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，主要是将它们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发挥。

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《 Can FPGAs Beat GPUs in AcceleraTIng Next-GeneraTIon Deep Neural Networks？ 》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。

此外，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发挥足够影响力，那么机器学习应用将可再次出现爆炸性的进展。