机器学习短短在1年内异军突起后, 其成长速度也超乎外界预期. 评论指出, 从NVIDIA近期亮眼股价表现可看出机器学习市场确实在蓬勃发展. 另外, GPU不只是训练机器学习系统的最佳芯片选择, 机器学习工作甚至可能从资料中心, 逐渐推进移动装置内, 带动半导体相关产业需求增加. 据Semiconductor Engineering报导, 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, 以便改善广大产品并开始受到消费者市场欢迎. 第一次进展的出现是大量运算能力, 频宽, 低价存储器与演算法汇整后的结果. 上述演算法可用来训练其过程, 其中大多是重复数据采矿运算. 首先, 一旦1组特征被建立后, 数据将被重复修正并可指出在制造或设计中哪些出现异常以及是否有冗位, 而结果就是让运算效率快速大幅提升, 提升产品品质, 可靠度, 效能, 功耗与良率. 机器学习的另一端就是推论(inferencing), 也就是精炼演算法以便机器可在1套特征下运作, 基本上就是依照已知, 可预期或未知因素为装置或应用程式(App)建立可接受的行为. 不过, 一旦遇到未知时, 机器在事先已定义的限制下执行后, 上述未知会被加入训练与推论资料库内, 作为未来决定参考或者因为无相关而被忽略. 评论指出, 上述过程需要大量运算能力, 也是推升NVIDIA股价亮眼的原因. GPU价格低而且可支持巨量平行运算(massive parallelism), 此点对于倚赖浮点运算的训练端相当重要. 不过, 目前市场竞争已开始转往倚赖定点计算的推论端. 从各项端倪可发现, 市场竞争出现后对半导体产业也会带来影响. 因为推论不像大多局限在资料中心的训练端, 可以在资料中心或在地执行, 而且随着演算法持续被精练后以及装置如何运作的流程被成形后, 推论也可望推进各种移动装置内. 因此, 整个发展对半导体产业是一项利多, 因为将对极快速处理, 大量存储器与储存与极快速芯片连线带来极大需求. 另外, 基础建设需求也会出现, 以便能处理数据被传输装置内外的突然增加, 除此之外, 也会带动打造, 验证或更快除错相关装置的工具需求增加.
