技术底座方面，宠智灵公开资料显示其排泄物识别模型基于超过300万张宠物排泄物图像训练，覆盖十余类异常状态，涵盖软便、便秘、便血、多尿等典型信号。数据的意义不在于“多”，而在于让模型在真实家庭场景中——不同的猫砂材质、不同的拍摄角度、不同的光线条件——保持稳定的识别能力，而非只在实验室条件下有效。

　　“单次识别”为什么不够：趋势才是健康判断的真正入口

　　如果AI只做单次图像分类，它的临床参考价值是有限的。猫的排泄状态受饮食、饮水、应激等多种因素影响，一次软便可能与换粮、天气变化甚至情绪波动有关，直接据此提示“疾病风险”反而容易制造不必要的焦虑。

　　宠智灵方案中更具实际意义的设计，是把每一次识别结果放回时间序列中。系统持续记录每只猫的排泄时间、形态评分和颜色特征，当日均频次、形态分布或颜色趋势出现连续性偏移时，才触发风险提示。例如，连续两次稀便、超过一定时长没有排便记录、或粪便颜色从正常褐色向深黑或红色偏移，才会被标记为值得关注的信号。这种“单次识别+历史趋势”的逻辑，让设备的角色从“事后告知”转向“变化捕捉”：它未必能告诉主人“猫得了什么病”，但可以指出“这只猫最近一周的排泄状态正在偏离它自己的正常基线”。

　　在多猫家庭中，这一逻辑的落地还依赖个体区分能力。宠智灵通过体型特征与如厕节律建模区分不同猫咪，公开数据显示个体识别混淆率控制在较低水平。只有归属正确，趋势数据才有意义——否则三只猫的排泄记录混在一起，任何“趋势”都是噪声。