不得了，這個(gè)新技術(shù)把視頻壓縮到了0.02%！

金磊 發(fā)自 凹非寺
量子位 | 公眾號(hào) QbitAI

感謝AI！

原生1個(gè)G的視頻，現(xiàn)在只需要傳200K數(shù)據(jù)就能看了——

視頻數(shù)據(jù)的壓縮率干到了0.02%，但依舊能保持畫面的高清、連貫和畫面細(xì)節(jié)。

或許你會(huì)問(wèn)，這又有什么用呢？

想象一下，你身處于太平洋的一艘遠(yuǎn)洋貨輪中，衛(wèi)星信號(hào)只有一兩格，刷個(gè)朋友圈，加載內(nèi)容的圈圈都要轉(zhuǎn)好久。

但正是因?yàn)橛辛诉@項(xiàng)AI技術(shù)，現(xiàn)在在如此極端的環(huán)境之下，你甚至可以直接看高清的世界杯直播！

沒(méi)錯(cuò)，視頻傳輸?shù)奈锢矸▌t，算是被重寫了。

而這項(xiàng)新研究，正是來(lái)自中國(guó)電信人工智能研究院（TeleAI）的技術(shù)——生成式視頻壓縮（GVC，Generative Video Compression）

作為國(guó)資央企、全球領(lǐng)先的綜合智能信息服務(wù)運(yùn)營(yíng)商，中國(guó)電信不僅擁有覆蓋海陸空天的通信網(wǎng)絡(luò)基礎(chǔ)設(shè)施，更具備將前沿AI技術(shù)與實(shí)際通信場(chǎng)景深度融合的能力。

這種“云網(wǎng)融合+AI原生”的獨(dú)特優(yōu)勢(shì)，使得GVC技術(shù)從實(shí)驗(yàn)室走向遠(yuǎn)洋船舶、應(yīng)急現(xiàn)場(chǎng)等真實(shí)極端環(huán)境成為可能。

那么這項(xiàng)研究到底是如何做到的，以及又能給我們現(xiàn)實(shí)生活帶來(lái)什么改變，我們繼續(xù)往下看。

用計(jì)算，換寬帶

在介紹這項(xiàng)黑科技之前，我們需得先聊聊現(xiàn)在的視頻是怎么傳輸?shù)摹?/p>

無(wú)論是你要看的Netflix、B站，還是微信視頻通話，背后主要依靠的是HEVC（H.265）或VVC（H.266）這類傳統(tǒng)視頻編碼標(biāo)準(zhǔn)。

這些技術(shù)的底層邏輯，說(shuō)白了是像素的極致搬運(yùn)：編碼器拼命計(jì)算哪些像素是不變的、哪些是移動(dòng)的，然后盡可能多地保留像素信息，再想辦法塞進(jìn)有限的帶寬里。

這種邏輯在寬帶富裕時(shí)很完美，但在極限環(huán)境下（極低帶寬）會(huì)迅速崩盤。

一旦帶寬不夠，傳統(tǒng)編碼器為了湊合傳輸，只能瘋狂丟棄高頻信息。結(jié)果我們都見過(guò)：畫面糊成一團(tuán)，甚至直接卡死。

但 TeleAI 團(tuán)隊(duì)換了個(gè)思路，如果我不傳像素了呢？

GVC的核心邏輯是：不再傳遞畫面本身，而是傳遞“如何畫出這幅畫面”的指令。

打個(gè)比方：

• 傳統(tǒng)壓縮：就像是把《蒙娜麗莎》拍一張照片，盡量壓縮這張照片發(fā)給你。如果網(wǎng)不好，照片就糊得像一堆色塊。
• 生成式視頻壓縮（GVC）：我不發(fā)照片了。我發(fā)給你一段描述——“一位女士，神秘微笑，背景是山水，光影是從左側(cè)來(lái)的……”，以及她嘴角上揚(yáng)的精確弧度數(shù)據(jù)。你的接收端坐著一位AI畫師（生成式模型），聽到描述后，現(xiàn)場(chǎng)給你畫出一幅《蒙娜麗莎》。

剛剛說(shuō)的只是打個(gè)比方，實(shí)際情況要復(fù)雜得多，傳輸?shù)膬?nèi)容也并非只有文字。

這就是技術(shù)報(bào)告中提到的核心理念：用計(jì)算，換寬帶（Trading computation for bandwidth）。

把傳輸?shù)膲毫ΓD(zhuǎn)移到了推理計(jì)算上。

視頻地址：https://mp.weixin.qq.com/s/GG1BFS8mFugifO9xzA33Tg

GVC到底壓了些什么？

既然不傳像素，那這0.02%的數(shù)據(jù)里到底裝了什么？

技術(shù)報(bào)告揭示了GVC系統(tǒng)的內(nèi)部構(gòu)造，它主要由神經(jīng)編碼器（Neural Encoder）生成式視頻解碼器（Generative Video Decoder）兩部分組成。

