画面是结果。
行为是过程。
当异常在画面上已经清晰可见，往往已经晚了一步。
很多人第一次听说 PigVision，会以为它是一套"看猪的 AI"——用摄像头拍猪，用算法识别画面里有没有异常。这个理解没有完全错，但它抓住的是手段，而不是核心。
PigVision 真正关注的不是某一帧画面里发生了什么，而是行为在时间上如何变化。这个区别，决定了系统能做什么，以及它在什么情况下才真正有价值。
一张猪舍的截图，能看到的信息是静态的：猪在哪里，有多少头，大致的分布状态。这些信息有用，但它们是某一时刻的快照——不包含时间，也不包含变化。
当一张画面里出现明显的异常，比如一头猪倒地不起，或者几头猪在激烈打斗——这些信息确实能从画面上读取。但此时，异常已经发展到了一个相对明显的程度。更早的信号，不在画面的某一帧里，而在行为随时间演变的过程里。
猪只倒地、打斗激烈、扎堆异常——异常已经发展到肉眼可见的程度。这时候，处置往往是被动的。
活动量在过去数小时内持续低于这群猪的正常基线；饮水行为的频次发生了明显偏移；夜间的移动模式出现了不寻常的集中。这些变化，出现在症状明显之前。
在 PigVision 的语境里，"行为"指的是猪只在一段时间内可观察和可量化的活动模式。系统从个体和群体两个层面持续采集这些信息，形成时间序列。
这些维度单独看，每一项都不是什么决定性的信号。但当多个维度在同一时间窗口内出现协同变化，当变化的持续性超出这群猪历史表现建立的正常范围，组合本身就是一种有意义的信号。
行为数据的价值，在于它是可以持续积累、可以比较、可以统计的。
理解这群猪的正常——每个猪舍的猪群都有自己的行为节律。系统的判断依据是这群猪自身积累的历史表现，而不是通用的固定参数。
看见趋势，而不只是快照——持续的变化方向，比某一时刻的单点状态更接近真实的风险信号。只有时间序列才能揭示趋势。
更早介入——行为的变化通常早于可见症状出现。这个时间差，就是处置窗口的来源。
过滤偶发干扰——摄像头画面中存在大量偶发性波动。持续积累的行为记录，让真正有意义的变化从背景噪声中分离出来。
有经验的管理者当然能够通过观察行为来判断猪群状态——这正是"老师傅的眼睛"的核心能力。PigVision 并不是要替代这种判断，而是在两次巡检之间、在无人值守的夜间、在管理者无法同时覆盖所有猪舍的时候，持续做这件事。
人看的是画面，系统看的是行为。
这不是技术上的选择，而是对"什么信息真正重要"的判断。
画面是载体。行为才是真正的信息。
关注行为，而不是画面——这个判断的前提是：系统必须能够持续工作。单次观察到的行为没有价值，只有在时间轴上的积累才能形成判断。下一篇讲的正是这件事：什么是持续观测，以及它和传统管理方式的根本区别。