與此同時，該行業用於提升性能的備用策略——穩步減少每個矽片上微型電晶體的數量——其效益也在遭遇瓶頸。

幾十年來，晶片製造商都遵從著摩爾定律，該定律以英特爾聯合創始人戈登·摩爾的名字命名，認為每過兩年左右晶片上可容納的電晶體數量便會增加一倍。

但最近人們發現，相對電晶體增多導致的晶片設計成本的上漲，計算速度和功耗方面的改善不再像以前一樣顯著。

半導體行業協會（ SIA ）及其分支研究機構已招募22家企業開啟全面的技術研究，或會促使計算技術的提升。

他們可能會採取的措施包括，在節省空間的層架中堆疊電路，或用蛋白質等生物材料製作晶片等。

深度學習方面的研發尤為密集。

該技術中的訓練系統需要處理海量數據，而研究人員不必通過詳盡的指令對其編程。

後一方法不僅耗時很長，且計算結果的可信度常常相對較差。

採用深度學習技術的網際網路企業則尤為關注如何更快地創造出能更快計算出結果的硬體。

深度學習系統常常結合使用英特爾處理器和英偉達晶片或 AMD 晶片（後者最初的設計目標是渲染視頻遊戲的圖像）。

這些晶片上有成千上萬的簡單處理器同時執行計算，而一款高端英特爾晶片上只有幾十個複雜的計算內核。

一些企業甚至表示，更加專業化的硬體也位於需求之列。

Alphabet 旗下的谷歌最近採取了一項不同尋常的舉措——為某些深度學習任務從頭開始設計晶片。

IBM則致力於利用 TrueNorth來進行深度學習研究，TrueNorth 是2014年發布的晶片，由一百萬個模仿人類大腦神經元的結構組成。

Modha 先生說，這表明深度學習應用正以驚人的速度增長，2019年之前將會形成「大規模經營」。

風險投資家們也注意到了這一點。

晶片產業中的技術挑戰和激烈角逐使得大多數的風險投資家都把資金投到了別處。

但是一些企業家和投資者則看到了為網絡系統等市場研發晶片的新機遇，這裡的客戶或許更願意將資源多樣化，而非只依賴於一兩個主要供應商。

Cerebras Systems 是一家有25位員工的創業公司，預備設計針對深度學習的處理器。

創始人 Andrew Feldman 表示，他們驚喜地發現籌措風投基金非常容易。

「我們8天之內就籌到了資金」，他說，但他謝絕說明具體數額。

其他為深度學習設計晶片的創業公司有 KnuEdge， Graphcore， Cornami 以及 Wave Computing。

Wave Computing 表示，該公司正在研發的由專用處理器驅動的系統能夠在6.75秒內完成一次典型的文本分析，而結合使用英特爾 Xeon 和英偉達處理器的系統執行這一任務則需要69分鐘。

英特爾，這一為伺服器系統提供約99%的中央處理單元（即 CPU）的巨頭，成為多個研發新型晶片的企業的眾矢之的。

一些網絡巨頭們已經開始測試 IBM Power 晶片技術或移動手機中 ARM 的晶片設計，而採用 AMD 的兼容晶片仍不失為另一種選擇。

其他晶片購買商則為了某些特定目標，正採用專用晶片增強英特爾的處理器性能。

比如，微軟最近表示正用現場可編程門陣列晶片即 FPGA 配置 Azure 雲服務中的所有伺服器。

這類晶片出廠後仍可繼續配置。

微軟表示，這一技術通過加速伺服器之間的通信，使得微軟的 Bing 搜索等具有繁重計算任務的服務也得以提速。

「我要做的，比目前英特爾和 AMD 在 CPU 方面做的事情還要多，」微軟研發團隊中負責晶片創新的領頭人、卓越的工程師 Doug Burger 說，「故而我們的新型處理器架構才發生了寒武紀生命大爆發一樣的巨變。

」

英特爾正不斷發起攻勢。

2015年年底，英特爾用167億美元買入阿爾特拉（ Altera ），並允許後者可售給微軟等企業 FPGA 晶片。

去年，英特爾又收購了 Nervana Systems，還計劃在自己的處理器上添加其深度學習技術。

英特爾數據中心團隊的副總裁和總經理 Jason Waxman 說，Intel 的這些舉措為客戶免去了編程的麻煩，客戶不再需要使用那些可能會隨時間增長而需要更新換代的專業晶片。

「看到如此多的創新和創意，我非常激動，」他說，「但是我傾向於認為，大多數新的方向都不會持續長久，我們的產品線不會碎片化。

」