Microsoftは2026年10月12日、自社設計のAIチップ「Azure Maia 300」を発表しました。2027年から本番環境への導入を始め、Maiaを同社の製品・サービスを支える主要なAI推論基盤にする計画です。推論とは、学習済みのAIが質問への回答などを生成する処理を指します。［1］
注目されるのは、主要なGPUベースのシステムに比べ、同じ電力で処理できるトークン量を40％増やせるという見通しです。トークンは、AIが文章などを扱う際の小さな単位です。ただし、この数字はMicrosoftの発表値であり、すべてのAI処理で優位性が確認されたわけではありません。
「電力効率40％向上」は、「電気代40％削減」を意味しません。旧世代や競合との違いを整理し、電力と費用への影響を独自に計算します。
Maia 300は、クラウドでAIを動かすための基盤
Maia 300は、家庭のPCに取り付けるGPUではなく、MicrosoftのデータセンターでAIを動かすためのチップです。同社は2027年から、Maiaファミリーを複数ギガワット規模へ拡大するとしています。これは今後の導入計画であり、発表時点の稼働規模を示すものではありません。［1］
想定されている用途は、長い文書の読み込みや、素早い応答が求められる会話です。複数の手順を続けて実行するAIエージェントも対象になります。AIエージェントとは、目的に応じて作業を進めるAIです。
Microsoftが大量に処理する業務に合わせて、専用の基盤を整える取り組みといえます。一般利用者にも、Copilotなどのサービスを通じて影響が及ぶ可能性があります。
「40％高い電力効率」は、同じ処理量なら約28.6％の電力削減
効率が1.4倍になれば、同じ処理量に必要な電力は約71.4％になり、削減率は約28.6％です。ここでは、同じモデル・回答品質・応答条件で、Microsoftが示す効率差を得られると仮定します。
比較対象の効率を1とすると、Maia 300は1.4です。同じ量を処理するために必要な電力の比率は、1を1.4で割って求めます。
1 ÷ 1.4 ≒ 0.7143
1 − 0.7143 ≒ 28.6％削減
| 比較の仕方 | GPUベースの比較対象 | Maia 300の計算上の値 |
|---|---|---|
| 同じ電力で処理できる量 | 100 | 140 |
| 同じ処理量に必要な電力 | 100 | 約71.4 |
| 同じ処理量での電力削減率 | 基準 | 約28.6％ |
これは発表値を換算した独自計算で、実際に電力を測定した結果ではありません。消費電力量の削減として捉えるには、処理時間や稼働条件をそろえる必要があります。冷却を含む施設全体の削減率も、この数字だけでは分かりません。
旧世代から強化されたのは、計算速度とメモリ
Maia 300では、AIが使うデータを保存し、素早く読み出す仕組みが強化されています。計算部分にはTSMCのN2P製造技術を採用しました。計算、メモリ制御、入出力の役割を分けた「チップレット」構造も使います。［2］
チップレットは、役割の異なる小さなチップを組み合わせる方式です。HBMは、AIチップの近くで大量のデータを高速に扱うメモリを指します。容量は「保存できるデータ量」、帯域幅は「一定時間に運べるデータ量」です。
| 項目 | Maia 200 | Maia 300 | 仕様値からの計算 |
|---|---|---|---|
| HBMの種類 | HBM3e | HBM4 | 世代を更新 |
| HBM容量／チップ | 216GB | 288GB | 約1.33倍 |
| HBM帯域幅／チップ | 7TB/s | 18TB/s | 約2.57倍 |
| チップのTDP | 750W | 950W | 約1.27倍 |
出典：MicrosoftのMaia 200発表とMaia 300技術解説。倍率は公表値から計算しました。TDPは電力・冷却設計の目安であり、実際の消費電力とは異なります。［3］［2］
容量よりも、データを読み出す速さの伸びが大きくなっています。倉庫に例えると、広さを増やすとともに、荷物を運び出す通路を大幅に広げた形です。ただし、帯域幅が約2.57倍になっても、回答速度が同じ倍率で速くなるとは限りません。
「旧世代比最大7倍」と「GPU比40％」は別の数字
最大7倍はMaia 200と比べたラック単位の処理量で、40％はGPUベースのシステムと比べた電力効率です。ラックは、サーバーをまとめて収める設備です。この2つの数字は、比較対象も測っている項目も異なります。
