Microsoft अपनी ही Maia चिप को अपना एआई (AI) परोसने का डिफ़ॉल्ट तरीका बना रहा है, 2027 से मल्टी-गीगावाट (Multi-gigawatt) पैमाने पर

12 अक्टूबर 2026 को Microsoft ने घोषणा की कि वह अपने इन-हाउस (in-house) Azure Maia कस्टम एआई एक्सेलेरेटर (custom AI accelerator) परिवार को 2027 से शुरू होने वाले मल्टी-गीगावॉट (multi-gigawatt) डिप्लॉयमेंट (deployment) तक बढ़ाएगा, जिससे Maia "Microsoft के प्रोडक्ट और सेवाओं के लिए प्राथमिक इन्फ़रेंस सिस्टम (primary inference system)" बन जाएगा (Scott Guthrie, EVP Cloud + AI, Official Microsoft Blog)। उसी दिन Microsoft ने एक्सेलेरेटर (accelerator) की तीसरी पीढ़ी Azure Maia 300 का अनावरण किया और साथ में आर्किटेक्चर (architecture) पर एक विस्तृत विश्लेषण प्रकाशित किया (Azure Blog, Rani Borkar, President of Azure Hardware Systems & Infrastructure, और Saurabh Dighe, CVP Systems Planning and Architecture की ओर से), तथा एक Maia 300 न्यूज़ साइट भी सार्वजनिक की।

इस घोषणा के मुख्य तत्व:

• Maia 200 अब प्रोडक्शन में: फ़िलहाल Microsoft Copilot को सेवा दे रहा है और MAI टीम के अगली पीढ़ी के मॉडल (model) विकास को सहारा दे रहा है; 2026 के अंत तक GitHub Copilot और Microsoft Foundry भी इसके पीछे आ जाएँगे। FACT (घोषित और रिपोर्ट किया गया; परिचालन संबंधी दावे कंपनी के बयान ही रहते हैं)।
• Maia 300 आर्किटेक्चर (architecture) का अनावरण: मल्टी-चिपलेट (multi-chiplet) डिज़ाइन (कंप्यूट TSMC N2P पर), प्रति एक्सेलेरेटर (accelerator) आठ HBM4 स्टैक (stack) (288 GB, 18.0 TB/s पीक बैंडविड्थ (peak bandwidth), 950 W TDP), 96-एक्सेलेरेटर / 167 kW रैक (rack), ईथरनेट (Ethernet) आधारित कस्टम एआई ट्रांसपोर्ट (custom AI transport), 12,288 एक्सेलेरेटर तक के स्केल-अप सुपरपॉड (scale-up superpod), बेहतर MXFP4 और सब-थ्री-बिट (sub-3-bit) स्टोरेज फ़ॉर्मैट (storage format)। प्रोडक्शन डिप्लॉयमेंट (production deployment) 2027 में शुरू होंगे।
• मल्टी-गीगावॉट (multi-gigawatt) का इरादा: Maia, Microsoft के अपने प्रोडक्ट और सेवाओं के लिए प्राथमिक इन्फ़रेंस (inference) मार्ग बन जाता है।
• अधिक ब्यौरा Microsoft Ignite 2026 (San Francisco, 17–20 नवंबर 2026) में देने का वादा।

घोषणा की स्वतंत्र पुष्टि: Reuters ("Microsoft plans huge deployment of its own AI chips, with an eye to saving costs," 2026-10-12), CNBC ("Microsoft to rely more on homegrown AI chips, reducing dependence on Nvidia," Jordan Novet, 2026-10-12), DigiTimes ("Microsoft to scale Maia AI chips to multi-gigawatt deployments, unveils TSMC N2P-based Maia 300," Joseph Chen, 2026-10-12), और Converge Digest ("Microsoft Unveils Maia 300 Accelerator," Jim Carroll, 2026-10-12)।

• स्टोरी आईडी (Story ID): S06
• वर्किंग टाइटल (Working title): Microsoft expands Azure Maia to multi-gigawatt deployments
• संगठन (Organization): Microsoft
• श्रेणी (Category): एआई इन्फ्रास्ट्रक्चर (AI Infrastructure) / कंप्यूट (Compute)
• इवेंट तिथि (Event date): 2026-10-12 (घोषणा तिथि: 2026-10-12; लेख की तिथियाँ 2026-10-12/2026-10-13)
• विंडो जाँच (Window check): event_date 2026-10-12, कॉन्फ़िगर की गई विंडो 2026-10-03 … 2026-10-13 (RESEARCH_CONFIG.json) के भीतर है। ✓ पात्र (Eligible)।
• साक्ष्य स्थिति (Evidence status): CONFIRMED (घोषणा स्वयं Microsoft के अपने ब्लॉग और Reuters, CNBC, DigiTimes, Converge Digest की स्वतंत्र कवरेज से पुष्ट है)
• इस स्टोरी में लगे साक्ष्य-स्थिति लेबल (Evidence status labels in play):
  • घटना (घोषणा, तिथियाँ, नामित प्रोडक्ट) — CONFIRMED।
  • प्रदर्शन के आँकड़े (40% अधिक tokens/MW, 7x रैक (rack) थ्रूपुट (throughput), 1.7x tokens/watt, वग़ैरह) — COMPANY CLAIM; Microsoft ने तुलना वाले सिस्टम निर्दिष्ट नहीं किए हैं और न ही बेंचमार्क (benchmark) कॉन्फ़िगरेशन प्रकाशित किए हैं, तथा किसी बाहरी पक्ष ने इस सिलिकॉन (silicon) की जाँच नहीं की है।
  • डिप्लॉयमेंट-स्केल (deployment-scale) के आँकड़े (2027 में लगभग दस लाख Maia चिप्स; इससे पहले TSMC से ~300,000-चिप क्षमता का अनुरोध) — इस बात का INDEPENDENT EVIDENCE कि रिपोर्टर क्या कहते हैं (Reuters, जानकार लोगों के हवाले से; इससे पहले The Information), और स्पष्ट रूप से Microsoft से पुष्ट नहीं, जिसने केवल "मल्टी-गीगावॉट (multi-gigawatt)" डिप्लॉयमेंट (deployment) की प्रतिबद्धता जताई है। इसे अपुष्ट रिपोर्टिंग/अफ़वाह-स्तर की सप्लाई-चेन (supply-chain) ख़ुफ़िया सूचना माना गया है।
  • स्पेक-शीट (spec-sheet) का गणित (रैक पावर, मेमोरी, बैंडविड्थ (bandwidth) के कुल जोड़) — आंतरिक सुसंगतता के लिए स्वतंत्र रूप से जाँचा जा सकता है (देखें labs/S06.md VERIFY)।

