機器學習短短在1年內異軍突起後, 其成長速度也超乎外界預期. 評論指出, 從NVIDIA近期亮眼股價表現可看出機器學習市場確實在蓬勃發展. 另外, GPU不只是訓練機器學習系統的最佳晶片選擇, 機器學習工作甚至可能從資料中心, 逐漸推進移動裝置內, 帶動半導體相關產業需求增加. 據Semiconductor Engineering報導, 在2016年初, 機器學習仍被視為科學實驗, 但目前則已開始被應用, 以便改善廣大產品並開始受到消費者市場歡迎. 第一次進展的出現是大量運算能力, 頻寬, 低價存儲器與演演算法彙整後的結果. 上述演演算法可用來訓練其過程, 其中大多是重複數據採礦運算. 首先, 一旦1組特徵被建立後, 數據將被重複修正並可指出在製造或設計中哪些出現異常以及是否有冗位, 而結果就是讓運算效率快速大幅提升, 提升產品品質, 可靠度, 效能, 功耗與良率. 機器學習的另一端就是推論(inferencing), 也就是精鍊演演算法以便機器可在1套特徵下運作, 基本上就是依照已知, 可預期或未知因素為裝置或應用程式(App)建立可接受的行為. 不過, 一旦遇到未知時, 機器在事先已定義的限制下執行後, 上述未知會被加入訓練與推論資料庫內, 作為未來決定參考或者因為無相關而被忽略. 評論指出, 上述過程需要大量運算能力, 也是推升NVIDIA股價亮眼的原因. GPU價格低而且可支援巨量平行運算(massive parallelism), 此點對於倚賴浮點運算的訓練端相當重要. 不過, 目前市場競爭已開始轉往倚賴定點計算的推論端. 從各項端倪可發現, 市場競爭出現後對半導體產業也會帶來影響. 因為推論不像大多局限在資料中心的訓練端, 可以在資料中心或在地執行, 而且隨著演演算法持續被精練後以及裝置如何運作的流程被成形後, 推論也可望推進各種移動裝置內. 因此, 整個發展對半導體產業是一項利多, 因為將對極快速處理, 大量存儲器與儲存與極快速晶片連線帶來極大需求. 另外, 基礎建設需求也會出現, 以便能處理數據被傳輸裝置內外的突然增加, 除此之外, 也會帶動打造, 驗證或更快除錯相關裝置的工具需求增加.
