在Google TPUAI芯片的引领下，数据中心领域迎来了新的玩家，但这些新贵面临着众多挑战。首先，他们需要解决来自终端的数据不足问题，难以确定多少个数据中心才能实现盈利。此外，设计和制造定制芯片时，还需考虑成本与回报的平衡，以及如何定义产品的灵活性，即是否专为单一任务或支持更多工作负载。
为了应对这些挑战，新玩家必须在成本和时间内设计和制造芯片，同时满足市场需求。这意味着他们需要弄清楚哪些工作负载是最重要的，以及如何提供更高效能和性能，同时保持市场竞争力。不过，即便弄清楚了这一点，也无法保证设计方案不会迅速变老，因为算法不断演进。
一些边缘算法已经趋于稳定，这给予了自定义芯片带来优势，但也存在局限性。例如，大型企业通常会组建自己的芯片部门，为特定的高工作负载打造专用芯片，而小规模公司则可能缺乏资源去做到这一点。
此外，对于推理而非训练来说，一种100%用于推理解决方案可能使用低精度浮点位数，这对于处理多种应用来说显得不够灵活。而对于大企业而言，他们正在投资适用于推理的解决方案，以优化自身在AI领域的定制化高级模型和解决方案。
尽管如此，对于Google而言，其TPU已经形成了一种良性循环，它通过不断学习得到改进。在其他公司中，由于没有类似的反馈循环，他们必须依靠早期关注架构选择，并且基于数据驱动做出决定，以确保能够快速响应变化。如果硬件和算法发展速度快，那么从硬件中赚钱所需时间也会缩短，从而影响整个市场。
最后，不同的人工智能处理器（AI 处理器）有不同的使用寿命，一般情况下为三到四年，有些激进的数据中心可能会更频繁地更新，而有些则会持续使用更长时间。在这个快速变化的大环境下，要搅动人工智能处理器市场并不容易。
