在绝大多数情况下，关于纯视觉 VS 多传感器融合路线，我已经不再专门搬运/分析，因为过去几年相关的微博发了太多。但今天这条是个例外，照例先放原文再发我自己的理解：

「训练 AI 的核心天花板之一是「长数据上下文」。对于大语言模型，你可以将这个窗口扩展到近乎无限，且依然能获得高质量的轨迹采样；但在真实世界（自动驾驶）中，情况并非如此。

核心问题在于可压缩性。由于压缩率的限制，数据上下文越长，占用的存储空间就越大。而且，数据越是有趣（有价值），就越难压缩。比如，在平淡无奇的高速上行驶是高度可压缩的，但一些罕见的极端场景就非常难压缩。

所以，即便你的硬件拥有极强的感知性能，经过压缩之后的动态范围才是你真正拥有的感知能力。

这个限制同样适用于生成模型，因为模型本身就是一种压缩形式。即便你强行以双精度运行，也改变不了它们是在对「量化后的观测值」进行超分辨率处理这个事实。

所以，你集成的感知模态越多——特别是那些量子分布本质上不同的模态（任何形式的感知本质上都是量子过程，把不确定性量化为确定的数值）——在给定压缩和量化预算的限制下，它们保留的信息就越少。

人类的眼睛之所以设计成现在这样是有原因的：不是说我们无法在细胞中加入紫外线或近红外感知能力（这是可以实现的），而是为了在神经路径中实现最高的压缩率的同时，还能为「长上下文推理」提供最佳的信噪比。

相比之下，昆虫有着极高的感测灵敏度，但他们的上下文窗口非常小——它们无法进行推理。

智能，似乎就是语义压缩与关联。」

———

一句话总结：强大的 AI 不在于它能接收多少原始数据，而在于它能把多长、多乱的数据，取其精华地压缩成有意义的逻辑。

否则，再多传感器都是「差生文具多」。