| 発表値 | 比較対象 | 意味 |
|---|---|---|
| 40％増 | 主要なGPUベースのシステム | 単位電力当たりのトークン処理量 |
| 最大7倍 | Maia 200 | 96基構成でのラック単位のトークン処理量 |
Maia 300は、1ラックに96基を収める構成です。旧世代の48基から搭載数も増えます。そのため、「最大7倍」をチップ1個の速さや、個人が回答を受け取るまでの速さに置き換えることはできません。［2］
過去のMaia 200発表では、別の指標が使われていました。2026年1月の発表では、同社の当時の最新基盤に対し、価格当たり性能が30％向上するとしています。今回の40％は電力当たりの値なので、そのまま比較したり、掛け合わせたりすることはできません。［3］
GoogleやAWSとの競争は、改善率だけでは比べられない
クラウド各社は専用AIチップを強化していますが、公表された改善率を並べても性能の順位は分かりません。比較の基準となる旧世代や、使ったモデル、測定条件が違うためです。
| 基盤 | 公表された主な効率指標 | 比較の基準 |
|---|---|---|
| Microsoft Maia 300 | 電力当たりのトークン処理量を40％増やす見通し | 主要なGPUベースのシステム |
| Google TPU 8t／8i | 最大2倍の電力当たり性能 | 前世代のIronwood |
| AWS Trn3 UltraServers | 最大4倍の電力当たり性能 | Trn2 UltraServers |
出典：各社の公式発表。いずれもメーカーによる評価で、共通の条件で比較したテスト結果ではありません。［1］［4］［5］
Googleは2026年4月、学習向けのTPU 8tと推論向けのTPU 8iを発表しました。AWSも2025年12月に、Trainium3を使うTrn3 UltraServersの一般提供を発表しています。推論の効率化には、Microsoft以外の企業も取り組んでいます。
専用基盤の利点は、よく使う処理に合わせて設計できることです。ただし、利用できるモデルや開発環境、提供地域によっても選択は変わります。企業が基盤を選ぶ際は、同じ業務を同じ品質で終えるために必要な費用と時間を比べる必要があります。
反証：電力効率が上がっても、総消費電力は増える場合がある
効率が40％向上しても、処理するトークン量が40％を超えて増えれば、総消費電力は増えます。効率改善と需要拡大を分けて考えるため、独自に試算しました。
旧システムの処理量と電力を、それぞれ1とします。新システムの効率が1.4なら、必要な電力の比率は「処理量の倍率÷1.4」で求められます。モデルや処理条件、稼働時間などはそろえると仮定します。
| トークン処理量の変化 | 電力の比率 | 旧システムからの変化 |
|---|---|---|
| 変わらない | 1 ÷ 1.4 ≒ 0.714 | 約28.6％減 |
| 20％増える | 1.2 ÷ 1.4 ≒ 0.857 | 約14.3％減 |
| 40％増える | 1.4 ÷ 1.4 ＝ 1 | 変わらない |
| 2倍になる | 2 ÷ 1.4 ≒ 1.429 | 約42.9％増 |
たとえば、AIエージェントがより長く考え、多くの作業を担うようになれば、トークンの使用量も増える可能性があります。効率の改善だけで「施設全体の電力需要が減る」と判断するのは早計です。限られた電力で提供できるAIサービスを増やす効果として捉えると、今回の計画を理解しやすくなります。
電力費が下がっても、CopilotやAPIの料金が同じ割合で下がるとは限らない
推論に必要な電力を約28.6％減らせても、サービス全体の原価が約28.6％下がるとは限りません。料金には、設備費、保守費、開発費など、電力以外の費用も関わります。
説明のため、削減対象となる電力費が総原価の20％を占めると仮定します。処理量、電力単価、ほかの費用を固定すると、原価全体の削減率は次のようになります。
20％ × 約28.6％ ≒ 約5.7％
| 総原価に占める対象電力費の割合 | 全体の原価削減率 |
|---|---|
| 10％と仮定 | 約2.9％ |
| 20％と仮定 | 約5.7％ |
| 30％と仮定 | 約8.6％ |
これらの割合は、Microsoftの実際の原価構成を示すものではありません。電力効率と利用料金の関係を説明するための仮定です。設備価格や稼働率も変わるため、最終的な原価はこの表だけでは分かりません。
