押注千亿给最强盟友这家巨头却用四分之一成本悄悄换了心在硅谷的科技巨头里有一笔总额超过千亿美元的投资正处在极其微妙的境地。微软持有OpenAI大约27%的股份按转换后摊薄口径计算价值高达约1350亿美元。两家公司曾经形影不离微软把对方的模型卖给自己的云服务客户自家招牌产品也全盘接入对方的技术。但在2026年10月15日的一场内部员工大会上微软的人工智能业务首席执行官苏莱曼Mustafa Suleyman站在台上对台下的员工说出了一句耐人寻味的话微软手里已经有了一个比驱动GPT-5.6的模型更强的底座而且耗费的计算资源只有对方当初训练时的四分之一。消息一出外界才猛然意识到这位看似最坚定的盟友早就在自家机房里悄悄另起炉灶了。一、为什么手里攥着千亿投资还要关起门来重新练模型读者可能会纳闷微软既然在合作伙伴身上押注了千亿美元在2026财年甚至从中确认了约49.63亿美元的净收益为什么还要费尽周折自己造底座答案藏在微软庞大的账本里。翻开微软2026财年第四季度的成绩单公司单季度营收达到900亿美元同比增长18%旗下的智能云收入达到593亿美元云计算服务年收入更是首次迈过了1000亿美元的大关手头还没消化的商业剩余履约义务更是飙升84%来到了6780亿美元。这些亮眼数字的背后是极其昂贵的代价。微软此前把2026自然年的资本开支指引上调到了约1900亿美元其中单是因为零部件涨价带来的支出就有约250亿美元。虽然公司的人工智能业务年化收入已经突破370亿美元还有超过2000万付费客户但每向外部伙伴采购一次计算能力成本的主动权就少一分。过去一年里两家公司的紧密合作出现了裂痕。为了压低居高不下的成本并摆脱对外部供应商的依赖微软不得不把目光投向底座的源头。2024年3月微软正式成立人工智能部门找来苏莱曼掌舵后来又通过吸纳团队的方式扩充人手。到了2026年3月微软进一步把产品团队整合苏莱曼的工作重心被收窄到一个约650人的研究组专攻基础底座。预训练就像是教一个婴儿识字看世界的阶段也是造模型过程中最烧钱、最耗费算力的一环。只要能在这个源头把效率提上去后续所有产品的成本空间就会被彻底打开。于是在2026年8月到9月这短短38天里微软动用了16000块英伟达GB200芯片悄然完成了一场总参数高达2.8万亿的工程试验。这款名为MAI-Base-2的自研底座模型就此浮出水面。二、参数翻了快三倍为什么算力反而省下了十几倍根据微软官方公布的细节这个新底座的总参数达到了2.8万亿但每次处理信息时真正被激活调用的参数只有800亿。相比于2026年6月作为推理模型底座的第一代产品总参数1万亿、激活参数350亿新模型的总参数规模扩大到了近2.8倍投入的芯片数量也从上一代的8192块接近翻倍。让人惊讶的是微软公布的效率数字在测试中这套预训练配方的算力效率比当前唯一公开的万亿级底座DeepSeek-V4-Pro-Base高出了4.2到12.3倍比起微软自己的上一代产品效率也提升了6.3到12.7倍。这意味着要达到同样的基础理解水平微软所耗费的计算资源缩减到了对手的几分之一甚至十几分之一。这背后到底是怎么做到的如果把大模型训练比作一所全科大学以前的做法是每一个问题都要全校所有专业的教授同时到场开会。而微软采用的混合专家架构就像是在学校里设立了许多专科研究室每次遇到特定领域的考题只精准唤醒其中一小批最对口的专家其他人继续待命。在工程细节上微软做了一系列外科手术式的改造。首先他们在网络结构的每一个基本单元里都塞进了专家层不再像过去那样隔一层放一个通过工程修补专家层的利用率直接从过去的24%拉升到了35%让更密集的专家网络不仅能跑而且跑得起。其次他们换用了名为Muon的优化器只占每个训练步骤计算量的2.1%并配合一套激活梯度裁剪技术把大规模集群容易出现的训练颠簸压制了下来。更关键的改变来自数据。以前的第一代模型只啃纯文本而这一次微软在预训练的最开端就原生塞进了图像内容。在高达50万亿AI基本处理单位的训练素材中图文混合的内容占了18%相当于9万亿的处理单位包含了4.5万亿不重复的内容。而且模型跳过了独立的视觉解码外挂直接用统一的网络同时理解文字和图像。通过这种底层改造集群在38天的连续运转中实际推进训练的时间占比达到了89%模型浮点利用率稳定在21%。三、热闹的数字背后普通用户到底什么时候能用上看到这里很多读者可能会觉得微软是不是马上就要把这套省算力的神器端上桌了事实可能要让期待立竿见影的人稍微冷静一下。如果仔细拆解微软和各大机构披露的内容就会发现这次公布的成果有一个最准确的标签未完成。大模型的诞生通常分为两步第一步是预训练负责建立对世界的通识理解第二步是后训练通过人类反馈和专项调教把一个只会做阅读理解的底座改造成能够听懂指令、礼貌对话的产品。MAI-Base-2目前仅仅走完了第一步它还只是一个没有经过对话调教的原始毛坯后训练才刚刚开始。截至目前微软没有公开任何可以下载的模型权重没有提供调用接口没有列出价格甚至连面对普通用户的发布日期都没有定下来。官方只是谨慎地透露未来打算通过自家的智能云服务目录把权重授权给可信赖的合作伙伴。就连那个惊人的“最高省12倍算力”的结论也需要理性看待。这不是两家模型在同一个考场里同台竞技打出来的分数而是微软基于内部的代码库、以及向外部供应商采购且做过去污染处理的数学与问答题集利用自家推导出的缩放阶梯公式计算出来的估算值。在这场内部评测中对照组的某些选手拿出来的是已经完成对话调教的成品质检版本而微软拿出来的是毛坯底座两者的状态并不完全一致。不过从合规和商业落地的角度看微软这次显得格外精明。根据业内的测算这次训练消耗的整体计算量大约在2.4到2.76乘以10的25次方次浮点运算之间等效算力成本约为3600万到5800万美元。这个规模刚好越过了欧盟人工智能法案对于系统性风险的监管线但只有加州前沿监管门槛的大约四分之一。更重要的是微软在训练数据的合规性上筑起了一道极高的防火墙。他们强调训练内容全部来自原创抓取没有通过其他成熟模型进行走捷径的知识蒸馏网络抓取严格遵守站点协议并主动剔除了官方不良市场名单里的来源。对于那些身处金融、医疗等强监管行业的企业客户来说一个来源干干净净、版权没有瑕疵的自研底座往往比单纯的参数大小更具吸引力。在这场耗资巨大的竞赛里微软不仅完成了这一代模型的冲线甚至已经开始为下一代代号为MAI-Base-3的模型做准备。当云服务的账单和芯片的折旧日夜不停地扣动扳机能够自己掌握底座配方、把每一度电和每一块芯片的产出榨取到极致的人才能在牌桌上真正坐稳。这不仅是一场技术层面的效率突围更是一家软件帝国为了在未来守住利润底线而不得不亲自交出的一份自研答卷。