總體來說GPU比FPGA快，而在功率效能方面FPGA比GPU好，所以AI硬體選擇就看產品供應商的需求考量而定。例如，蘋果的Face ID臉部辨識就是3D深度感測晶片加上神經引擎運算功能，整合高達8個元件進行分析，分別是紅外線鏡頭、泛光感應元件、距離感應器、環境光感測器、前端相機、點陣投影器、喇叭與麥克風。蘋果強調用戶的生物識別數據，包含：指紋或臉部辨識都以加密形式儲存在iPhone內部，所以不易被竊取。

趨勢6：AI自主學習是終極目標

AI“大腦”變聰明是分階段進行，從機器學習進化到深度學習，再進化至自主學習。目前，仍處于機器學習及深度學習的階段，若要達到自主學習需要解決四大關鍵問題。

首先，是為自主機器打造一個AI平臺；還要提供一個能夠讓自主機器進行自主學習的虛擬環境，必須符合物理法則，碰撞，壓力，效果都要與現實世界一樣；然后再將AI的“大腦”放到自主機器的框架中；最后建立虛擬世界入口(VR)。

目前，NVIDIA推出自主機器處理器Xavier，就在為自主機器的商用和普及做準備工作。

趨勢7：CPU和GPU(或其他)結合是完美架構

未來，還會推出許多專門的領域所需的超強性能的處理器，但是CPU是通用于各種設備，什么場景都可以適用。所以，最完美的架構是把CPU和GPU(或其他處理器)結合起來。例如，NVIDIA推出CUDA計算架構，將專用功能ASIC與通用編程模型相結合，使開發人員實現多種算法。

趨勢8：AR成為AI的眼睛，兩者互補、不可或缺

未來的AI需要AR，未來的AR也需要AI，可以將AR比喻成AI的眼睛。為了機器人學習而創造的在虛擬世界，本身就是虛擬現實。還有，如果要讓人進入到虛擬環境去對機器人進行訓練，還需要更多其它的技術。

展望未來，隨著AI、物聯網、VR/AR、5G等技術成熟，將帶動新一波半導體產業的30年榮景，包括：記憶體、中央處理器、通訊與感測器四大晶片，各種新產品應用晶片需求不斷增加，以臺灣在半導體的競爭力絕對在全球可扮演關鍵的角色。