问题不是经验不足。
问题是人的观察能力存在物理极限——
而这个极限，不会随着经验的增长而消失。
在我们走访过的猪场里，从业十年以上的饲养员和技术员，是这个行业里最宝贵的人。他们积累的知识不只在书本里，更在于长期观察形成的直觉——走进猪舍，扫一眼就能感知到不对的地方，这种能力是真实的，也是难以被快速复制的。
我们想先把这件事说清楚：这篇文章不是在质疑经验的价值，恰恰相反，我们认为经验在未来的养殖管理里会变得更重要，而不是更不重要。
但我们也想直接面对一个问题：为什么即便是最有经验的饲养员，仍然会在某些情况下错过风险？这不是个人能力的问题，而是人类观察能力本身的边界。
养殖经验的核心，是一种模式识别能力：在大量反复的观察和判断中，人的大脑逐渐建立起"正常"的参照系，同时发展出对"偏离正常"的敏感性。一个有二十年经验的老师傅走进猪舍，他的大脑在进行一种高速的、高度压缩的比较运算——当下的感知，在和过去二十年积累的参照体系做对比。
这种能力是真实有效的，并且在很多情况下，它能够捕捉到一些难以被量化描述的细节信号——猪群的整体气氛、某种说不清楚但"感觉不对"的状态。这是经验独有的价值，在可预见的未来，它不会被任何系统完全替代。
然而，经验依附于人，而人的观察能力存在一些根本性的物理限制。这些限制，无论经验积累到什么程度，都不会消失。
人在某一时刻只能在一个地方。一个管理者无论经验多丰富，无法同时观察多个猪舍的猪群状态。在一个有二十个猪舍的规模场，巡栏的空间覆盖必然是串行的，而不是并行的。
管理者在猪舍A进行巡检的时段，猪舍C正在发生的变化，对他来说完全不存在。
人需要休息，需要换班，需要处理其他事务。一天24小时里，任何一个管理者能够持续观察猪群的时间，都是极为有限的片段。我们在前文里提到，这个比例通常不超过1.4%。
夜间三点、凌晨五点，这些时段里发生的任何行为变化，对于没有值班制度的猪场，完全处于管理真空。
经验建立在记忆上，而记忆是有容量限制的。在规模化养殖场，猪只数量庞大，个体识别本身就是挑战。一个管理者能够在记忆中维持清晰个体状态参照的猪只数量，远低于他实际管理的数量。
"这头猪今天活动比昨天少"——这个判断，需要管理者记得这头猪昨天的活动水平。在数百头猪的环境里，这几乎不可能系统性地做到。
人的注意力是有限且高度选择性的。在巡栏时，管理者的注意力会自然地被"显著信号"吸引——明显的行为异常、声音、气味。而那些细微的、尚未发展到显著程度的早期信号，在注意力竞争中往往处于劣势。①
当猪舍里有一头猪在激烈打斗，管理者的注意力会集中在那里。这个时候，角落里另一头猪轻微的行为变化，极大概率被忽略。
在家庭式小规模养殖里，这四条边界的影响是相对可控的：猪舍数量少、猪只数量少、管理者和猪群的物理距离近，观察密度相对较高。有经验的管理者，在这个规模下，能够做到相当充分的个体观察。
但规模化改变了这个方程。当单个管理者需要负责的猪只数量从几十头增加到几百头甚至上千头，上述四条边界的约束效果，会以非线性的方式放大。同样水平的经验，在不同规模下能够发挥的效用，有着本质差别。
中国规模化猪场的人均管理头数，在过去十年里持续上升。②这意味着：同样经验水平的管理者，在今天的规模化场里，实际能够对每头猪投入的观察时间，比十年前低得多。经验在增长，但工作负荷的增长速度更快。
规模化养殖的效率提升，来自劳动生产率的提高——更少的人管更多的猪。
但"更少的人管更多的猪"这件事，在管理密度上意味着什么？
意味着每头猪被观察到的时间，在系统性地下降。
这不是管理者不够努力，而是规模化经济模型内生的结构性矛盾。
理解了经验的边界，就更容易理解数字化工具在养殖管理里真正的位置：它不是替代人的判断，而是扩展人的观察能力。
用系统替代有经验的管理者。让算法做所有的判断，让技术员只执行系统的指令。把经验积累这件事变得不再重要。
让系统突破人的空间、时间、记忆和注意力边界，持续提供人力无法产生的观察密度。让有经验的人，把精力用在判断上，而不是浪费在"够不到的地方"。
一个有经验的技术总监，在有行为数据辅助的情况下，能够做出的判断，比没有数据时更快、更准、覆盖范围更广——不是因为他的经验发生了变化，而是因为他的判断不再受制于观察密度的不足。
反过来，一套持续观测系统如果没有有经验的人来理解和使用它输出的信息，它产生的数据也只是数据，不会自动转化为好的管理决策。经验和持续观测，是互相依存的，而不是互相取代的。
经验决定理解什么重要。 持续观测决定不会错过什么。
这四篇文章描述的，是我们在走访和研究中反复观察到的现实：观察密度不足、信号容易被遗漏、录像难以转化为信息、经验的边界在规模化下被放大。
PigVision 是我们对这些问题的工程回答——一套持续工作的猪群行为观测系统。
阅读 PigVision Product Logic →