当前的数字化视频处理系统虽发展迅速，但在面对复杂的空间移动和物理规律时，依然表现出明显的“理解缺失”。它们或许能描述画面内容，却难以回答诸如“红车是否在蓝车转弯前通过路口”或“皮球运行轨迹最高点在哪”…