🕷️
SetupAI
📊較早收集於 31m

Microsoft AI 主管目標開發更便宜的自研模型

PostLinkedIn
📊閱讀原文： Bloomberg Technology
#cost-optimization#inference#enterprise-aimicrosoft-aimicrosoftanthropic

💡Microsoft 轉向自研模型，凸顯了大規模 AI 推論對成本效益的迫切需求。

⚡ 30-Second TL;DR

有什麼變化

Microsoft 認為目前的 Anthropic 模型過於昂貴

為什麼重要

這顯示出產業趨勢正從昂貴的第三方 API 轉向優化過、規模較小或自有的模型。

下一步行動

評估您目前的 API 支出，並考慮測試規模較小、經過微調的開源權重模型，以降低推論成本。

誰應關注：Developers & AI Engineers

關鍵要點

  • •Microsoft 認為目前的 Anthropic 模型過於昂貴
  • •公司正將重心轉向構建自研模型
  • •成本優化已成為企業 AI 部署的首要任務

🧠 深度解析

Web-grounded analysis with 22 cited sources.

🔑 增強重點摘要

  • •微軟在Build 2026大會上推出了七款新的內部MAI模型，包括旗艦推理模型MAI-Thinking-1和高效推理編碼模型MAI-Code-1-Flash，旨在實現長期自給自足並減少對OpenAI和Anthropic等第三方模型的依賴。
  • •MAI-Thinking-1是一款中型模型，擁有350億個活躍參數和256K的上下文窗口，從零開始訓練，沒有從第三方模型中進行蒸餾，在盲測中優於Anthropic的Sonnet 4.6，並在編碼基準測試中與Claude Opus 4.6表現相當。
  • •微軟正積極開發自研AI晶片，包括用於推理加速的Maia 200（採用台積電3奈米製程）和針對通用計算及Copilot工作負載優化的Cobalt晶片，以提升AI Token生成的經濟效益和整體效率。
  • •微軟透過Azure AI Foundry推動「多模型、多夥伴」策略，允許企業根據成本和性能混合搭配模型，並在GitHub Copilot或Foundry中提供模型的自動路由功能。
  • •對高昂AI成本的擔憂並非微軟獨有；據報導，包括Uber在內的其他公司也因Anthropic等供應商的基於Token的定價模式，導致AI預算迅速耗盡。
📊 競品分析▸ Show
特性/供應商Microsoft (自研模型)OpenAIAnthropicGoogle Gemini
旗艦模型輸入成本 (每百萬 Token)MAI-Thinking-1: 低成本 (強調)GPT-5: $1.25Opus 4.6: $5.00Gemini 2.5 Pro: $1.25 (≤200k) / $2.50 (>200k)
旗艦模型輸出成本 (每百萬 Token)MAI-Thinking-1: 低成本 (強調)GPT-5: $10.00Opus 4.6: $25.00Gemini 2.5 Pro: $10 (≤200k) / $15 (>200k)
企業/團隊訂閱 (每月每用戶)Microsoft 365 Copilot: ~$30 (需M365許可證)ChatGPT Enterprise: ~$60 (最少150用戶)Claude Team: $25 (最少5用戶)Gemini Business: $14 (需Google Workspace)
推理模型基準MAI-Thinking-1: 盲測優於Sonnet 4.6，編碼能力媲美Opus 4.6GPT-5.5-pro / GPT-5.4-pro: 高階推理Opus 4.6: 旗艦推理Gemini 3.1 Pro: 包含「思考 Token」
編碼模型基準MAI-Code-1-Flash: 媲美Haiku但更便宜(未明確列出特定編碼模型)Claude Code: 快速企業採用(未明確列出特定編碼模型)
圖像生成成本 (每張)MAI-Image-2.5: 超越Nano Banana Pro的Arena分數GPT Image 1 (高): $0.167(未明確列出)Imagen 4: $0.02–$0.06
長上下文處理(未明確列出)GPT-5.5/5.4: 標準費率適用於272K以下(未明確列出)Gemini 2.5 Flash/Flash-Lite: 長上下文費率持平

