微软要买多少GPU？从“堆卡”到“算账”：一道被三重变量改写的算术题

导语：微软最近一个财季披露的单季新增数据中心租约承诺超过1300亿美元，尚未启动的租约总额一口气冲到3291亿美元。叠加“2032年前数据中心容量从约12吉瓦扩至38吉瓦以上”的扩容路线图，外界最关心的问题依然是那个朴素追问：微软到底要买多少GPU？但从微软业绩电话会与产业链披露的信号看，这道题已不能再用“每吉瓦配多少卡”的简单乘法作答——任务量增长、效率提升与自研芯片分流三重变量，正在把一道加法题改写为需要逐项求解的多元方程。

一、数字迷雾：两倍扩容与1300亿美元租约

先看规模之巨。微软在2026财年第四季度（截至2026年6月30日）披露，单季新增尚未开始执行的数据中心租约承诺超过1300亿美元（单季净增约1325亿美元）；截至季度末，尚未启动的租约承诺总额达3291亿美元，较上一季度的1966亿美元环比增长67.4%，创公司史上最大单季租约承诺增幅。微软投资人关系负责人Jonathan Neilson表示：“这些承诺反映客户需求持续强劲，相关设施将在未来多年支援客户需求。”值得注意的是，部分合约须满足特定条件方可生效——承诺与落地之间，仍隔着一道执行闸门。

图1　微软尚未启动的数据中心租约承诺总额：1966亿 → 3291亿美元，环比+67.4%

再看容量目标。据彭博社2026年9月报道，并经微软10月监管文件相关报道（观点网、财联社等）印证，微软计划在2032年前将全球数据中心容量从目前约12吉瓦提高至38吉瓦以上（扩容逾两倍），以缓解迫使其拒绝部分AI与云业务的算力短缺；路线图涵盖自建与租赁设施，但不包括从CoreWeave等“新云”厂商租用的算力。微软发言人弗兰克·肖曾称9月报道中的规划数字“不准确”，但拒绝提供财报披露之外的数据。另据彭博报道，当前约12吉瓦容量中仅约2吉瓦用于AI专用芯片——这一口径微软方面未予确认，仅供参考。

资金端同样在加码。微软2026财年（截至2026年6月30日）资本开支高达1450亿美元；在2026财年第四季度业绩电话会上，CFO艾米·胡德维持2026自然年1900亿美元的资本开支投资预期，但因数据中心和办公楼使用寿命从15年延长至25年、更多租赁由融资租赁转为经营租赁（经营租赁不计入资本开支），账面指引调整至约1750亿美元，并明确表示“在此使用寿命影响之外，我们对2026自然年资本开支的投资预期保持不变”（微软FY26Q4业绩电话会，2026年7月29日）。两个口径需区分表述：1900亿为实际投入预期，1750亿为会计调整后账面值。

扩容的紧迫性来自缺口本身。由于算力供应吃紧，微软已在美国、欧洲等主要市场限制部分新云服务订阅；据知情人士，部分客户因无法在所需地区取得额外容量转而与竞争对手签约。微软在2025年大部分时间曾暂停部分数据中心开发与租赁活动，如今重新启动并扩大租赁规模。一边是限制订阅、客户流出的现实压力，一边是创纪录的租约承诺——扩容竞赛，已从“要不要买”进入“买多少、怎么买”的精细化阶段。

二、换算链条：从任务量到GPU小时

回到“要买多少GPU”的算术本身。一个可用的分析框架是把需求拆解为四个变量：GPU小时需求 = 任务数量 × 单项任务有效计算量 × GPU承担份额 ÷ 单位设备处理能力。这一链条的意义在于，GPU采购量不是由任何单一变量决定，而是四个变量相乘相除的结果——分子端任何一项高增，都可能被分母端的效率跃升大幅抵消。

变量间的敏感性不容小觑。以一组演示为例（假设示例，非微软实际数据）：若任务数量增长80%、单项任务计算量增长40%、设备效率翻倍、GPU承担份额下降20%，四项相乘相除后GPU小时需求仅增长约0.8%。数字未必精确对应现实，但它揭示了关键一点：即便AI任务量成倍增长，若软件优化与硬件效率同步跃升，GPU小时需求也可能近乎持平；反之，只要GPU承担份额上升，需求曲线就会陡然抬升。

