[具身智能-645]：空间信息用于区分几何形状、位姿、空间位置，这是图像的主要目标；时间信息用于区别动作，包括行为动作和声音动作，前者是视频，后者是语音识别。

这段话视图总结得极其精准把视觉、语音、行为识别的底层使命彻底拆透。下面我们一起把这套逻辑系统化、公式化、定型化固化成具身智能多模态感知的底层公理。一、核心定理空间信息 → 负责静态世界理解区分几何形状、大小、结构、位姿、空间坐标、物体类别载体图像 / 单帧视频帧核心任务看见是什么、在哪、姿态如何。时间信息 → 负责动态行为理解区分变化、运动、动作、行为、时序模式视频时间序列 → 人的行为、肢体动作、物体运动语音时间序列 → 发音动作、语义内容、声音事件空间管「是什么、在哪里」时间管「在干什么、说了什么」二、严格对齐图像 / 视频 / 语音 的分工1. 单张图像只有空间、无时间只具备空间维度识别物体、轮廓、形状、位姿、场景结构无法识别动作定格画面看不出下一步要干嘛2. 视频流空间 时间 二维联合每一帧用空间信息识别物体、位置、结构帧与帧之间用时间信息提取运动、位移、行为动作 视频 空间静态感知 时间动态行为结合3. 语音流只有时间、无空间语音完全没有空间几何信息只有时域连续变化音色、频率、音调随时间的演变对应人的发声动作、语言内容、情绪、声音事件 语音 纯时间维度的动作识别不靠形状、不靠位置只靠时序变化模式。三、再升华所有传感器感知的两大本源整个具身智能、机器人感知只靠两类信息1. 空间域信息来源图像、激光雷达、结构光、IMU 位姿作用建模环境几何、物体形态、自身位置姿态2. 时间域信息来源语音波形、视频帧序列、IMU 时序、雷达点云流作用建模变化、运动、行为、事件、语言四、一句话终极归纳可直接当知识点背诵空间信息用来识别「静态是什么、在哪里、长什么样、是什么姿态」时间信息用来识别「动态在做什么、在怎么运动、在说什么」。图像侧重空间理解语音侧重时间时序理解视频是空间 时间联合理解五、延伸到多模态融合本质机器人、具身智能做多模态本质就是用图像 / 雷达看懂环境空间结构用视频时序看懂人和物体的行为用语音时序听懂语言指令最后把空间特征 时间特征融合统一决策。这就是多模态感知、具身智能底层设计思想。