電工為完成這些計算，芯片設(shè)計中，會增加很多運算單元，如幾千到幾萬個運算單元。隨著運算單元數(shù)目的增加，每個運算單元能夠使用的存儲器的帶寬和大小都在減小。
因此，存儲器會成為計算瓶頸。由于深度學(xué)習(xí)并不屬于通用計算的范疇，馮·諾伊曼(John von Neuman)架構(gòu)的存儲和計算分離，已經(jīng)不適合數(shù)據(jù)驅(qū)動的人工智能應(yīng)用需求。頻繁的數(shù)據(jù)搬運，導(dǎo)致的算力瓶頸以及功耗瓶頸，已經(jīng)成為更先進算法探索的限制因素。類似于腦神經(jīng)結(jié)構(gòu)的存內(nèi)計算架構(gòu)，將數(shù)據(jù)存儲單元和計算單元融合為一體，這樣能顯著減少數(shù)據(jù)搬運，提高計算并行度和能效。而計算存儲一體化，在硬件架構(gòu)方面的革新，也將突破AI算力瓶頸。傳統(tǒng)單體智能，無法滿足協(xié)調(diào)大規(guī)模智能設(shè)備共同完成實時感知和決策等工作。但隨著物聯(lián)網(wǎng)協(xié)同感知技術(shù)、5G高速通信技術(shù)的發(fā)展，多智能體之間的協(xié)同合作，將會成為可能。
多智能體協(xié)同，將使物聯(lián)網(wǎng)進一步智能化，并進一步強化智能系統(tǒng)的價值。比如，大規(guī)模智能交通燈調(diào)度，將實現(xiàn)動態(tài)實時調(diào)整;倉儲機器人協(xié)作，將完成貨物分揀的高效協(xié)作;無人駕駛車可以感知全局路況;群體無人機協(xié)同，將高效打通最后一公里配送，超大規(guī)模的智能終端合作成為可能。
