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(jù)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(nèi)，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(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(jù)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(jù)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(jīng)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，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(nèi)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(diào)，數(shù)據(jù)中心可通過FPGA調(diào)整云端平臺，提升機器學習、影音數(shù)據(jù)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(chǎn)業(yè)的總收益大約在150億美元左右。據(jù)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(chǎn)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。