• इरादे का पैमाना: पहले Maia एक पूरक (supplemental), आंतरिक-प्रोग्राम एक्सेलेरेटर (accelerator) था जो सीमित क्षेत्रों में तैनात होता था (Maia 200: पहले Des Moines के पास US Central, फिर Phoenix के पास US West 3)। अब कंपनी 2027 से मल्टी-गीगावॉट (multi-gigawatt) डिप्लॉयमेंट (deployment) की प्रतिबद्धता जता रही है — ऐसा पैमाना जो पहले मर्चेंट जीपीयू (merchant GPU) फ़्लीट (fleet) के लिए रखा जाता था। INTERPRETATION: यह पहली बार है कि Microsoft ने अपने ही सिलिकॉन (silicon) के लिए सार्वजनिक रूप से कोई ठोस पावर-स्केल लक्ष्य घोषित किया है।
• भूमिका में बदलाव: Maia अब प्राथमिक इन्फ़रेंस सिस्टम (primary inference system) है, कोई विकल्प नहीं; NVIDIA GPU ट्रेनिंग (training) के लिए और उन वर्कलोड (workload) के लिए बने रहते हैं जिन्हें Microsoft GPU पर ही रखना चुनता है (CNBC ने GM Alistair Speirs का हवाला दिया: Microsoft, ट्रेनिंग के लिए NVIDIA और AMD के साथ साझेदारी करता है)।
• आर्किटेक्चर (architecture) की पीढ़ी में छलाँग: प्रति रैक (rack) 96 एक्सेलेरेटर (Maia 200 के घनत्व से दोगुना), 2.5x मेमोरी बैंडविड्थ (memory bandwidth), 2.5x+ प्रदर्शन प्रति वाट (performance per watt), Maia 200 की तुलना में रैक-स्केल (rack-scale) टोकन थ्रूपुट (token throughput) में 7x तक (कंपनी के दावे), और 12,288-एक्सेलेरेटर सुपरपॉड (superpod) तक फैला एकीकृत स्केल-अप फ़ैब्रिक (scale-up fabric)।
• सिलिकॉन (silicon) कार्यक्रम की परिपक्वता: Microsoft का सिलिकॉन-से-सिस्टम (silicon-to-systems) कार्यक्रम (Azure Maia 100 → 200 → 300, साथ में Cobalt CPU और Azure Boost) प्रयोग के दौर से निकलकर रणनीतिक मुख्य इन्फ्रास्ट्रक्चर (core infrastructure) बन रहा है; CNBC बताता है कि CFO Amy Hood ने इन-हाउस सिलिकॉन को "margin improvement over the course of a decade" का श्रेय दिया है।
• बाज़ार संकेत: हाइपरस्केलर (hyperscaler) कस्टम सिलिकॉन (custom silicon) "पूरक" से "प्राथमिक" की ओर खिसक रहा है, जिससे NVIDIA के डेटा-सेंटर (data-centre) वर्चस्व को चुनौती और तेज़ होती है (देखें अनुभाग 11)।

पहले (अक्टूबर 2026 से पहले):

• Microsoft के एआई इन्फ़रेंस (inference) और ट्रेनिंग (training) पर NVIDIA GPU का दबदबा; Maia 100 (CNBC के अनुसार नवंबर 2023 में घोषित) की तैनाती सीमित रही; Maia 200 (26 जनवरी 2026 को घोषित) US Central क्षेत्र (Des Moines) में प्रोडक्शन में आया, उसके बाद US West 3 (Phoenix) की बारी थी, और यह Copilot, OpenAI मॉडल (model), MAI सिंथेटिक डेटा (synthetic data) तथा RL वर्कलोड (workload) को सेवा देता था। लॉन्च के समय Maia 200 को "किसी भी हाइपरस्केलर (hyperscaler) का सबसे प्रदर्शनशील फ़र्स्ट-पार्टी सिलिकॉन (first-party silicon)" और "Microsoft द्वारा अब तक तैनात सबसे कुशल इन्फ़रेंस सिस्टम (inference system)" बताया गया (कंपनी के दावे)।
• Microsoft का कस्टम सिलिकॉन (custom silicon) एक विषम (heterogeneous) फ़्लीट (fleet) के भीतर दक्षता का दाँव था, डिफ़ॉल्ट इन्फ़रेंस आधार (inference substrate) नहीं।

बदलाव (12 अक्टूबर 2026):

• Microsoft सार्वजनिक रूप से 2027 से मल्टी-गीगावॉट (multi-gigawatt) Maia डिप्लॉयमेंट (deployment) और Maia को अपने प्रोडक्ट व सेवाओं का प्राथमिक इन्फ़रेंस सिस्टम (primary inference system) बनाने की प्रतिबद्धता जताता है।
• Maia 300 का अनावरण इन्फ़रेंस-फ़र्स्ट (inference-first), डेटाफ़्लो-केंद्रित (dataflow-oriented) आर्किटेक्चर (architecture) और 2027 में प्रोडक्शन की समय-सीमा के साथ होता है।

बाद में (अनुमानित):

• Maia पर चलने वाले Copilot, GitHub Copilot, Microsoft Foundry, MAI मॉडल (model) और OpenAI मॉडल के मुख्यतः Microsoft के अपने एक्सेलेरेटर (accelerator) पर चलने की अपेक्षा है; NVIDIA ट्रेनिंग (training) और GPU-आवश्यक वर्कलोड (workload) के लिए केंद्रीय बना रहेगा।
• तीसरे पक्ष के विश्लेषक (Reuters; CNBC के ज़रिये Evercore ISI) 2027 में संभावित रूप से दस लाख से अधिक Maia चिप और Q1 2027 तक Microsoft के एआई-चिप ख़र्च का ~10% Maia पर होने का अनुमान लगाते हैं — Microsoft ने स्वयं चिप-संख्या का कोई लक्ष्य प्रकाशित नहीं किया है। INDEPENDENT EVIDENCE (इस बात का कि रिपोर्टर/विश्लेषक क्या अनुमान लगाते हैं), Microsoft की कोई प्रतिबद्धता नहीं।

FACT/COMPANY CLAIM का मिश्रण — यह अनुभाग Microsoft के स्वयं-रिपोर्ट किए गए डिज़ाइन (design) का वर्णन करता है; आर्किटेक्चर (architecture) के विवरण कंपनी द्वारा प्रकाशित हैं, कुछ आँकड़े ट्रेड प्रेस (trade press) ने स्वतंत्र रूप से दोहराए हैं।

