“谁更吃算力”这个问题，答案并非单一维度。如果只看传感器数据处理阶段，激光雷达的“算力税”更直接；但如果把视野拉到模型训练和算法复杂度上，纯视觉对算力的渴求则是指数级的。
两者的“吃法”完全不同：激光雷达吃的是结构化数据的实时预处理算力，纯视觉吃的是从二维重建三维的推断算力与训练算力。
激光雷达融合：显性的“预处理算力税”
激光雷达融合方案的算力消耗，主要来自点云数据处理和多传感器对齐，这部分开销是刚性的、可量化的。
激光雷达每秒产生百万级的三维点云数据（典型约12万点/帧，20帧/秒）。这些点云无序、稀疏、伴随噪点，不能直接喂给神经网络，必须先经过去畸变、时间同步、体素化等预处理步骤。以一颗激光雷达为例，仅预处理就可能占用可观的CPU算力；如果堆叠多颗雷达，数据量线性增长，200 TOPS级别的芯片光处理三颗雷达的去畸变和同步，CPU占用率就可能高达60%-70%。
点云检测网络本身的算力消耗其实不算高。运行经典的PointPillars点云检测网络，大概只需要10-15 TOPS；更先进的TransFusion架构，算力消耗通常在30-50 TOPS之间。问题在于，融合方案不止跑点云检测，还要跑视觉分支，并在BEV空间做跨模态特征对齐（如BEVFusion中的LSS池化、交叉注意力）。学术研究指出，多模态BEV融合的瓶颈往往不在算力峰值，而在内存带宽饱和——体素化、投影变换等操作会
