现有的视觉AI系统就像一个视力不佳的人，虽然能看到整张图片的大致内容，但当你要求它仔细观察某个特定区域时，它就开始犯糊涂了。这个问题在视频分析中更加明显，因为视频不仅包含空间信息，还有时间维度的变化。