• सॉफ़्टवेयर-डिफ़ाइंड लोकली एक्सेस्ड डेटाफ़्लो आर्किटेक्चर (Software-Defined Locally Accessed Dataflow Architecture, SDLA): Maia 200 ने SDLA पेश किया; Maia 300 उसे आगे विकसित करता है। कंट्रोल पाथ (control path) को डेटा पाथ (data path) से अलग रखा गया है; सॉफ़्टवेयर स्थानीय SRAM, DMA इंजन (engine), कंप्यूट इंजन (compute engine) और नेटवर्क (network) के आर-पार डेटा की नियुक्ति, गति, रूपांतरण और सिंक्रोनाइज़ेशन (synchronization) का स्पष्ट समन्वय करता है। घोषित लक्ष्य है "कम डेटा आवागमन, अधिक उपयोगी कंप्यूट (compute)"।
• NUMA चिपलेट (chiplet) डिज़ाइन: Maia 300 एकसमान मेमोरी एक्सेस (uniform memory access) से हटकर चिपलेट (chiplet) के आर-पार ग़ैर-एकसमान (NUMA) व्यवस्था पर जाता है; परफ़ॉर्मेंस-प्रति-वाट (performance-per-watt) के लिए कंप्यूट चिपलेट TSMC के N2P (2 nm-श्रेणी) नोड पर हैं, जबकि मेमोरी-कंट्रोलर और I/O डाई (die) बैंडविड्थ/कनेक्टिविटी/लागत के लिए अनुकूलित हैं। कंपनी के दावे: चिपलेट रणनीति से +36% कंप्यूट FLOPs, 2.5x HBM बैंडविड्थ (bandwidth), +14% स्केल-अप बैंडविड्थ (scale-up bandwidth)।
• मेमोरी पदानुक्रम (memory hierarchy): प्रति एक्सेलेरेटर (accelerator) 8 HBM4 स्टैक (stack) — 288 GB क्षमता, 18.0 TB/s पीक बैंडविड्थ (peak bandwidth), 950 W TDP के भीतर; ऑन-डाई SRAM (on-die SRAM) को सॉफ़्टवेयर-प्रबंधित स्क्रैचपैड (scratchpad) की तरह इस्तेमाल किया जाता है; Maia 200 की तुलना में प्रति वाट ~2x HBM बैंडविड्थ (कंपनी का दावा)। रैक (rack) के कुल जोड़: 27.6 TB HBM और ~1.7 PB/s समग्र बैंडविड्थ (arithmetically consistent: 96 × 288 GB = 27.65 TB; 96 × 18 TB/s ≈ 1.73 PB/s — देखें labs/S06.md)।
• प्रिसिज़न (precision) में नवाचार: बेहतर MXFP4 के साथ सब-थ्री-बिट (sub-3-bit) स्टोरेज फ़ॉर्मैट (storage format) वज़न (weight) और KV-कैश (KV-cache) दोनों के लिए मेमोरी फ़ुटप्रिंट (memory footprint) और डेटा आवागमन घटाते हैं, जिससे तय पावर एन्वलप (power envelope) के भीतर बड़ी कॉन्टेक्स्ट विंडो (context window) संभव होती है; सॉफ्टमैक्स (softmax), लो-प्रिसिज़न कास्टिंग (low-precision casting) वग़ैरह के लिए ISA-स्तरीय कर्नेल अनुकूलन (kernel optimization)।
• नेटवर्किंग (networking), डेटाफ़्लो फ़ैब्रिक (dataflow fabric) के हिस्से के रूप में: ईथरनेट (Ethernet) हार्डवेयर पर कस्टम एआई ट्रांसपोर्ट (custom AI transport); हाफ़-स्विच्ड इन-रैक टोपोलॉजी (half-switched in-rack topology) (ट्रे के भीतर सीधे लिंक, 96-एक्सेलेरेटर पॉड के आर-पार स्विच्ड फ़ैब्रिक, रैक के भीतर इलेक्ट्रिकल); 128 रैक तक को 12,288 एक्सेलेरेटर के सुपरपॉड (superpod) में जोड़ने वाली ऑप्टिकल दूसरी परत; सुपरपॉड के भीतर 750 GB/s तक पीयर बैंडविड्थ (peer bandwidth); तीन लेटेंसी डोमेन (latency domain) (सीधा जोड़ा, एक हॉप, तीन हॉप); कोई अलग स्केल-आउट NIC (scale-out NIC) नहीं — एक्सेलेरेटर सीधे संचार शुरू करते हैं।
• लचीली नियुक्ति (flexible placement) और डिसएग्रीगेटेड इन्फ़रेंस (disaggregated inference): रैक के भीतर टेंसर पैरेललिज़्म (tensor parallelism); रैक के आर-पार एक्सपर्ट/पाइप पैरेललिज़्म (expert/pipe parallelism); प्रीफ़िल (prefill) और डिकोड (decode) वर्कर स्वतंत्र रूप से आकारे जाते हैं और KV स्टेट (KV state) स्केल-अप फ़ैब्रिक (scale-up fabric) पर ले जाया जाता है; दूसरे रैक के हॉट-स्पेयर ट्रे (hot-spare tray) सॉफ़्टवेयर के लिए पारदर्शी तरीके से विफलताएँ सोख सकते हैं।
• रैक सिस्टम (rack system): 167 kW एन्वलप (envelope) के भीतर 24 चार-एक्सेलेरेटर ट्रे (tray) में 96 एक्सेलेरेटर; तीन लिक्विड-कूल्ड (liquid-cooled) स्विच ट्रे में छह हाई-रेडिक्स स्विच ASIC (high-radix switch ASIC); दोहरी पावर फ़ीड, 50 V बसबार (busbar), एकीकृत रैक ATS; लिक्विड कूलिंग (liquid cooling) 80% से अधिक ताप भार हटाती है; सीधा फ़ैसिलिटी वाटर (facility water) या हीट-एक्सचेंजर (heat-exchanger) संचालन; डेटासेंटर-एकीकृत पावर/थर्मल टेलीमेट्री (power/thermal telemetry) गतिशील पावर आवंटन (dynamic power allocation) चलाती है।
• मर्चेंट जीपीयू (merchant GPU) से तुलना: Microsoft का तर्क है कि डेटाफ़्लो (dataflow) + NUMA + संकीर्ण प्रिसिज़न (narrow precision) + एक ईथरनेट फ़ैब्रिक (Ethernet fabric) मिलकर "अग्रणी GPU-आधारित सिस्टम की तुलना में प्रति मेगावॉट 40% तक अधिक टोकन (tokens per megawatt)" और "Maia 200 के रैक-स्केल टोकन थ्रूपुट (rack-scale token throughput) का 7x तक" देते हैं (दोनों COMPANY CLAIM; तुलना का कॉन्फ़िगरेशन अनिर्दिष्ट)।

