شرکت Deloitte جهانی شدن این گزارش پیش بینی می کند که در سال 2018، شرکت های متوسط در برنامه های کاربردی یادگیری ماشین در صنعت بود تاکید بیشتری در مقایسه و 2017، با به کارگیری از یادگیری ماشین و اجرای پروژه دو برابر خواهد شد، و دوباره در سال 2020 دو برابر شده بارها
در حال حاضر، غنی "تراشه هوش مصنوعی این اصطلاح جدید را آغاز کرد انواع بیشتر و بیشتر، از جمله GPU، CPU، FPGA وجود دارد، ASIC، TPU، تراشه جریان نوری. با توجه به شرکت Deloitte پیش بینی کرد که در سال 2018، GPU و CPU است که هنوز هم زمینه یادگیری ماشین تراشه اصلی تقاضا در بازار GPU احتمالا در اطراف 500،000، در تقاضا برای وظایف یادگیری ماشین از بیش از 200.000 FPGA، و ASIC تقاضا تراشه است در مورد 100000.
قابل توجه است که، شرکت Deloitte گفت: آن را تا پایان سال 2018 انتظار، بیش از 25٪ از مرکز داده برای سرعت بخشیدن به تراشه های یادگیری ماشین برای FPGA و ASIC تراشه. قابل مشاهده، FPGA، افزایش ASIC است انتظار می رود برای رسیدن به در زمینه یادگیری ماشین است.
در واقع، برخی از شروع زودتر با استفاده از تراشه FPGA، ASIC شتاب کاربر، به طور عمده به استفاده از آنها بر استنتاج یادگیری ماشین (استنتاج) وظیفه، اما به زودی پس از آن، FPGA، تراشه ASIC نیز قادر به کار در ماژول آموزش باشد بازی
در سال 2016، فروش جهانی تراشه FPGA بیش از 4 میلیارد $، در حالی که در سال 2017 آغاز گزارش "آیا می توانید ضرب و شتم FPGA ها GPU ها در تسریع شبکه های عصبی عمیق نسل بعدی؟"، محققان گفتند، در برخی موارد، FPGA قدرت سرعت و محاسبات ممکن است حتی از GPU قوی تر باشد.
در حال حاضر، مانند آمازون (آمازون) از AWS و مایکروسافت (مایکروسافت) در سرویس ابری لاجورد، معرفی شده اند تکنولوژی FPGA؛ داخلی Alibaba همچنین اعلام کرد اینتل (اینتل)، را به استفاده های Xeon-FPGA تسریع پلت فرم نرم افزار ابر؛ اخیرا اینتل بارها و بارها تاکید کرد که مرکز داده می تواند از طریق ابر FPGA پلت فرم تنظیم شده، افزایش بهره وری از یادگیری ماشین، رمزگذاری داده ها و دیگر کار صوتی و تصویری.
علاوه بر این، اگر چه ASIC است به انجام تنها یک تراشه وظیفه تک، اما تولید کنندگان تراشه ASIC زیادی. در سال 2017، درآمد کل از کل صنعت در مورد $ 15 میلیارد دلار. گزارش شده است که، گوگل و فروشندگان دیگر استفاده در یادگیری ماشین ASIC، به نرم افزار یادگیری ماشین TensorFlow تراشه آمده است.
شرکت Deloitte معتقد است که ترکیبی از CPU و GPU، به ترویج توسعه یادگیری ماشین به تولید مقدار زیادی از قدرت است. اگر در آینده انواع FPGA و راه حل های ASIC همچنین می توانید نفوذ به اندازه کافی به منظور افزایش سرعت پردازش، بازده و کاهش هزینه، دستگاه بازی برنامه های کاربردی یادگیری دوباره خواهد بود پیشرفت انفجاری.