图2　任务量 → GPU小时需求：四变量换算链条（效率示例为假设演示，非微软实际数据）

微软自己披露的数据，恰好为这条链条的两端提供了注脚。分子端的“任务量”在放量：年化Token运行率达到1万亿Token的Foundry客户数量同比增长四倍；模型目录超11000个；Agent 365上线2个月注册近4000万个智能体；M365 Copilot付费席位超3000万（净增环比翻倍）；GitHub Copilot用户达5000万，按用量计费后收入环比加速增长超60%。

分母端的“效率”同样在飙升。纳德拉表示，自年初以来Copilot工作负载吞吐量提升4倍，单次对话延迟降低25%，每位用户对话数量同比几乎翻倍。成本侧的优化更为激进：Maia 200与基础设施中最新一代硬件相比每美元性能高出30%；在Maia 200上运行MAI模型实现每瓦性能提升40%；Dynamics 365采用MAI Voice 2 Flash后GPU成本降低89%，PowerPoint采用MAI Image 25后GPU成本最高降低84%；GitHub Copilot使用MAI Code One Flash后中位Token使用量降低10%；多模型安全架构下90%的常规任务由轻量模型处理，同等防护效果成本降低50%。任务在涨、效率也在涨，这正是“GPU小时”这道题的麻烦之处——答案无法只看分子。

三、智能体改写分工：算力结构迁移

第二重变量藏在算力结构的迁移之中。AI智能体工作流下，GPU/TPU等AI计算芯片承接模型计算，高性能数据中心CPU承接工具执行与任务编排，HBM、服务器DRAM、存储、高性能网络与光互连共同支撑数据运输与状态管理。智能体一次请求可能触发多轮模型推理与程序执行——规划、检索、读文档、调用工具、执行代码、检查修正——形成间歇性与突发性并存的负载。英特尔将未来数据中心概括为三类集群：CPU集群负责智能体执行与编排，GPU服务器承担模型推理（“Token工厂”），存储集群承载数据。

这种分工不是理论推演，而是已现端倪的真实需求。英特尔数据中心集团相关负责人披露：“有客户要求10分钟之内做1万个沙箱，问我们怎么去做软件优化。”沙箱是供智能体执行代码和操作文件的隔离环境，其启动速度、运行效率和部署密度直接影响智能体服务表现。为此，英特尔至强6+最高提供288个能效核，单颗处理器最高支持超1000个智能体；在满足200毫秒沙箱启动时延条件下最多支持350个沙箱并发。

产品侧同样印证了“智能体跑在CPU上”的趋势。根据Meta公布的技术说明，每位Muse用户拥有专属云端虚拟机（Muse Secure VM），配备浏览器以及CPU、内存和存储资源，用于执行代码、运行工具并协调多个子智能体；实测配置约为2 vCPU、8GB内存及持久化存储，基于AMD EPYC平台，无本地GPU——推理在虚拟机之外完成（Meta技术说明及Meta超级智能实验室工程副总裁David Singleton确认）。换句话说，智能体工作负载正在大规模“吃”CPU与存储资源，而非直接堆GPU。

由此，英特尔CEO陈立武给出方向性判断：AI工作重心由训练转向推理，CPU与GPU配比正从1:8向1:1演进。另有研报转引称，微软Fairwater下一代数据中心已采用GPU与CPU集群分离设计。若配比演进成立，“微软要买多少GPU”的另一半答案其实在CPU与基础设施侧——GPU预算的增速，可能远低于总算力预算的增速。

图3　智能体时代 CPU : GPU 配比演进（示意性演进方向，非精确比例）

四、自研分流：Maia 300与替代规模的验证缺口

第三重变量是自研芯片对英伟达GPU采购的分流。2026年10月12日，微软在OCP全球峰会期间发布第三代自研AI芯片Azure Maia 300，纳德拉称这是公司“迄今为止在自研芯片上最大的一笔押注”；微软计划从2027年起将Maia系列扩展至数吉瓦级部署规模，使其成为微软产品和服务的主要AI推理系统，2027年部署数量可能超过100万颗。消息公布当日，微软市值重返4万亿美元上方。

效率宣称是自研分流的核心论据。微软宣称Maia 300每兆瓦电力可处理的Token数量比“领先的GPU系统”高出约40%——但微软未披露用于比较的具体GPU系统型号，外媒普遍解读为对标英伟达。

机柜级参数提供了更硬的对照：每个Maia 300机柜计划容纳96颗芯片（为上一代Maia 200机柜的两倍），功耗约167千瓦，满配96加速器的机柜级Token吞吐量最高达Maia 200机柜的7倍；作为对比，英伟达最新GB300 AI服务器机架配备72颗GPU、功率约142千瓦。技术路线上，Maia 300采用多芯粒架构——关键计算芯粒采用台积电2纳米工艺与先进封装，数据搬移芯粒采用台积电3纳米工艺，搭载8组HBM4显存，单颗加速器峰值内存带宽18TB/s，热设计功耗950W，与英伟达“单颗巨型计算芯片环绕HBM”路线形成差异。