• Microsoft के पैमाने पर इन्फ़रेंस (inference) का अर्थशास्त्र: Microsoft का नक़द कैपेक्स (capex) साल-दर-साल लगभग दोगुना हो गया (वित्तीय फ़ाइलिंग (financial filing) का TIKR/Yahoo Finance विश्लेषण: जून तिमाही में $35.80B बनाम एक साल पहले $17.08B; पिछली चार तिमाहियों में ~$115.95B, +80%), जबकि ग्रॉस मार्जिन (gross margin) 69.05% (सितंबर 2025) से गिरकर 67.20% (जून 2026) हो गया। Maia 300 सीधे एआई सेवाओं की सबसे बड़ी परिवर्तनीय लागत पर वार करता है — प्रति मेगावॉट और प्रति डॉलर टोकन (tokens per megawatt, per dollar)। FACT (वित्तीय फ़ाइलिंग का डेटा, TIKR/Yahoo Finance के ज़रिये); यह कारण-संबंधी दावा कि Maia मार्जिन ठीक करता है, INTERPRETATION है।
• पावर ही बाध्यकारी सीमा है: Microsoft के Speirs (CNBC): "You can think of power translating pretty directly into operational cost for something like a data center." मल्टी-गीगावॉट (multi-gigawatt) डिप्लॉयमेंट (deployment) टोकन-प्रति-मेगावॉट (tokens-per-MW) को रणनीतिक लीवर (strategic lever) बना देते हैं, कोई इंजीनियरिंग ब्यौरा नहीं।
• NVIDIA के डेटा-सेंटर (data-centre) वर्चस्व को सीधी चुनौती: कस्टम सिलिकॉन (custom silicon) को "प्राथमिक इन्फ़रेंस सिस्टम" का दर्जा देकर मल्टी-गीगावॉट क्षमता तक बढ़ाने का अर्थ है कि इन्फ़रेंस माँग का एक बड़ा हिस्सा मर्चेंट जीपीयू (merchant GPU) से हट जाता है। ट्रेनिंग (training) में NVIDIA का दबदबा बना रहता है।
• हाइपरस्केलर (hyperscaler) कस्टम-सिलिकॉन का मोड़: Google (TPU) और Amazon (Trainium/Inferentia) पहले से अपना सिलिकॉन ग्राहकों को किराए पर देते हैं; Microsoft बड़े तीन में आख़िरी है जो इन-हाउस सिलिकॉन को अपने प्रोडक्ट के लिए प्राथमिक इन्फ़रेंस मार्ग बना रहा है। TPU/Trainium के विपरीत, Maia अभी तीसरे पक्ष के लिए किराए पर उपलब्ध नहीं है (CNBC/Moor Insights)।
• सप्लाई-चेन (supply-chain) संकेंद्रण में बदलाव: इन्फ़रेंस NVIDIA पर चले या Maia पर, TSMC (N2P) और HBM4 आपूर्तिकर्ताओं को भुगतान होना है; पावर और पैकेजिंग क्षमता निर्णायक बाधाएँ बन जाती हैं (DigiTimes की सप्लाई-चेन कवरेज)।

• Microsoft 2027 की क्षमता की योजना बातचीत से तय GPU आवंटन के बजाय अपने ही सिलिकॉन (silicon) के मल्टी-गीगावॉट (multi-gigawatt) ब्लॉक में बना सकता है — आपूर्ति-सुरक्षा और लागत-नियंत्रण का ऐसा विकल्प जो इस पैमाने पर पहले मौजूद नहीं था।
• टोकन-भारी, एजेंटिक (agentic) वर्कलोड (workload) (लंबे कॉन्टेक्स्ट का रीज़निंग (reasoning), बहु-चरणीय टूल उपयोग, लेटेंसी-संवेदी Copilot/Dragon Copilot इंटरैक्शन) हार्डवेयर का को-डिज़ाइन (co-design) लक्ष्य बन जाते हैं, बाद की सोच नहीं।
• अगर दावा किया गया दक्षता-लाभ टिकता है (अग्रणी GPU की तुलना में 40% अधिक tokens/MW; Maia 200 की तुलना में 7x रैक थ्रूपुट (rack throughput)), तो Microsoft वही Copilot/Foundry ट्रैफ़िक (traffic) काफ़ी कम वाट और डॉलर में संभाल सकता है, जिससे सेवा बढ़ाने के लिए पावर बजट मुक्त होता है।
• एक ही संचार मॉडल (communication model) वाला 12,288-एक्सेलेरेटर सुपरपॉड (superpod) बहुत बड़े इन्फ़रेंस सिस्टम (inference system) को एक मशीन की तरह प्रोग्राम करने योग्य बनाता है (कंपनी का दावा) — वही पैमाना जो एजेंट-युग के इन्फ़रेंस से अपेक्षित है।

• डेटाफ़्लो बनाम GPU आर्किटेक्चर (dataflow vs. GPU architecture): Maia का दाँव यह है कि इन्फ़रेंस (ट्रेनिंग (training) के विपरीत) कच्चे FLOPs से ज़्यादा सॉफ़्टवेयर-डिफ़ाइंड डेटाफ़्लो (software-defined dataflow), NUMA लोकैलिटी (locality) और डिकोड थ्रूपुट (decode throughput) को पुरस्कृत करता है; अगर यह सिद्ध होता है, तो यह पूरे उद्योग में इन्फ़रेंस के लिए ख़ास तौर पर बने आर्किटेक्चर (inference-specialized architecture) को वैधता देता है (Cerebras, d-Matrix तथा दूसरी कंपनियाँ भी मिलते-जुलते दाँव लगा रही हैं)।
• ईथरनेट स्केल-अप (Ethernet scale-up): स्केल-अप और स्केल-आउट (scale-out) दोनों के लिए एक ही फ़ैब्रिक (fabric), जो ईथरनेट पर कस्टम ट्रांसपोर्ट (custom transport) के साथ बना है, मालिकाना स्केल-अप फ़ैब्रिक (proprietary scale-up fabric) (NVLink/InfiniBand, UALink-श्रेणी के दृष्टिकोण) को चुनौती देता है; Converge Digest ने नेटवर्किंग आर्किटेक्चर (networking architecture) को "ख़ास तौर पर महत्वपूर्ण" कहा।
• डिसएग्रीगेटेड प्रीफ़िल/डिकोड (disaggregated prefill/decode) स्केल-अप डोमेन (scale-up domain) के भीतर प्रथम-श्रेणी का पैटर्न (pattern) — इसके मुख्यधारा इन्फ़रेंस-सिस्टम डिज़ाइन पैटर्न बनने की संभावना है।
• प्रिसिज़न (precision) रोडमैप: बेहतर MXFP4 और सब-थ्री-बिट (sub-3-bit) फ़ॉर्मैट पोस्ट-ट्रेनिंग क्वांटाइज़ेशन (post-training quantization) का दबाव बने रहने का संकेत देते हैं; मॉडल डेवलपर (model developer) MSFT के दक्षता-आँकड़ों का लाभ उठाने के लिए संकीर्ण फ़ॉर्मैट की ओर धकेले जा सकते हैं।
• मेमोरी बैंडविड्थ (memory bandwidth) का अर्थशास्त्र: 950 W पर 18 TB/s × 8 HBM4 स्टैक — हाइपरस्केल (hyperscale) पर HBM4 अपनाया जाना HBM4 आपूर्ति-रैंप (supply ramp) को तेज़ करता है; DigiTimes का Microsoft के Maia GM के साथ "Taiwan and HBM supply" पर इंटरव्यू (interview) बताता है कि यह जीवंत सप्लाई-चेन (supply-chain) मुद्दा है।
• पावर घनत्व (power density): 167 kW रैक, ज़्यादातर लिक्विड कूलिंग (liquid cooling) (80% से अधिक ताप निष्कासन), 50 V बसबार वितरण (busbar distribution) — Maia 300 उद्योग के लिक्विड-कूल्ड, उच्च-घनत्व एआई रैक की ओर बढ़ने का एक डेटा-बिंदु है।

