摩尔定律最初指出了一种趋势，即集成电路上的晶体管数量每1.5年增加一倍。曾协助推出 GeForce Experience的前NVIDIA工程师James Wang说，人工智能（AI）的发展速度比摩尔定律快5到100倍。
2010年到2020年，花费在AI培训模型上的计算机处理能力非常强劲的在增长。在下图中，纵轴是处理能力，“ Petaflop /天”表示每天每秒执行4万亿次操作。
自 1958年推出Perceptron以来，处理能力每两年翻一番，直到2010年左右。
但是，从2010年到2020年，处理能力正以每年约10倍的速度增长，如下图所示，比摩尔定律快5倍以上
诸如 Google的Alpha Go Zero和Tesla的Autopilot之类的大公司正在投入大量的AI开发工作，以期获得长期的投资回报，自行进行深度学习以及与大学合作进行研究开发正在进行中。
另一个重要的一点是，人工智能深度学习的培训成本每年下降了10倍。例如，在2017年左右，在公共云上训练像ResNet-50这样的图像识别网络大约花费了1,000美元（约合108,00元），但在2019年所需的成本约为10美元。到（约108元）。在下图中，垂直轴是成本，水平轴是年和月，每个点是Legacy GPU（黑色），表示旧版NVIDIA GPU ，NVIDIA的Volta GPU
（蓝色），Google的Cloud TPU（红色）。
如果维持从2017年到2019年的成本下降趋势，到2020年，成本可能会降至1美元。
在下图中，垂直轴代表成本，水平轴代表年和月。分类约10亿张图像的成本在2017年约为10,000美元，但在2020年仅为约0.03美元已经下降到。
将与深度学习相关的成本变化率与摩尔定律进行比较，Wang认为其变化是摩尔定律的10到100倍。硬件和软件的突破使得大幅降低成本成为可能，IC芯片和系统设计技术在2017年至2020年之间发生了巨大的发展，并且专用于深度学习的硬件也已经出现。在做。
下图显示了由斯坦福大学基准测试得出的NVIDIA Tesla硬件和软件的性能评估，其中纵轴为性能改进率，横轴为NVIDIA Tesla版本名称。查看下图左侧的图表，您可以发现Tesla V100的性能比Tesla K80提升了约16倍。
此外，V100 Tesla TensorFlow和PyTorch中的深度学习框架通过结合新的培训方法，据报道，在正确的视角下，软件性能已提高了约8倍。
同时，硬件成本并没有下降，而且多年来一直很高。例如，用于数据中心的NVIDIA GPU的价格是过去三代的三倍。自2017年Amazon Web Services推出NVIDIA的Tesla V100以来，该服务的价格一直保持不变。
如果人工智能技术继续发展，那么与人工智能相关的公司在全球股票市场中的市值将大大增加。下图显示了与信息技术（黑色），互联网（蓝色），人工智能和深度学习（绿色）相关的公司的市值。纵轴表示全球股票市场的份额，横轴表示年份。截至2019年，人工智能在世界股票市场的市值约为1万亿美元，但到2037年它将扩展到30万亿美元。Wang推测其市值将比互联网公司更高。
鉴于AI的计算能力不断增强，深度学习的成本不断下降以及股票市场的市值，Wang表示：``人工智能仍在发展中，并且可能会持续数十年增长。''
