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。

　　DeloitteGlobal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。可見，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《CanFPGAsBeatGPUsinAcceleratingNext-GenerationDeepNeuralNetworks》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。