文章核心观点 - 微软的AI战略在2023-2024年经历了一个“大暂停”阶段，随后在2025年重新加速投资 [3][5][7] - 战略调整的核心原因包括对AI业务投资回报率（ROIC）的担忧，该业务ROIC仅为20%，远低于公司整体35-40%的水平，以及自身执行能力跟不上OpenAI的算力需求 [10][18] - 2025年，随着全球AI应用爆发，微软重启AI投资，但面临OpenAI寻求多元算力合作伙伴、失去独家优势以及IaaS层竞争加剧的挑战 [7][9][17] 从深度绑定到战略调整的关键几年 - 2023年1月，微软将对OpenAI的投资从10亿美元提升至100亿美元，并获得了模型的独家IP访问权 [3][11] - 微软为OpenAI启动了超大规模数据中心计划，如爱荷华州训练集群部署约2.5万个NVIDIA A100芯片，亚利桑那州集群最终GPU数量达到约13万个，覆盖NVIDIA三代主流产品 [13][14] - 2024年中期，微软突然暂停AI投资，表现为1.5GW自建项目停滞、取消租赁合同，超过3.5GW算力建设计划被冻结 [5][16] - 暂停导致微软在超大规模厂商数据中心预租赁容量中的占比从峰值60%以上降至25%以下，OpenAI转而与Oracle、Amazon等多方签署算力合同 [9][17][19] - 关键项目Stargate（价值1000亿美元）因微软执行效率低（威斯康星项目2023年9月动工，至2025年11月未运营）而被OpenAI转给Oracle，后者仅用4个月即完成交付 [17] 微软AI的IaaS层困局 - 裸金属服务落地缓慢，如威斯康星州350MW集群延迟交付，而竞争对手Oracle同类项目仅用4个月，核心问题在于电力传输等配套设施滞后，关键设施需到2027年才能完工 [20][21] - 执行失误导致错失关键订单，如OpenAI的Stargate项目，Oracle凭借此合同后续签下总价值超420亿美元的订单，对应约150亿美元毛利 [23] - 微软对市场需求出现误判，其新增未完成订单（RPO）从暂停前的500亿美元增长到1320亿美元，但市场份额从38%下滑至18%；同期Oracle的RPO从320亿美元飙升至4250亿美元 [24][25] - 为弥补自有算力不足，微软转向依赖Neocloud厂商，但其毛利率仅35%，低于自有数据中心，且新增算力中Neocloud占比最高时接近50%，压缩利润空间 [25] - 客户调研显示，超过140家AI企业因微软无法提供稳定的交付时间而转向Oracle、CoreWeave等竞争对手，影响长期市场口碑 [26] 微软AI的PaaS层博弈 - GPU资源分配失衡，大部分高端GPU优先供给OpenAI和传统财富500强企业，导致需要灵活算力的AI初创公司难以获取资源 [29] - 行业评级中，Azure从2025年3月的“Gold级”面临降级风险，因AI集群管理工具更新停滞、监控系统稳定性及硬件故障恢复能力落后于竞争对手 [31] - 微软推行“可互换舰队”战略，依托全球70个区域、400多个数据中心的布局满足企业数据本地化需求，但受限于企业集中区域的电力紧张，扩张速度落后于可在偏远地区快速建厂的对手 [32] - 核心产品Azure Foundry定位为企业级Token工厂，凭借对OpenAI模型的IP权利，预计到2032年可能承接100%的OpenAI API推理计算，但当前企业Token市场营收转化效率低，例如Google Cloud 150家客户处理约1万亿Token仅占业务收入的0.5% [33][34] - 针对硬件折旧质疑，文章指出服务器硬件可靠性提升，标准保修期达3-5年，并可扩展，且超算案例如IBM Summit运行6.5年，证明AI硬件寿命并非短期，微软更换旧GPU主要是为优化空间与电力效率 [36][38][39] 微软AI的模型与应用 - 模型层采取“借力OpenAI + 自研MAI”策略，利用独家IP权限进行模型蒸馏与微调，例如Excel Agent在测试中准确率达71.3%，优于GPT-4的57.2% [41][42][43] - 自研MAI系列模型已推出文本、图像、语音三款，但性能尚未达到行业顶尖水平，公司计划未来几年将MAI年度算力支出提升至160亿美元，以实现模型自主可控 [41][44][45] - 应用层中，GitHub Copilot早期垄断市场，但2024年后面临竞争对手通过“fork VS Code”提供更集成的多模型方案（如Claude Code）的挑战，导致微软被迫引入Anthropic模型，毛利率大幅下滑 [46][47][49] - Office 365 Copilot表现相对稳健，月活跃用户超1000万，集成于超10亿用户的Office生态中，调研显示其可提升文档处理效率平均30%，但面临Google Workspace等竞品的直接竞争 [50][51][52] 微软AI的硬件 - 芯片层是明显短板，自研ASIC Maia系列进展滞后，Maia 100因内存带宽不足未大规模量产，Maia 200性能未达预期被评估为失败项目，计划中的Maia 300面临不确定性 [54][56][57] - 为弥补自研不足，微软依赖OpenAI的定制芯片Titan ASIC（拥有其IP权利）并通过风投基金M12投资芯片初创公司（如Modular、Neurophos），但存在IP依赖和技术成熟度风险 [58] - 相比之下，网络架构层表现出色，通过高基数交换机（如512端口）和创新rail-only拓扑，将2层网络可连接GPU数量从2048提升至524288个，并保持高效的成本比例 [59][60][62] - 超高速AI WAN实现跨区域算力互联，当前带宽达300Tb/s，可扩展至10Pb/s，采用光学电路开关和密集波分复用技术，使跨数据中心训练效率损耗仅8%，优于行业平均15% [64][66][68]