🛠️ 技術深入

  • MAI-Thinking-1: 中型模型，擁有350億個活躍參數，256K上下文窗口，從零開始訓練，採用「零蒸餾」方法。
  • MAI-Code-1-Flash: 推理高效的代理編碼模型，擁有50億個活躍參數。
  • Maia 200: AI推理加速器，採用台積電3奈米製程，包含超過1400億個電晶體，配備216GB HBM3e (7 TB/s) 和272MB片上SRAM，在4位元精度(FP4)下提供超過10 petaFLOPS的性能，在8位元精度(FP8)下提供超過5 petaFLOPS的性能，功耗為750W SoC TDP。
  • Cobalt晶片: 針對通用計算和Copilot工作負載進行優化，採用節能設計，並整合NPU以支援邊緣部署。
  • 零蒸餾 (Zero Distillation): 微軟新的MAI模型建立在共享基礎上，從底層「爬坡」而來，不依賴第三方模型的蒸餾。
  • 微流體冷卻 (Microfluidic Cooling): 微軟成功開發了一種晶片內微流體冷卻系統，可將液體冷卻劑直接引入晶片內部，散熱效率比傳統冷板高出三倍。
  • Project Solara: 一個用於運行AI代理而非應用程式的設備平台，基於Android，並已與高通和聯發科等晶片夥伴合作。
  • Majorana 2: 微軟最新的拓撲量子晶片，其量子位元平均壽命為20秒，旨在2029年前實現可擴展的量子計算。

🔮 前景展望AI analysis grounded in cited sources

AI產業將出現更強的垂直整合趨勢，主要科技公司將開發自己的AI模型和硬體。
微軟對內部MAI模型和自訂晶片（Maia、Cobalt）的重大投資，顯示其明確的策略是控制從晶片到雲端服務和應用程式的整個AI堆疊，以減少對外部夥伴的依賴。
由於競爭加劇和內部開發，企業AI定價模式將轉向更透明、基於使用量且可能更具成本效益的選項。
微軟推動更便宜的內部模型，加上Uber等公司對第三方供應商高昂的基於Token成本的擔憂，可能會推動市場趨勢轉向更具成本效益和可預測的AI解決方案。
AI開發的重點將日益轉向「代理AI」和設備上的本地執行，邁向「無限制智慧」。
微軟在Build 2026大會上的發布，包括Windows代理運行時、用於設備執行的Aion模型和Project Solara，表明其戰略轉向AI代理，這些代理可以在本地運行，減少對雲端的依賴，並實現更普及的AI體驗。

⏳ 時間線

2019-07
微軟向OpenAI投資10億美元，開啟長期合作夥伴關係。
2020-05
微軟發布Turing-NLG（170億參數），並為OpenAI在Azure中託管超級電腦。
2023-01
微軟宣布對OpenAI進行為期多年、數十億美元投資的第三階段合作。
2024-06
微軟投資13億美元於Inflection AI Inc.，並宣布與Mistral AI建立多年合作夥伴關係。
2025-01
微軟宣布計劃在2028年前投資800億美元用於AI優化資料中心。
2025-02
微軟推出其首款量子計算晶片Majorana 1。
2025-09
微軟宣布成功開發晶片內微流體冷卻系統。
2025-11
微軟承諾向Anthropic投資高達50億美元，Anthropic承諾購買300億美元的Azure計算容量，Claude模型在Microsoft Foundry和Microsoft 365 Copilot中可用。
2026-01
微軟推出AI推理加速器Maia 200。
2026-04
微軟和OpenAI宣布修訂合作夥伴關係，以提供更大的靈活性。
2026-06
微軟在Build 2026大會上發布七款新的內部MAI模型（MAI-Thinking-1、MAI-Code-1-Flash等）和Majorana 2量子晶片。
📊閱讀原文： Bloomberg Technology
📰

AI 週報

閱讀本週精選 AI 大事摘要 →

👉相關動態

同主題

探索 #cost-optimization

同產品

更多關於 microsoft-ai

同來源

最新來自 Bloomberg Technology

Claude Opus 5 以半價提供高效能表現

Claude Opus 5 以半價提供高效能表現

ZDNet AI•Jul 24
Glow 以 12 億美元估值走出隱身狀態，專注於 AI 安全

Glow 以 12 億美元估值走出隱身狀態，專注於 AI 安全

TechCrunch AI•Jul 22
產業巨頭共同定義播客新標準

產業巨頭共同定義播客新標準

Bloomberg Technology•Jul 23

AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： Bloomberg Technology ↗