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(shù)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(yī)學診斷、檢測信用卡欺詐,、證券市場分析,、語音和手寫識別、戰(zhàn)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(yè)將更加看重機器學習在行業(yè)中的應用。和 2017 年相比,，用機器學習部署和實現(xiàn)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(shù)據中心中用來加速機器學習的芯片將為 FPGA 和 ASIC 芯片?？梢?，F(xiàn)PGA、ASIC 有望在機器學習領域中實現(xiàn)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,，F(xiàn)PGA、ASIC 芯片在模組訓練工作上也將能有所發(fā)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,，F(xiàn)PGA 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(shù)據中心可通過 FPGA 調整云端平臺,，提升機器學習、影音數(shù)據加密等工作的執(zhí)行效率,。

此外,，ASIC 雖然是只執(zhí)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(yè)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(fā)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(fā)揮足夠影響力,，那么機器學習應用將可再次出現(xiàn)爆炸性的進展。