• Maia SDK (Maia 200 से प्रीव्यू (preview) में; PyTorch इंटीग्रेशन (integration), Triton कंपाइलर (compiler), अनुकूलित कर्नेल लाइब्रेरी (optimized kernel library), लो-लेवल NPL भाषा (low-level NPL language), Maia सिम्युलेटर (simulator) और कॉस्ट कैलकुलेटर (cost calculator)) मॉडल पोर्टिंग (model porting) और अनुकूलन का प्रवेश-बिंदु है; Foundry पर मॉडल (model) बनाने वाले डेवलपर मुख्य दर्शक हैं।
• अभी कोई सार्वजनिक CUDA-शैली पारिस्थितिकी तंत्र (CUDA-style ecosystem) नहीं: CNBC ने Moor Insights & Strategy के CEO Patrick Moorhead का हवाला दिया: "Nobody has tested them outside Microsoft yet." Maia को Azure पर घंटे के हिसाब से उस तरह किराए पर नहीं लिया जा सकता जैसे Google TPU या AWS Trainium/Inferentia को लिया जा सकता है।
• अगर Maia 300 रैक (rack), Maia 200 रैक थ्रूपुट (rack throughput) का 7x देते हैं (कंपनी का दावा), तो Foundry-होस्टेड इन्फ़रेंस (inference) की यूनिट इकोनॉमिक्स (unit economics) बदल सकती है — डेवलपर 2027 में लंबे-कॉन्टेक्स्ट/एजेंटिक (agentic) वर्कलोड (workload) के लिए कम टोकन क़ीमतें या बेहतर लेटेंसी (latency) देख सकते हैं, लेकिन मूल्य-निर्धारण की कोई प्रतिबद्धता नहीं जताई गई है। INTERPRETATION।
• पोर्टेबिलिटी (portability) का ढाँचा: Microsoft एक "open, heterogeneous and model diverse platform" का प्रस्ताव रखता है, जिसमें Maia, OpenAI मॉडल, MAI मॉडल और अग्रणी ओपन-सोर्स (open-source) परिवारों को सहारा देता है; Maia SDK की परतें (layering) इस तरह बनाई गई हैं कि मॉडल Maia और GPU दोनों पर पोर्ट हो जाएँ। COMPANY CLAIM (डिज़ाइन का इरादा)।

• अप्रत्यक्ष लाभ, सीधी पहुँच नहीं: एंटरप्राइज़ (enterprise) Maia किराए पर नहीं ले सकते; लाभ अप्रत्यक्ष रूप से Copilot/Foundry की क़ीमत, लेटेंसी (latency) और क्षमता की उपलब्धता से, तथा एआई सेवाओं पर Microsoft की मार्जिन-सुरक्षा (margin protection) से आता है।
• लागत की दिशा: अगर GPU की तुलना में टोकन-प्रति-मेगावॉट (tokens-per-MW) ~40% सुधरता है (कंपनी का दावा, बिना बेंचमार्क (benchmark)), तो लंबे-कॉन्टेक्स्ट और एजेंटिक (agentic) एंटरप्राइज़ वर्कलोड (workload) — जो फ़िलहाल सबसे महँगा इन्फ़रेंस (inference) है — सस्ता पड़ने लगता है; 2027 में एजेंट (agent) बढ़ाने वाले एंटरप्राइज़ को इन्फ़रेंस-भारी वर्कलोड पर क़ीमत घटने की अपेक्षा रखनी चाहिए। दावे पर आधारित INTERPRETATION।
• लेटेंसी-संवेदी क्षेत्र: Microsoft ने स्पष्ट रूप से Dragon Copilot (क्लिनिकल वर्कफ़्लो (clinical workflow)) और Teams/Copilot/Cowork का नाम लिया है; अगर दावे टिकते हैं तो स्वास्थ्य सेवा और नॉलेज वर्क (knowledge work) के एंटरप्राइज़ तुरंत लाभ पाने वाले हैं।
• ख़रीद की योजना (procurement planning): 2027 की एआई क्षमता की योजना बनाने वाले CIO को Microsoft Ignite 2026 और 2027 के प्रोडक्शन रैंप (production ramp) पर नज़र रखनी चाहिए, और दक्षता के आँकड़ों को स्वतंत्र माप (independent measurement) होने तक लक्ष्य मानना चाहिए (अभी कोई बाहरी बेंचमार्क मौजूद नहीं है)।
• विषम (heterogeneous) वास्तविकता: Microsoft अब भी NVIDIA के साथ साझेदारी करता है (NVIDIA प्रोसेसर वाला Surface लैपटॉप; NVIDIA/AMD पर ट्रेनिंग (training))। एंटरप्राइज़ को Maia को "Microsoft ने NVIDIA छोड़ दिया" के रूप में नहीं पढ़ना चाहिए — CNBC के Speirs ने स्पष्ट रूप से "optionality" बचाकर रखी है।

• NVIDIA पर दबाव: प्राथमिक इन्फ़रेंस सिस्टम (primary inference system) के रूप में Maia, NVIDIA के एड्रेसেবल मार्केट (addressable market) से इन्फ़रेंस माँग का बड़ा और बढ़ता हिस्सा हटा देता है; Evercore ISI (CNBC के ज़रिये) का अनुमान है कि Q1 2027 तक Microsoft के एआई-चिप ख़र्च का ~10% Maia पर होगा — दुनिया के सबसे बड़े एआई ख़रीदारों में से एक के यहाँ यह काफ़ी बड़ा हिस्सा है। विश्लेषक अनुमान का INTERPRETATION।
• हाइपरस्केलर (hyperscaler) स्व-आपूर्ति की होड़: Microsoft, Google और Amazon के साथ उस श्रेणी में शामिल होता है जो अपने सिलिकॉन को अपने वर्कलोड (workload) के लिए प्राथमिक बनाती है (किराए पर देने में Microsoft पीछे है — भविष्य में राजस्व का एक संभावित विकल्प)।
• TSMC/HBM4 संकेंद्रण: मल्टी-गीगावॉट (multi-gigawatt) योजना Microsoft की निर्भरता TSMC की 2 nm-श्रेणी क्षमता और HBM4 आपूर्ति पर बढ़ाती है — रणनीतिक लीवर (strategic lever) "NVIDIA आवंटन" से "TSMC/HBM आवंटन" की ओर खिसक जाता है। DigiTimes का ढाँचा: Maia 300 "cloud AI ASIC लाइनअप को पूरा करता है और 2027 की सर्वर सप्लाई-चेन (server supply-chain) तेज़ी की नींव रखता है।"
• OpenAI के साथ संबंध: Maia 200 आज Copilot में OpenAI मॉडल चलाता है; Maia का विस्तार का अर्थ है कि Microsoft के भीतर OpenAI का सर्विंग फ़ुटप्रिंट (serving footprint) Microsoft के सिलिकॉन पर बढ़ता है — जबकि OpenAI अपने कंप्यूट (compute) में विविधता ला रहा है, यह OpenAI–Microsoft परस्पर निर्भरता को और मज़बूत करता है।
• मार्जिन की रक्षा: पिछले साल-दर-साल कैपेक्स (capex) ~80% बढ़ा और तीन तिमाहियों में ग्रॉस मार्जिन (gross margin) ~2 अंक घटा (फ़ाइलिंग से TIKR/Yahoo Finance), तो इन-हाउस सिलिकॉन मार्जिन-रक्षा का औज़ार है — CFO Amy Hood सार्वजनिक रूप से फ़र्स्ट-पार्टी सिलिकॉन (first-party silicon) को दीर्घकालिक मार्जिन लाभ का श्रेय देती हैं (CNBC)।
• Google/AWS के मुक़ाबले स्थिति: Microsoft अब TPU/Trainium के तुलनीय दक्षता-इंजीनियरिंग वाला इन्फ़रेंस स्टैक (inference stack) होने का दावा कर सकता है, पर किराये के जोखिम के बिना; "Frontier Transformation" का आख्यान (Guthrie) मॉडल+सिलिकॉन के चुनाव को मूल रणनीति मानता है, लागत-इंजीनियरिंग नहीं।

