电工为完成这些计算，芯片设计中，会增加很多运算单元，如几千到几万个运算单元。随着运算单元数目的增加，每个运算单元能够使用的存储器的带宽和大小都在减小。
因此，存储器会成为计算瓶颈。由于深度学习并不属于通用计算的范畴，冯·诺伊曼(John von Neuman)架构的存储和计算分离，已经不适合数据驱动的人工智能应用需求。频繁的数据搬运，导致的算力瓶颈以及功耗瓶颈，已经成为更先进算法探索的限制因素。类似于脑神经结构的存内计算架构，将数据存储单元和计算单元融合为一体，这样能显著减少数据搬运，提高计算并行度和能效。而计算存储一体化，在硬件架构方面的革新，也将突破AI算力瓶颈。传统单体智能，无法满足协调大规模智能设备共同完成实时感知和决策等工作。但随着物联网协同感知技术、5G高速通信技术的发展，多智能体之间的协同合作，将会成为可能。
多智能体协同，将使物联网进一步智能化，并进一步强化智能系统的价值。比如，大规模智能交通灯调度，将实现动态实时调整;仓储机器人协作，将完成货物分拣的高效协作;无人驾驶车可以感知全局路况;群体无人机协同，将高效打通最后一公里配送，超大规模的智能终端合作成为可能。
