人工智能產業發展史：“三起兩落”，從運算智能，逐步走向感知智能、認知智能。人工智能技術可以顯著提升人類效率，在圖像識別、語音識別等領域快速完成識別和復雜運算。此外，面對開放性問題，人工智能技術亦可通過窮舉計算，找到人類預料之外的規律和關聯。自 1956 年“人工智能”概念&理論首次被提出，AI 產業&技術發展主要經歷如下發展階段。
20 世紀 50 年代~20 世紀 70 年代：受制于算力性能、數據量等，更多停留在理論層面。1956 年達特茅斯會議推動了全球第一次人工智能浪潮的出現，當時樂觀的氣氛彌漫著整個學界，在算法方面出現了很多世界級的發明，其中包括一種叫做增強學習的雛形，增強學習就是谷歌AlphaGo 算法核心思想內容。而 70 年代初，AI 遭遇了瓶頸：人們發現邏輯證明器、感知器、增強學習等只能做很簡單、用途狹隘的任務，稍微超出范圍就無法應對。當時的計算機有限的內存和處理速度不足以解決任何實際的 AI 問題。這些計算復雜度以指數程度增加，成為了不可能完成的計算任務。
芯片是 AI 產業的制高點。本輪人工智能產業繁榮，緣于大幅提升的 AI 算力，使得深度學習和多層神經網絡算法成為可能。人工智能在各個行業迅速滲透，數據隨之海量增長，這導致算法模型極其復雜，處理對象異構，計算性能要求高。因此人工智能深度學習需要異常強大的并行處理能力，與 CPU 相比，AI 芯片擁有更多邏輯運算單元（ALU）用于數據處理，適合對密集型數據進行并行處理，主要類型包括圖形處理器（GPU）、現場可編程門陣列（FPGA）、專用集成電路（ASIC）等。從使用場景來看，相關硬件包括：云側推理芯片、云側測試芯片、終端處理芯片、IP 核心等。在云端的“訓練”或“學習”環節，英偉達 GPU 具備較強競爭優勢，谷歌 TPU 亦在積極拓展市場和應用。在終端的“推理”應用領域 FPGA 和 ASIC 可能具備優勢。美國在 GPU 和 FPGA 領域具有較強優勢，擁有英偉達、賽靈思、AMD 等優勢企業，谷歌、亞馬遜亦在積極開發 AI 芯片。