今後、効率化の成果が料金の引き下げに使われる可能性はあります。同じ料金で利用上限を増やしたり、長い文書に対応したりする形も考えられます。ただし、今回の発表では、利用者向けの値下げは確認できません。
独自分析：「仕事1件を終えるまでの電力」も確認したい
AIの実用性を判断するには、1トークン当たりの電力に加え、仕事1件を終えるまでに必要な電力を見る必要があります。速く大量の文章を出せても、修正ややり直しが増えれば、利用者の負担は減りません。
仮に、トークン当たりの効率が1.4倍になり、同じ仕事で使うトークン量が1.5倍になったとします。この場合、仕事1件当たりの電力は「1.5÷1.4」で、約1.071倍です。計算上は約7.1％増えます。
これはMaia 300で実際に起きた現象ではありません。モデルや作業手順が変わる場合を想定した試算です。同じ仕事を、同じ合格基準で比べることが前提になります。
企業が検証する際は、完了した仕事の数、回答の品質、再試行回数を一緒に記録すると役立ちます。利用者は、計算量の多さに加えて、必要な結果を少ない負担で得られるかどうかを知りたいからです。
GPUより全面的に優れていると判断するには、比較条件が足りない
今回の発表だけで、Maia 300があらゆるGPUより優れているとは判断できません。公式発表では、40％という数字の比較対象となるGPU製品や構成が具体的に示されていません。モデルごとに条件をそろえた第三者の検証も、別途必要です。
確認したいのは、使ったモデル、入力と出力の長さ、同時処理数です。回答品質や待ち時間の条件も欠かせません。測定した電力の範囲がチップだけなのか、周辺機器や冷却まで含むのかによっても、数字の意味は変わります。
Microsoftが自社サービスでMaiaの利用を増やす計画と、AzureからGPUがなくなるという話は別です。専用チップが得意な処理を担い、ほかの基盤と併用される可能性があります。今後の提供形態は、正式なサービス案内で確認する必要があります。
利用者が確認したいのは、料金・待ち時間・使える機能
一般利用者が注目したいのは、Maiaの搭載数よりも、サービスの利用条件がどう変わるかです。2027年以降の展開では、次の変化を見ると、実際の恩恵を判断しやすくなります。
| 利用者 | 確認したい変化 |
|---|---|
| Copilotなどの利用者 | 回答の待ち時間、利用上限、長い文書への対応 |
| AIを使う開発者 | 対象モデル、API料金、混雑時の速度、提供地域 |
| AIを導入する企業 | 仕事の完了率、再試行を含む費用、応答品質 |
Maia 300の導入は、電力の制約に対応しながらAI推論を拡大するための取り組みです。実運用でも40％の効率差が得られれば、同じ電力で処理できる量は増えます。ただし、値下げや総消費電力の減少まで約束する数字ではありません。
今後は、比較条件が明らかになるか、効率化の成果がサービスの利用条件に反映されるかが焦点になります。チップの発表に続き、利用者の体験がどう変わるかも追う必要があります。
関連ページ
AI基盤の費用や性能を理解するには、メモリと通信の制約も合わせて確認すると役立ちます。
出典・計算について
仕様と導入計画は公式発表に基づき、削減率や需要増加時の数値は本記事で計算しました。試算では条件を単純化しており、実測結果や料金予測を示すものではありません。情報確認日は2026年10月13日です。
- Microsoft：Microsoft to expand Azure Maia system to multi-gigawatt deployments（2026年10月12日）
- Microsoft Azure：Deep dive into Azure Maia 300 architecture（2026年10月12日）
- Microsoft：Maia 200: The AI accelerator built for inference（2026年1月26日）
- Google Cloud：第8世代TPU：エージェンティック時代に向けた2つのチップ（2026年4月22日）
- AWS：Announcing Amazon EC2 Trn3 UltraServers for faster, lower-cost generative AI training（2025年12月2日）
コメントを送信