電工隨著5G的落地、IoT設備數量的爆發、邊緣計算概念的提出，使得工業生產的各個要素，得以深度整合。這將促進制造效率提高、產品質量改善、產品成本和資源消耗的降低，并將傳統工業提升到智能工業的新階段。
從當前技術發展和應用前景來看，物聯網在工業領域的供應鏈管理、生產過程工藝優化、產品設備監控管理、環保監測及能源管理、工業安全生產管理等方面，都發揮了巨大作用，其幫助人類實現了工控系統、通信系統和信息化系統的智能化融合。
通過物聯網+方案，制造企業將實現設備自動化、搬送自動化和排產自動化，進而實現柔性制造。同時，工廠上下游制造產線能實時調整和協同。這將大幅提升工廠的生產效率、及企業的盈利能力。對產值數十萬億、乃至數百萬億的工業產業而言，提高5%-10%的效率，就會產生數萬億人民幣的價值。所以，物聯網+工業，必將在2020年迎來爆發。AI+物聯網，使機器間大規模協作成為可能傳統單體智能，無法滿足協調大規模智能設備共同完成實時感知和決策等工作。但隨著物聯網協同感知技術、5G高速通信技術的發展，多智能體之間的協同合作，將會成為可能。多智能體協同，將使物聯網進一步智能化，并進一步強化智能系統的價值。比如，大規模智能交通燈調度，將實現動態實時調整;倉儲機器人協作，將完成貨物分揀的高效協作;無人駕駛車可以感知全局路況;群體無人機協同，將高效打通最后一公里配送，超大規模的智能終端合作成為可能。
目前，深度學習需要采用規模非常龐大的網絡、存儲很多參數以及完成大量計算。同時，在這些計算過程中，會生成大量數據。
為完成這些計算，芯片設計中，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。由于深度學習并不屬于通用計算的范疇，馮·諾伊曼(John von Neuman)架構的存儲和計算分離，已經不適合數據驅動的人工智能應用需求。頻繁的數據搬運，導致的算力瓶頸以及功耗瓶頸，已經成為更先進算法探索的限制因素。類似于腦神經結構的存內計算架構，將數據存儲單元和計算單元融合為一體，這樣能顯著減少數據搬運，提高計算并行度和能效。而計算存儲一體化，在硬件架構方面的革新，也將突破AI算力瓶頸。