• निष्पादन/समय-सारणी का जोखिम: प्रोडक्शन डिप्लॉयमेंट (production deployment) 2027 में ही शुरू होते हैं; सिलिकॉन कार्यक्रम पहले भी फिसले हैं (The Information की रिपोर्टिंग के अनुसार Maia 100-श्रेणी का प्रोडक्शन 2026 तक विलंबित होने की ख़बर थी, जैसा DatacenterDynamics की पूर्व कवरेज में आया)।
• असत्यापित दावे: 40% tokens/MW और 7x रैक थ्रूपुट (rack throughput) बिना बेंचमार्क (benchmark) वाले कंपनी दावे हैं जिनमें तुलना प्रणालियाँ अनिर्दिष्ट हैं (Converge Digest ने इसे स्पष्ट रूप से चिह्नित किया); कोई बाहरी परीक्षण नहीं है (Moorhead)।
• सप्लाई-चेन (supply-chain) जोखिम: TSMC N2P और HBM4 क्षमता विवादित संसाधन हैं; DigiTimes बताता है कि Microsoft पहले से क्षमता के लिए प्रतिस्पर्धा कर रहा है; मल्टी-गीगावॉट योजनाएँ आवंटन की बाज़ी पर टिकी हैं।
• पावर/ऊर्जा जोखिम: मल्टी-गीगावॉट डेटासेंटर के लिए ग्रिड (grid), पानी और कूलिंग की प्रतिबद्धताएँ चाहिए, और वह भी ऐसे समय में जब ऊर्जा पर सख़्ती और विधान चल रहे हैं; 167 kW का लिक्विड-कूल्ड रैक परिचालन के लिहाज़ से बहुत माँग करने वाला है।
• पारिस्थितिकी तंत्र (ecosystem) का जोखिम: सार्वजनिक किराये या CUDA-स्तर के डेवलपर पारिस्थितिकी तंत्र (developer ecosystem) के बिना Maia का सॉफ़्टवेयर स्टैक Microsoft के भीतर ही रहता है; अगर बाहरी मॉडल डेवलपर कहीं और मानकीकृत हो जाते हैं, तो पोर्टेबिलिटी (portability) के दावे साकार नहीं हो सकते।
• NVIDIA का प्रति-कदम: NVIDIA की Rubin पीढ़ी (उसी सप्ताह OCP Global Summit में विस्तृत, जिसमें Microsoft को अपनाने वाले के रूप में नामित किया गया), CUDA लॉक-इन (lock-in) और आक्रामक प्रति-वाट सुधार Maia के सापेक्ष लाभ को कुंद कर सकते हैं।
• स्ट्रैंडेड-कैपेक्स (stranded-capex) जोखिम: अगर Maia 300 दावों से कम देता है, तो प्रतिबद्ध क्षमता में लगे अरबों डॉलर मार्जिन पर बोझ बन जाते हैं (TIKR नोट करता है कि कैपेक्स से आने वाला डेप्रिसिएशन (depreciation) पहले से ग्रॉस मार्जिन (gross margin) पर दबाव डाल रहा है)।
• OpenAI-निर्भरता का जोखिम: Maia पर OpenAI मॉडल चलाना Microsoft के सिलिकॉन रोडमैप (silicon roadmap) को OpenAI के मॉडल रोडमैप और OpenAI के अपने इन्फ्रास्ट्रक्चर विविधीकरण से बाँध देता है।

• प्रदर्शन के सभी दावे कंपनी के दावे हैं: Microsoft ने 40% वाले आँकड़े के लिए "अग्रणी GPU-आधारित सिस्टम" तुलना-आधार का नाम नहीं दिया, न ही पुनरुत्पाद्य बेंचमार्क (reproducible benchmark) कॉन्फ़िगरेशन प्रकाशित किए। कोई स्वतंत्र बेंचमार्क नहीं है क्योंकि हार्डवेयर Microsoft के बाहर उपलब्ध नहीं है (CNBC/Moorhead)।
• चिप-संख्या के आँकड़े रिपोर्टिंग हैं, प्रतिबद्धताएँ नहीं: "2027 में संभवतः दस लाख से अधिक Maia चिप" का स्रोत Reuters है जो सूत्रों के हवाले से बोलता है; Microsoft ने सार्वजनिक रूप से केवल "मल्टी-गीगावॉट (multi-gigawatt)" डिप्लॉयमेंट की प्रतिबद्धता जताई है। ~300,000-चिप TSMC क्षमता की पुरानी रिपोर्ट सप्लाई-चेन (supply-chain) का अनुमान है (The Information पर आधारित; WindowsForum के ज़रिये संकलित)। RUMOR/EARLY RESEARCH श्रेणी।
• पूर्ण-पाठ तक पहुँच की सीमाएँ: Reuters का लेख सदस्यता माँगता था (शोधकर्ता के लिए 401); इसकी सामग्री स्वतंत्र द्वितीयक उद्धरण (TIKR/Yahoo Finance, Cloud Computing News, WindowsForum संकलन) से मिलाई गई। HPCwire की कवरेज मौजूद थी पर पहुँच से बाहर रही (403)।
• केवल-आंतरिक प्रोडक्ट: Maia के अर्थशास्त्र को भुगतान करने वाले ग्राहक सत्यापित नहीं कर सकते; TPU/Trainium की तरह कोई सार्वजनिक मूल्य-सूची नहीं है।
• विंडो अनुशासन: event_date केवल घोषणा तक सीमित है; विंडो के भीतर घोषणा के बाद का कोई माप या ग्राहक-साक्ष्य मौजूद नहीं है।
• समय-क्षितिज: सभी घोषित लाभ 2027 में पड़ेंगे; शोध विंडो के भीतर यह स्टोरी एक योजना और एक आर्किटेक्चर (architecture) है, पैमाने पर कोई भेजा गया मापनीय सिस्टम नहीं।

