摩爾定律最初指出了一種趨勢，即集成電路上的晶體管數量每1.5年增加一倍。曾協助推出 GeForce Experience的前NVIDIA工程師James Wang說，人工智能（AI）的發展速度比摩爾定律快5到100倍。
2010年到2020年，花費在AI培訓模型上的計算機處理能力非常強勁的在增長。在下圖中，縱軸是處理能力，" Petaflop /天"表示每天每秒執行4萬億次操作。
自 1958年推出Perceptron以來，處理能力每兩年翻一番，直到2010年左右。
但是，從2010年到2020年，處理能力正以每年約10倍的速度增長，如下圖所示，比摩爾定律快5倍以上
諸如 Google的Alpha Go Zero和Tesla的Autopilot之類的大公司正在投入大量的AI開發工作，以期獲得長期的投資回報，自行進行深度學習以及與大學合作進行研究開發正在進行中。
另一個重要的一點是，人工智能深度學習的培訓成本每年下降了10倍。例如，在2017年左右，在公共雲上訓練像ResNet-50這樣的圖像識別網絡大約花費了1,000美元（約合108,00元），但在2019年所需的成本約為10美元。到（約108元）。在下圖中，垂直軸是成本，水平軸是年和月，每個點是Legacy GPU（黑色），表示舊版NVIDIA GPU ，NVIDIA的Volta GPU
（藍色），Google的Cloud TPU（紅色）。
如果維持從2017年到2019年的成本下降趨勢，到2020年，成本可能會降至1美元。
在下圖中，垂直軸代表成本，水平軸代表年和月。分類約10億張圖像的成本在2017年約為10,000美元，但在2020年僅為約0.03美元已經下降到。
將與深度學習相關的成本變化率與摩爾定律進行比較，Wang認為其變化是摩爾定律的10到100倍。硬件和軟件的突破使得大幅降低成本成為可能，IC芯片和系統設計技術在2017年至2020年之間發生了巨大的發展，並且專用於深度學習的硬件也已經出現。在做。
下圖顯示了由斯坦福大學基準測試得出的NVIDIA Tesla硬件和軟件的性能評估，其中縱軸為性能改進率，橫軸為NVIDIA Tesla版本名稱。查看下圖左側的圖表，您可以發現Tesla V100的性能比Tesla K80提升了約16倍。
此外，V100 Tesla TensorFlow和PyTorch中的深度學習框架通過結合新的培訓方法，據報道，在正確的視角下，軟件性能已提高了約8倍。
同時，硬件成本並沒有下降，而且多年來一直很高。例如，用於數據中心的NVIDIA GPU的價格是過去三代的三倍。自2017年Amazon Web Services推出NVIDIA的Tesla V100以來，該服務的價格一直保持不變。
如果人工智能技術繼續發展，那麼與人工智能相關的公司在全球股票市場中的市值將大大增加。下圖顯示了與信息技術（黑色），互聯網（藍色），人工智能和深度學習（綠色）相關的公司的市值。縱軸表示全球股票市場的份額，橫軸表示年份。截至2019年，人工智能在世界股票市場的市值約為1萬億美元，但到2037年它將擴展到30萬億美元。 Wang推測其市值將比互聯網公司更高。
鑑於AI的計算能力不斷增強，深度學習的成本不斷下降以及股票市場的市值，Wang表示：``人工智能仍在發展中，並且可能會持續數十年增長。''
