摄像头一直在看。
但没有人在一直看。
这个缺口，是 PigVision 存在的全部理由。
今天，大多数规模化猪场都已安装了摄像头。这件事本身不是问题。问题是：摄像头持续录制产生的视频数据，几乎没有被真正使用。它们被存储，等待某次需要"回放查证"的时候被调出来——而这个时候，往往意味着事情已经发生了。
这不是管理者的疏忽，而是一个结构性的矛盾：视频是连续的，但人的注意力是间歇性的。
传统监控系统解决了一个真实的问题：记录。它让猪场具备了事后追溯的能力，让远程查看成为可能，也让异常事件有了可供核查的影像依据。这些价值是真实的，不应该被低估。
但监控在本质上仍然依赖人。画面在那里，但理解画面需要有人去看；异常在发生，但发现异常需要有人恰好在场。传统监控把"看"这件事外包给了摄像头，但把"理解"留给了人——而人不可能一直在看。
记录发生了什么。
价值在于事后——追溯、核查、远程查看。
理解画面，依赖人。
持续理解正在发生什么。
价值在于实时——行为判断、变化识别、风险提示。
理解画面，由系统完成。
养殖场里有经验的管理者，走进猪舍的瞬间，能感知到猪群的整体状态。这种能力，不是来自看了某一帧画面，而是来自长期的、连续的观察积累——他们在脑子里形成了"正常"的基线，所以能感知到"异常"的偏离。
这是"观察"真正的含义：不是看见一次，而是持续理解变化的过程。
规模化养殖场的现实是：猪舍数量多，管理人员有限，巡检是间歇性的，夜间几乎无人在场。异常往往不是在某次巡检时出现的——它在两次巡检之间出现、发展，有时在下一次巡检到来之前，已经错过了处置窗口。
PigVision 不是一个更智能的监控摄像头，也不是一个视频分析平台。它是一套持续工作的行为观察系统。
它工作的方式，更接近于"一个不需要休息的观察者"——持续在场，持续理解，持续判断。它不替代管理者的决策，但它把管理者从"必须一直在场才能知道发生了什么"这个不可能的要求中解放出来。
从视频到风险提示，中间经过了一系列处理过程：画面中的猪只被识别和持续追踪，每头猪的位置、运动状态和行为模式被持续记录；这些记录被汇聚为行为指标，在时间维度上形成可以比较的序列；当某个指标的变化幅度超出这个猪群的正常范围，系统生成提示，通知管理人员关注。
整个过程在猪场本地完成，不依赖持续的网络连接。视频不需要上传，分析实时进行。
PigVision 关注的不是某个瞬间的画面。
而是变化正在如何发生——在那些没有人在场的时间里，在那些巡检之间的空白里。
这是它能做到的事，也是它被设计来做的事。
理解了 PigVision 是什么之后，下一个问题是：为什么系统关注的是"行为"，而不是画面本身？