1. "मल्टी-गीगावॉट (multi-gigawatt)" का ठीक-ठीक मतलब क्या है — 1–2 GW, या उससे अधिक? Microsoft (Speirs, CNBC के ज़रिये) ने "optionality" का हवाला देते हुए समय-सीमा/पैमाने का लक्ष्य देने से इनकार किया।
2. क्या Maia कभी किराए पर मिलने वाली Azure सेवा (TPU/Trainium की तरह) बनेगा, या केवल-आंतरिक बना रहेगा?
3. क्या OpenAI के प्रमुख मॉडल (flagship model) मुख्यतः Maia पर परोसे जाएँगे, और इसका OpenAI के अपने सिलिकॉन काम के लिए क्या अर्थ है?
4. 2027 का प्रोडक्शन डेटा आने पर NVIDIA/AMD के मुक़ाबले वास्तव में मापा गया tokens-per-MW और tokens-per-dollar क्या होगा?
5. Microsoft असल में कितनी TSMC N2P और HBM4 क्षमता हासिल कर रहा है, और किस क़ीमत-प्रीमियम (price premium) पर?
6. Microsoft Ignite 2026 (17–20 नवंबर, San Francisco) में क्या बताएगा?
7. क्या MXFP4/सब-थ्री-बिट (sub-3-bit) फ़ॉर्मैट वह डी-फ़ैक्टो (de facto) मानक बनेंगे जिन्हें Microsoft ONNX/Foundry की सर्विंग टूलिंग (serving tooling) में धकेलेगा?
8. क्या दक्षता-लाभ Foundry की टोकन क़ीमत तक पहुँचेंगे, और कब?
9. 2027 के दौरान Copilot/Teams/Cowork का कितना ट्रैफ़िक (traffic) GPU से Maia पर जाएगा, और क्या 1.7x tokens-per-watt (Maia 200 का दावा) Microsoft के रिपोर्ट किए गए कॉस्ट ऑफ़ रेवेन्यू (cost of revenue) में दिखेगा?

Circle 1 — Microsoft का एआई प्लेटफ़ॉर्म (AI platform), Azure इन्फ्रास्ट्रक्चर के ख़रीदार, Microsoft की मॉडल/एजेंट टीमें, और एआई-इन्फ्रास्ट्रक्चर विश्लेषक।

• प्रभाव: तात्कालिक — Microsoft की अपनी सेवाएँ (Copilot, GitHub Copilot, Foundry, MAI, Dragon Copilot) परख का मैदान बन जाती हैं; आज ग्राहकों के लिए Azure एआई क्षमता की ख़रीद अछूती है, पर 2027 का अर्थशास्त्र बदलेगा।
• सुझाया गया कार्य: Microsoft Ignite 2026 के खुलासों पर नज़र रखें; Maia 300 के दक्षता-दावों (40% tokens/MW, 7x रैक थ्रूपुट (rack throughput)) को स्वतंत्र बेंचमार्क (benchmark) आने तक लक्ष्य मानें; दावा किए गए tokens-per-MW सुधार का इस्तेमाल करके Foundry-होस्टेड इन्फ़रेंस (inference) का 2027 TCO मॉडल (model) बनाएँ; Maia-समावेशी मूल्य-निर्धारण/क्षेत्र संबंधी घोषणाओं पर नज़र रखें।

Circle 2 — NVIDIA और AMD, प्रतिस्पर्धी हाइपरस्केलर (Google Cloud, AWS), सिलिकॉन सप्लाई-चेन (TSMC, HBM4 आपूर्तिकर्ता, स्विच/ऑप्टिकल विक्रेता), एआई इन्फ्रा स्टार्टअप, Evercore-श्रेणी के सेल-साइड (sell-side) विश्लेषक।

• प्रभाव: मध्यम अवधि (2–4 तिमाहियाँ) — इन्फ़रेंस माँग का मल्टी-गीगावॉट (multi-gigawatt) ब्लॉक मर्चेंट जीपीयू (merchant GPU) से हट जाता है; HBM4 और N2P क्षमता और दुर्लभ होती है; ईथरनेट-स्केल-अप आर्किटेक्चर (Ethernet-scale-up architecture) मालिकाना फ़ैब्रिक (proprietary fabric) के मुक़ाबले विश्वसनीयता हासिल करता है।
• सुझाया गया कार्य: प्रतिस्पर्धियों को 2027 तक इन्फ़रेंस सर्विंग (inference serving) में और अर्थपूर्ण क़ीमत-गिरावट मानकर चलना चाहिए; GPU ख़रीदारों को विषम सोर्सिंग योजनाएँ (heterogeneous sourcing plan) बनानी चाहिए; सेमीकंडक्टर विश्लेषकों को TSMC 2nm और HBM4 के आवंटन को असली बाधा मानकर ट्रैक करना चाहिए; NVIDIA पर नज़र रखने वालों को ट्रेनिंग (सुरक्षित) और इन्फ़रेंस (विवादित) को अलग-अलग देखना चाहिए।

Circle 3 — बड़े पैमाने पर एआई अपनाने वाले एंटरप्राइज़, ऊर्जा/ग्रिड योजनाकार और नियामक, सेमीकंडक्टर-नीति के अधिकारी, शिक्षा/प्रशिक्षण प्रदाता।

• प्रभाव: दीर्घकालिक (2027+) — अगर हाइपरस्केलर (hyperscaler) इन्फ़रेंस की स्व-आपूर्ति में सफल होते हैं, तो एआई सेवाओं की क़ीमतें गिरेंगी और प्रति टोकन ऊर्जा-दक्षता बेहतर होगी, पर संकेंद्रण TSMC/HBM आपूर्ति और पावर की उपलब्धता की ओर खिसकेगा; "मल्टी-गीगावॉट" क्लस्टर ग्रिड योजना की चर्चाओं में घुस आते हैं।
• सुझाया गया कार्य: एंटरप्राइज़ एआई योजनाकारों को 2027+ के वर्कलोड (workload) गिरती इन्फ़रेंस लागत के आसपास डिज़ाइन (design) करने चाहिए और क्लाउड प्रदाताओं से दक्षता में पारदर्शिता माँगनी चाहिए; नीति-निर्माताओं को पावर और HBM आपूर्ति को एआई-नीति के प्रथम-श्रेणी इनपुट मानना चाहिए (इसी S06 विंडो की दूसरी इन्फ्रास्ट्रक्चर/नीति स्टोरियों की तरह)।

