盡管GPU仍是當前的機器學習市場的主流，但有產(chǎn)業(yè)觀察家已經(jīng)預見了FPGA、ASIC在機器學習領域的崛起。Deloitte Global分析指出，F(xiàn)PGA與ASIC有助于降低機器學習應用的功耗，并提升系統(tǒng)的反應能力與靈活度，因此可望擴大機器學習的應用范圍。

Enterprise Tech網(wǎng)站引述Deloitte Global年度預測報告指出，2018年FPGA與ASIC將在機器學習領域占據(jù)更重要的地位。到了2018年底，數(shù)據(jù)中心內約有25%以上的機器學習工作負載將是由FPGA與ASIC芯片負責處理，而目前這些工作多是交由GPU與CPU執(zhí)行。

Deloitte預測，2018年企業(yè)數(shù)據(jù)中心將會使用到80萬片機器學習芯片，其中有60%為GPU，F(xiàn)PGA與ASIC則可分別攻下20%與10%的全球市場。到了2022年，機器學習加速市場將可達到45億~91億美元的市值。

一些較早開始使用FPGA、ASIC芯片加速的用戶，主要是將它們運用機器學習的推論(inference)任務上，但不久之后，F(xiàn)PGA、ASIC芯片在模塊訓練工作上也將能有所發(fā)揮。

目前像是亞馬遜(Amazon)的AWS與微軟(Microsoft)的Azure云端服務，都已引進FPGA技術。國內電商阿里巴巴也宣布與英特爾(Intel)合作，利用Xeon-FPGA平臺加速云端應用。英特爾近來不斷強調，數(shù)據(jù)中心可透過FPGA調整云端平臺，提升機器學習、影音數(shù)據(jù)加密等工作的執(zhí)行效率。

另一方面，也有Google等廠商開始將ASIC運用在機器學習，以TensorFlow機器學習軟件為基礎的芯片也已問世。

Deloitte指出，對于功率受限的推論工作，Google TPU擁有很大的優(yōu)勢。而第二代的TPU還能用于模塊訓練，只不過目前還不清楚TPU2是否能將TPU處理特定推論工作的優(yōu)勢，延續(xù)到訓練上。

Deloitte提到，CPU與GPU的結合，對機器學習發(fā)展的推動產(chǎn)生了很大的助力。如果未來各種FPGA與ASIC解決方案也能在提升處理速度、效率與降低成本方面發(fā)揮足夠影響力，那么機器學習應用將可再次出現(xiàn)爆炸性的進展。