图4　机柜级参数对比：微软 Maia 300 vs 英伟达 GB300

落地上，前代产品已经跑通：Azure Maia 200已投入生产环境，承担包括Microsoft Copilot在内的生产工作负载，运行OpenAI模型、微软自研MAI模型及领先开源模型系列，已部署于美国、欧洲和澳大利亚数据中心；GitHub Copilot和Microsoft Foundry预计2026年底前跟进运行。微软Azure硬件系统与基础设施总裁拉妮·博卡尔同时明确：目前没有计划直接向云客户出租Maia芯片背后的计算能力——“我们自身的人工智能服务业务规模已经足够大，因此希望优先满足自己的需求”。自研算力优先内用，意味着分流的每一瓦都直接对应外采GPU的减少。

放到产业背景中看，这并非微软的孤例。谷歌、亚马逊、Meta、OpenAI、阿里等均在推出定制AI芯片，试图削弱英伟达对AI算力市场的掌控；亚马逊和谷歌自研项目早于微软、被认为领先；微软在训练侧仍与英伟达和AMD保持合作，Maia主要面向推理。行业普遍预期ASIC与GPU将形成异构算力分工：前沿模型预训练、强化学习与快速变化算子仍依赖GPU可编程性与CUDA生态，成熟模型、开源模型与智能体大规模推理则越来越适合专用芯片。

不过，分流规模仍存验证缺口：微软发言人曾称9月报道中的规划数字不准确，未提供官方口径，38吉瓦目标仍以媒体报道的监管文件披露为准，官方未直接确认；“每兆瓦Token产出+40%”的比较基准未公开；2027年“百万颗、多吉瓦”为公司计划而非已兑现事实。分流效应有多大，仍有待后续财报与部署数据验证。

五、产业启示：从“堆卡”到“算账”的五组跟踪信号

商业兑现侧的数据，为这道算术题提供了“验算纸”。微软FY26Q4商业剩余履约义务（RPO）同比增长84%至6780亿美元，约为微软FY2026全年营收（超3310亿美元，电话会口径）的两倍；计入OpenAI后RPO加权平均期限2.3年，其中约30%将在未来12个月内确认收入（同比+37%），未来12个月之后确认部分同比+112%；剔除OpenAI后RPO增长25%；本季RPO所有环比新增均来自前沿模型公司以外客户。需求扩张的广度与期限结构，比单一的资本开支数字更能说明问题。

供给节奏同样有了量化刻度：纳德拉表示，本季度新增1吉瓦容量，并有望在两年内将总容量大致翻倍；本季在五大洲新增31个数据中心，全年新增总数达88个；上一财年将大型区域新GPU从到货到上线的时间缩短近50%。而供需失衡短期难解：胡德称“过去多个季度我们一直强调客户需求持续超过现有算力供给，目前现状没有任何改变，现货算力市场的定价情况也能印证”；约三分之二的资本开支投向CPU和GPU等短寿命资产，需求变化时可灵活缩减。

综合三重变量，对“微软要买多少GPU”的审慎回答是条件式的：若任务量（Token、智能体、席位）延续当前增速、效率优化不出现平台期、自研芯片按计划于2027年上量，则外采GPU的增速将被效率与分流显著稀释，算力预算将更多流向CPU、存储与网络侧的智能体基础设施；反之，若智能体负载的间歇性突发特征推高GPU承担份额，或自研部署不及计划，外采规模仍将被动放大。建议跟踪五组信号：其一，租约与RPO的金额、期限与确认节奏（3291亿美元承诺、2.3年加权期限、未来12个月+37%）；其二，换算链条变量的官方披露——吞吐量、延迟、单位成本降幅；其三，CPU:GPU配比与智能体基础设施（沙箱、虚拟机、能效核）订单动向；其四，Maia系列部署兑现度——2027年多吉瓦、超百万颗目标 vs 实际上线规模；其五，供需缺口信号——订阅限制是否解除、现货算力定价走势。

从“堆卡”到“算账”，变的不是投入的决心（1900亿美元资本开支指引、3291亿美元租约承诺俱在），而是投入的算法：GPU数量不再是唯一的答案，利用率与兑现正在成为新的竞争维度。这道被三重变量改写的算术题，答案将在未来几个季度的财报电话会与部署数据中逐项揭晓。