在2016年初，机器学习仍被视为科学实验，但目前则已开始被应用于数据探勘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、检测信用卡欺诈、证券市场分析、语音和手写识别、战略游戏与机器人等应用领域。在这短短一年的时间内，机器学习的成长速度超乎外界预期。
DeloitteGlobal最新的预测报告指出，在2018年，大中型企业将更加看重机器学习在行业中的应用。和2017年相比，用机器学习部署和实现的项目将翻倍，并且2020年将再次翻倍。
目前，有越来越多的类型开始丰富“AI芯片”这个新名词，包括GPU、CPU、FPGA、ASIC、TPU、光流芯片等。据Deloitte预测，2018年，GPU和CPU仍是机器学习领域的主流芯片。GPU的市场需求量大概在50万块左右，在机器学习任务中对FPGA的需求超过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，预计到2018年底，超过25%的数据中心中用来加速机器学习的芯片将为FPGA和ASIC芯片。可见，FPGA、ASIC有望在机器学习领域中实现崛起。
实际上，一些较早开始使用FPGA、ASIC芯片加速的用户，主要是将运用机器学习的推论(inference)任务上，但不久之后，FPGA、ASIC芯片在模组训练工作上也将能有所有着。
在2016年，全球FPGA芯片的销售额已经超过40亿美元。而在2017年年初报告《CanFPGAsBeatGPUsinAcceleratingNext-GenerationDeepNeuralNetworks》中，研究人员表示在某些情况下，FPGA的速度和运算力可能比GPU还要强。
目前，像是亚马逊(Amazon)的AWS与微软(Microsoft)的Azure云端服务，都已引进FPGA技术；国内的阿里巴巴也宣布与英特尔(Intel)合作，利用Xeon-FPGA平台加速云端应用；英特尔近来不断强调，数据中心可通过FPGA调整云端平台，提升机器学习、影音数据加密等工作的执行效率。
ASIC虽然是只执行单一任务的芯片，但目前ASIC芯片的制造厂商很多。在2017年，整个产业的总收益大约在150亿美元左右。据悉，Google等厂商开始将ASIC运用在机器学习，以TensorFlow机器学习软件为基础的芯片也已问世。
Deloitte认为，CPU与GPU的结合，对机器学习发展的推动产生了很大的助力。如果未来各种FPGA与ASIC解决方案也能在提升处理速度、效率与降低成本方面有着足够影响力，那么机器学习应用将可再次出现爆炸性的进展。
