处理视频流更消耗算力，因为信息密度比激光雷达高太多了（帧率和分辨率都要高几个量级）。
融合的开销可以忽略不计，现在端到端大模型方案下，无论多少种模态，都是被编码器向量化之后嵌入大模型里的。
简单的讲，十个摄像头的视觉感知，相比同样9个摄像头+一个激光雷达的方案，更吃算力。
特斯拉这套纯视觉的方案现阶段唯一的有点就是低成本，硬件成本降低（几百元的摄像头VS上万的激光雷达）并且软件架构极简，从视觉感知直接到行车指令。
【 在 djkstra 的大作中提到: 】
: 现在的算力连高质量的视觉信息都处理不过来，再加上激光雷达信息还要考虑融合开销，AI负担岂不是更重了
:
--
FROM 98.158.95.*