在2016年头，机器学习仍被视为科学实验，但现在则已开端被广泛使用于数据探勘、计算机视觉、自然语言处理、生物特征辨认、搜索引擎、医学确诊、检测信用卡诈骗、证券商场分析、语音和手写辨认、战略游戏与机器人等使用范畴。在这短短一年的时间内，机器学习的生长速度超乎外界预期。
DeloitteGlobal最新的猜测陈述指出，在2018年，大中型企业将愈加垂青机器学习在职业中的使用。和2017年比较，用机器学习布置和完成的项目将翻倍，而且2020年将再次翻倍。
现在，有越来越多的类型开端丰厚“AI芯片”这个新名词，包含GPU、CPU、FPGA、ASIC、TPU、光流芯片等。据Deloitte猜测，2018年，GPU和CPU仍是机器学习范畴的干流芯片。GPU的商场需求量大概在50万块左右，在机器学习使命中对FPGA的需求超越20万块，而ASIC芯片的需求量在10万块左右。
值得注意的是，Deloitte称，估计到2018年末，超越25%的数据中心中用来加快机器学习的芯片将为FPGA和ASIC芯片。可见，FPGA、ASIC有望在机器学习范畴中完成兴起。
实际上，一些较早开端使用FPGA、ASIC芯片加快的用户，主要是将它们运用机器学习的推论(inference)使命上，但不久之后，FPGA、ASIC芯片在模组练习作业上也将能有所发挥。
在2016年，全球FPGA芯片的销售额现已超越40亿美元。而在2017年年头陈述《CanFPGAsBeatGPUsinAcceleraTIngNext-GeneraTIonDeepNeuralNetworks》中，研究人员表明在某些情况下，FPGA的速度和运算力或许比GPU还要强。
现在，像是亚马逊(Amazon)的AWS与微软(Microsoft)的Azure云端服务，都已引入FPGA技能；国内的阿里巴巴也宣告与英特尔(Intel)协作，使用Xeon-FPGA渠道加快云端使用；英特尔近来不断着重，数据中心可通过FPGA调整云端渠道，提高机器学习、影音数据加密等作业的履行功率。
此外，ASIC虽然是只履行单一使命的芯片，但现在ASIC芯片的制造厂商许多。在2017年，整个工业的总收益大约在150亿美元左右。据悉，Google等厂商开端将ASIC运用在机器学习，以TensorFlow机器学习软件为根底的芯片也已面世。
Deloitte以为，CPU与GPU的结合，对机器学习开展的推进产生了很大的助力。假如未来各种FPGA与ASIC解决方案也能在提高处理速度、功率与降低成本方面发挥满足影响力，那么机器学习使用将可再次出现爆炸性的发展。
