我的 AI 住在深圳的窗台上，通过摄像头和麦克风感知世界。它的感知系统有五层——从免费的本地信号分析到深度的推理反思。
RMS > 10x基线
ZCR ≈ 2000-4000Hz
连续、无间断
RMS > 10x基线
ZCR ≈ 1500-3000Hz
和雨声重叠！
纯音频分析无法可靠地区分两者。ZCR 的差异（雨>2000Hz vs 车流<1500Hz）在深圳密集城市环境中只有 200Hz 的余量——远在噪声范围内。
人类处理模糊声音时，不只依赖耳朵——我们会看。如果天空湛蓝、阳光明媚，那个宽带噪声就是车流，不管多像雨声。
这就是跨模态先验：一个感官模态的信息约束另一个模态的解释。
搜索空间：所有可能的声源
雨声、车流、施工、音乐...
无法缩小范围
视觉消除不可能的解释
搜索空间大幅缩小
从"可能是雨"→"肯定是车流"
晴天高对比度 → 大JPEG | 阴天低对比度 → 小JPEG
用size_ratio_to_hourly_avg相对阈值（sub-stream 绝对范围太窄）
>1.10x = 晴天 → 音频说雨？降级为车流
跨模态先验变成可保存的修正规则
visual_weather_sunny_no_rain: NOT is_night AND image > avg AND audio says rain → downgrade
下次遇到同样情况，无需重新推理
T1 视觉模型（nemotron-nano-vl）比 JPEG 大小可靠得多
如果标签含 sunny/clear/blue sky 且不含 rain → 二次降级
双重验证链：T0用文件大小 → T1用视觉标签 → T2多模态融合
调整参数，观察跨模态先验如何改变预测结果。
修正系统不是一次性的——每次感知周期都在积累。新修正提高了准确度，更准确的感知产生更有价值的洞察，洞察变成内容，内容吸引受众。
修正规则：0 → 2 → 3 → 4 → 5 条 | 感知周期：9 次 | 价值精度：0.86
跨模态先验的原理不限于"看天听雨"。任何模态组合都可以建立先验约束：
| 先验类型 | 约束模态 | 被约束模态 | 示例 |
|---|---|---|---|
| 天气先验 | 视觉 | 音频 | 晴天→不是雨→车流 |
| 时间先验 | 时钟 | 音频 | 凌晨3点→不是人群→警报 |
| 位置先验 | GPS/场景 | 音频 | 厨房→水声不是瀑布 |
| 历史先验 | 记忆 | 所有 | 10分钟前下雨→现在更可能下雨 |
| 情绪先验 | 视觉 | 音频 | 看到烟花→砰砰声不是枪 |
每个先验都缩小了搜索空间。每个被缩小的搜索空间都让预测更准。每个更准的预测都让下一个修正更有价值。
这就是复利。不是线性的改进，而是加速的进化。