在2016年初，機器學習仍被視為科學實驗，但目前則已開始被廣泛應用于數據探勘、計算機視覺、自然語言處理、生物特征識別、搜索引擎、醫學診斷、檢測信用卡欺詐、證券市場分析、語音和手寫識別、戰略游戲與機器人等應用領域。在這短短一年的時間內，機器學習的成長速度超乎外界預期。

Deloitte Global 最新的預測報告指出，在 2018 年，大中型企業將更加看重機器學習在行業中的應用。和 2017 年相比，用機器學習部署和實現的項目將翻倍，并且 2020 年將再次翻倍。

目前，有越來越多的類型開始豐富“AI芯片”這個新名詞，包括 GPU、CPU、FPGA、ASIC、TPU、光流芯片等。據 Deloitte 預測，2018 年，GPU 和 CPU 仍是機器學習領域的主流芯片。GPU 的市場需求量大概在 50 萬塊左右，在機器學習任務中對 FPGA 的需求超過 20 萬塊，而 ASIC 芯片的需求量在 10 萬塊左右。

值得注意的是，Deloitte 稱，預計到 2018 年底，超過 25% 的數據中心中用來加速機器學習的芯片將為 FPGA 和 ASIC 芯片?？梢?，FPGA、ASIC 有望在機器學習領域中實現崛起。

實際上，一些較早開始使用 FPGA、ASIC 芯片加速的用戶，主要是將它們運用機器學習的推論(inference)任務上，但不久之后，FPGA、ASIC 芯片在模組訓練工作上也將能有所發揮。

在 2016 年，全球FPGA芯片的銷售額已經超過40億美元。而在 2017 年年初報告《 Can FPGAs Beat GPUs in Accelerating Next-Generation Deep Neural Networks? 》中，研究人員表示在某些情況下，FPGA 的速度和運算力可能比 GPU 還要強。

目前，像是亞馬遜(Amazon)的AWS與微軟(Microsoft)的Azure云端服務，都已引進 FPGA 技術；國內的阿里巴巴也宣布與英特爾(Intel)合作，利用Xeon-FPGA平臺加速云端應用；英特爾近來不斷強調，數據中心可通過 FPGA 調整云端平臺，提升機器學習、影音數據加密等工作的執行效率。

此外，ASIC 雖然是只執行單一任務的芯片，但目前 ASIC 芯片的制造廠商很多。在2017 年，整個產業的總收益大約在 150 億美元左右。據悉，Google 等廠商開始將 ASIC 運用在機器學習，以 TensorFlow 機器學習軟件為基礎的芯片也已問世。

Deloitte 認為，CPU 與 GPU 的結合，對機器學習發展的推動產生了很大的助力。如果未來各種 FPGA 與 ASIC 解決方案也能在提升處理速度、效率與降低成本方面發揮足夠影響力，那么機器學習應用將可再次出現爆炸性的進展。