• एआई-इन्फ्रास्ट्रक्चर सलाहकार सेवा: 2027 के लिए क्षमता/पावर योजना, tokens-per-MW दावों को शामिल करने वाले TCO मॉडल (model), और अपुष्ट Microsoft दावों से बनी खाली जगह भरने के लिए स्वतंत्र सत्यापन/बेंचमार्क सेवाएँ (यह वास्तविक अंतराल है — किसी तीसरे पक्ष ने Maia को परखा नहीं है)।
• Foundry लागत-अनुकूलन (cost optimization): Foundry पर लंबे-कॉन्टेक्स्ट/एजेंटिक (agentic) वर्कलोड चलाने वाले एंटरप्राइज़ अभी से माइग्रेशन रणनीतियों का पायलट (pilot) कर सकते हैं ताकि 2027 की सस्ती इन्फ़रेंस (inference) का लाभ उठा सकें।
• सप्लाई-चेन (supply-chain) ख़ुफ़िया सूचना: HBM4/N2P आवंटन पर नज़र रखना हर उस पक्ष के लिए निर्णय-उपयोगी है जो एआई सिलिकॉन ख़रीदता या डेटासेंटर की योजना बनाता है।
• प्रशिक्षण/शिक्षा: Maia SDK की PyTorch/Triton/NPL टूलचेन (toolchain) और डेटाफ़्लो बनाम GPU का वैचारिक बदलाव इन्फ़रेंस-इंजीनियरिंग पाठ्यक्रमों के लिए पढ़ाने योग्य सामग्री हैं।
• नोट: कोई सीधा पुनर्विक्रय-आर्बिट्राज (resale arbitrage) नहीं है (Maia किराए पर नहीं मिलता), इसलिए अवसर क्षमता-दलाली के बजाय सलाह/योजना के हैं। INTERPRETATION।

VERIFY — घोषित Maia 300 रैक/सुपरपॉड (rack/superpod) आँकड़ों की आंतरिक सुसंगतता की जाँच (labs/S06.md में की गई) और रिपोर्टरों से निकले डिप्लॉयमेंट (deployment) गणित की जाँच:

• 96 एक्सेलेरेटर × 288 GB HBM = 27,648 GB ≈ 27.6 TB ✓
• 96 × 18.0 TB/s ≈ 1.73 PB/s ≈ 1.7 PB/s ✓
• 12,288-एक्सेलेरेटर सुपरपॉड ÷ 96 प्रति रैक = 128 रैक ✓ (यह "128 रैक तक" से मेल खाता है)
• 1 मिलियन चिप ÷ 96 प्रति रैक ≈ 10,417 रैक × 167 kW ≈ 1.74 GW ✓ (यह "मल्टी-गीगावॉट (multi-gigawatt)" और TIKR के गणित, दोनों से सुसंगत है)

टीमों को इसके अतिरिक्त: एक प्रतिनिधि लंबे-कॉन्टेक्स्ट/एजेंटिक (agentic) वर्कलोड (workload) पोर्ट करने के लिए Maia SDK प्रीव्यू (preview) में शामिल होना चाहिए (https://aka.ms/Maia200SDK); आज के GPU-आधारित Foundry SKU पर टोकन-लागत का बेसलाइन (token-cost baseline) बनाए रखना चाहिए ताकि 2027 की तुलना मापी जा सके; और हर दक्षता-आँकड़े को फ़र्स्ट-पार्टी माप (first-party measurement) आने तक परिकल्पना (hypothesis) मानना चाहिए। हार्डवेयर आने पर एक वास्तविक COMPARE अवसर भी ध्यान रखें: एक ही वर्कलोड पर Maia 300 बनाम NVIDIA Rubin-पीढ़ी और AMD Helios रैक।

• Microsoft Ignite 2026 (17–20 नवंबर, San Francisco): Maia रणनीति, सिलिकॉन अपनाने के रुझान और "Frontier Transformation" की प्रगति पर अपेक्षित खुलासे (ब्लॉग में घोषित); पैमाने के लक्ष्यों पर संभवतः अधिक जानकारी।
• 2026 का अंत: GitHub Copilot और Microsoft Foundry, Maia 200 पर ऑनलाइन होंगे (कंपनी की प्रतिबद्धता)।
• 2027: Maia 300 के प्रोडक्शन डिप्लॉयमेंट (production deployment) शुरू; जिन शुरुआती संकेतों पर नज़र रखनी है — Evercore के "एआई-चिप ख़र्च का ~10%" अनुमान का Q1 2027 में मिलने वाला साक्ष्य; क्षेत्रों की घोषणाएँ; किसी बाहरी पहुँच की अनुमति मिलने पर पहला संभावित स्वतंत्र बेंचमार्क (benchmark); N2P/HBM4 रैंप (ramp) पर DatacenterDynamics/DigiTimes की सप्लाई-चेन रिपोर्ट।
• प्रतिस्पर्धी समय-रेखा: NVIDIA का Vera Rubin (उसी सप्ताह OCP Global Summit में विस्तृत, जिसमें Microsoft नामित अपनाने वालों में है) और AMD का रोडमैप (roadmap) वे प्रति-आख्यान हैं जिन पर 2027 तक नज़र रखनी है।
• नीति/ऊर्जा पटरी: मल्टी-गीगावॉट डिप्लॉयमेंट ग्रिड और पावर-लागत विधानों से टकराएँगे जो इसी विंडो में चल रहे हैं (जैसे इस शोध विंडो में अमेरिकी डेटा-सेंटर ऊर्जा विधान की कवरेज)।

Maia का मल्टी-गीगावॉट (multi-gigawatt) ऐलान अब तक का सबसे स्पष्ट संकेत है कि हाइपरस्केलर (hyperscaler) कस्टम सिलिकॉन (custom silicon) प्रयोग से निकलकर रणनीति बन गया है: Microsoft अपने ही सिलिकॉन को पावर-स्केल, प्रोडक्शन-वर्ष और प्राथमिक-इन्फ़रेंस-सिस्टम (primary inference system) का दर्जा दे रहा है। आर्किटेक्चर (डेटाफ़्लो, NUMA चिपलेट, HBM4, ईथरनेट-स्केल-अप, डिसएग्रीगेटेड इन्फ़रेंस) एक सुसंगत दाँव है कि एजेंट युग की बाधा कच्चे FLOPs नहीं, इन्फ़रेंस है, और पावर-दक्षता ही 2027 के डेटासेंटरों की असली मुद्रा है।

लेकिन इस स्टोरी की माँग यह अनुशासन है कि दावे और साक्ष्य अलग-अलग रखे जाएँ: CONFIRMED घोषणा स्वयं है; 40% tokens-per-megawatt, 7x रैक थ्रूपुट (rack throughput) और 2.5x performance-per-watt के आँकड़े COMPANY CLAIMS हैं जिनमें तुलना-आधार अनाम हैं और शून्य स्वतंत्र परीक्षण है; "दस लाख चिप" का आँकड़ा रिपोर्टिंग का INDEPENDENT EVIDENCE (Reuters) है, स्पष्ट रूप से Microsoft की प्रतिबद्धता नहीं। रणनीतिक अर्थ — कि Microsoft इन्फ़रेंस परत का मालिक बनना चाहता है और NVIDIA का इन्फ़रेंस वर्चस्व अब ऐसे ख़रीदार से चुनौती पा रहा है जो निर्माता भी है — प्रतिबद्धताओं और सप्लाई-चेन ख़ुफ़िया सूचना पर टिका है, मापे गए नतीजों पर नहीं। फ़ैसला 2027 में देखें: मल्टी-गीगावॉट पैमाने पर वास्तव में दिए गए टोकन प्रति मेगावॉट (tokens per megawatt) ही वह आँकड़ा होंगे जो मायने रखेंगे।