a gran escala

Maia 300 fue diseñado para cargas que están creciendo con rapidez: razonamiento con contextos extensos, conversaciones sensibles a la latencia y tareas de agentes que requieren varios pasos y uso continuo de herramientas. A diferencia del entrenamiento inicial de un modelo, la inferencia ocurre cada vez que una persona o aplicación solicita una respuesta. Esa actividad repetida puede transformarse en el costo dominante de un servicio masivo.

Microsoft describe Maia 300 como un sistema completo, no como un chip aislado. Su diseño combina aceleradores, memoria, servidores, redes, refrigeración, telemetría y software. La empresa afirma que una configuración de rack integra 96 aceleradores dentro de un presupuesto energético de 167 kW, con 27,6 TB de memoria de alto ancho de banda y 1,7 PB/s de ancho de banda agregado.

Despliegue: comenzará en 2027.
Densidad: 96 aceleradores por rack.
Memoria por acelerador: 288 GB de HBM4.
Ancho de banda por acelerador: 18 TB/s.
Escala máxima anunciada: hasta 12.288 aceleradores en un superpod.

La arquitectura utiliza chiplets, con las unidades de cómputo fabricadas en el proceso N2P de TSMC y otros componentes optimizados por separado para memoria y conectividad. Esta separación permite dedicar tecnologías distintas a cada función y ajustar el equilibrio entre rendimiento, consumo y costo.

Qué promete Microsoft frente a Maia 200 y los sistemas con GPU

Según la compañía, un rack completo de Maia 300 puede alcanzar hasta siete veces el rendimiento de tokens de un rack Maia 200 y más de 2,5 veces su rendimiento por vatio. Microsoft también espera obtener un 40% más de tokens por megavatio que con sistemas líderes basados en GPU.

Son comparaciones publicadas por el fabricante y deberán validarse cuando existan implementaciones más amplias y pruebas independientes. El resultado real variará según el modelo, la longitud del contexto, la cantidad de usuarios simultáneos y el nivel de optimización del software. Una cifra máxima no garantiza por sí sola el mismo beneficio en todas las aplicaciones.

Maia 200 ya opera cargas de producción de Microsoft, incluido Copilot, y se está desplegando en Estados Unidos, Europa y Australia. La experiencia de esa generación alimentó el diseño de Maia 300, que aumenta la densidad por rack y reorganiza la memoria para reducir el movimiento innecesario de datos.

La memoria y la red son tan importantes como el cómputo

Los modelos modernos no solo necesitan operaciones matemáticas rápidas. También deben mover parámetros, cachés y estados entre memoria, aceleradores y servidores. Cuando el transporte de datos consume demasiado tiempo o energía, agregar unidades de cálculo entrega beneficios decrecientes.

Maia 300 cambia la memoria desde una organización uniforme hacia un esquema NUMA distribuido entre chiplets. En términos prácticos, el software puede ubicar los datos más cerca de la unidad que los utilizará. El diseño también incorpora formatos de baja precisión y conversiones aceleradas por hardware para reducir la cantidad de bytes que deben moverse por cada token.

En red, Microsoft propone una estructura Ethernet de dos niveles. Dentro del rack combina enlaces directos y conmutados; entre racks utiliza una segunda capa óptica. Esa topología permite conectar hasta 128 racks y formar un superpod de 12.288 aceleradores bajo un modelo común de comunicación.

El consumo eléctrico condiciona la carrera de la IA

El énfasis en tokens por megavatio revela una limitación concreta. Los centros de datos no pueden aumentar indefinidamente su consumo: dependen de conexiones eléctricas, refrigeración, espacio físico y permisos que tardan años en ampliarse. Por eso, un sistema capaz de procesar más solicitudes dentro del mismo límite energético puede ser más valioso que un chip más rápido en una prueba aislada.

Microsoft afirma que el rack de Maia 300 entrega hasta 2,5 veces más rendimiento por vatio frente a Maia 200. Además, la telemetría del sistema permitirá ajustar la distribución de cargas según la energía y refrigeración disponibles. Es una señal de que la optimización ya no termina en el servidor: alcanza la operación del centro de datos completo.

Qué deberían observar empresas y desarrolladores

Maia 300 todavía no está disponible como una opción general para clientes y sus despliegues comenzarán en 2027. Antes de adoptar servicios basados en esta plataforma, conviene evaluar resultados con cargas reales y no solamente con cifras de presentación.

Costo por tarea: medir el precio efectivo por millón de tokens o por flujo completado.
Latencia sostenida: comprobar el comportamiento bajo concurrencia y contextos extensos.
Compatibilidad: calcular el trabajo necesario para adaptar modelos, operadores y herramientas.
Portabilidad: evitar una dependencia rígida de una sola arquitectura o servicio.
Seguridad operacional: incluir compiladores, controladores y telemetría en la gestión de vulnerabilidades.

El verdadero producto es el sistema completo

Maia 300 muestra que la próxima etapa de la IA no se definirá únicamente por el modelo con mejores resultados. También dependerá de quién pueda ejecutarlo de forma estable, eficiente y económicamente sostenible. Microsoft promete un salto considerable en densidad, memoria y rendimiento por vatio, pero deberá demostrarlo en producción durante 2027.

Para Azure, el beneficio potencial es más control sobre capacidad y costos. Para el mercado, una plataforma adicional intensifica la competencia en infraestructura. Y para las empresas usuarias, la regla sigue siendo simple: comparar el resultado de la aplicación completa antes de comprometer arquitectura y presupuesto.