里面?zhèn)鬏數(shù)氖且环N被稱為壓縮Token的極小數(shù)據(jù)包，這些Token里包含了視頻的靈魂，主要分為兩類：

1. 語(yǔ)義信息（Semantic Information）： 這是一個(gè)什么場(chǎng)景？有人嗎？有車嗎？物體的大致結(jié)構(gòu)是什么？這是畫面的骨架。
2. 運(yùn)動(dòng)信息（Motion Dynamics）： 這些物體下一秒往哪動(dòng)？風(fēng)怎么吹？車輪怎么轉(zhuǎn)？這是畫面的靈魂。

經(jīng)過(guò) TeleAI 團(tuán)隊(duì)的測(cè)試，這些Token的大小可以被壓縮到極致的0.005 bpp - 0.008 bpp（bits per pixel，比特每像素）。

這是什么概念？通常我們看的高清視頻，bpp至少在0.1以上。GVC直接把數(shù)據(jù)量砍掉了兩個(gè)數(shù)量級(jí)。

除此之外，在接收端，還有一個(gè)擴(kuò)散模型（Diffusion Model）嚴(yán)陣以待。

它接收到這些簡(jiǎn)短的Token指令后，利用預(yù)訓(xùn)練好的海量世界知識(shí)（比如它本來(lái)就知道海浪長(zhǎng)什么樣，足球長(zhǎng)什么樣），結(jié)合指令中的特征，開始腦補(bǔ)并生成視頻。

這在通信理論上，實(shí)現(xiàn)了一次巨大的跨越。

香農(nóng)-韋弗（Shannon-Weaver）通信模型將通信分為三個(gè)層級(jí)：

• Level A：技術(shù)問(wèn)題（傳得準(zhǔn)不準(zhǔn)？）
• Level B：語(yǔ)義問(wèn)題（意思對(duì)不對(duì)？）
• Level C：有效性問(wèn)題（能不能完成任務(wù)？）

傳統(tǒng)視頻壓縮在死磕Level A，而GVC直接跳到了Level C

它不在乎每一個(gè)像素點(diǎn)是否和原圖一模一樣（比如這片樹葉的紋理是否100%重合），它在乎的是：在人眼看來(lái)，這是否是一場(chǎng)連貫、清晰、真實(shí)的球賽？在機(jī)器看來(lái)，能否準(zhǔn)確識(shí)別出這是否是越位？

數(shù)據(jù)實(shí)測(cè)：非常省流

極端壓縮聽起來(lái)很玄，但具體指標(biāo)并不含糊。

技術(shù)報(bào)告中展示了在MCL-JCV權(quán)威數(shù)據(jù)集上的測(cè)試結(jié)果，數(shù)據(jù)非常硬核。

畫質(zhì)吊打傳統(tǒng)算法

在極低碼率下（0.005 bpp左右），使用LPIPS（一種更符合人類視覺(jué)感知的畫質(zhì)評(píng)價(jià)指標(biāo)）進(jìn)行對(duì)比：

• 傳統(tǒng)霸主HEVC已經(jīng)徹底崩潰，畫面基本是馬賽克亂舞，LPIPS數(shù)值飆升（越低越好）。
• GVC生成的畫面依然保持了清晰的紋理和結(jié)構(gòu)，LPIPS數(shù)值顯著低于HEVC。

技術(shù)報(bào)告中給出了一個(gè)驚人的對(duì)比結(jié)論：傳統(tǒng)方法（如HEVC）要想達(dá)到和GVC同樣的視覺(jué)畫質(zhì)，需要消耗6倍以上的帶寬！

這意味著，在同樣的渣畫質(zhì)網(wǎng)絡(luò)下，GVC能讓你看清C羅的表情，而HEVC只能讓你看清C羅是個(gè)移動(dòng)的色塊。

不只是給人看，機(jī)器也能用

有人會(huì)問(wèn)：AI生成的視頻，會(huì)不會(huì)失真？比如把球生成沒(méi)了？

這是一個(gè)非常犀利且實(shí)在的問(wèn)題。

為此，團(tuán)隊(duì)在DAVIS2017視頻分割任務(wù)上進(jìn)行了驗(yàn)證；結(jié)果顯示，在bpp=0.01的極限壓縮下，GVC重建視頻的J&F指標(biāo)（衡量分割準(zhǔn)確度）顯著高于HEVC。

這說(shuō)明GVC傳輸?shù)牟粌H僅是“好看”的皮囊，更是“準(zhǔn)確”的語(yǔ)義。即使是AI重繪的，關(guān)鍵物體（人、車、球）的位置和輪廓也是精準(zhǔn)的，完全不影響后續(xù)的AI分析。

消費(fèi)級(jí)顯卡也能跑

計(jì)算換寬帶，那會(huì)不會(huì)把電腦算爆？

確實(shí)，生成式模型通常是算力黑洞。但 TeleAI 通過(guò)模型小型化、知識(shí)蒸餾等手段，搞定了落地的最后一公里。

報(bào)告數(shù)據(jù)顯示，經(jīng)過(guò)優(yōu)化的GVC模型，在消費(fèi)級(jí)GPU（如RTX 4090）上，生成一組29幀的畫面大約只需要0.95秒到1.35秒。

雖然比不上傳統(tǒng)解碼器的毫秒級(jí)速度，但在很多非實(shí)時(shí)或準(zhǔn)實(shí)時(shí)的場(chǎng)景下（比如直播延遲幾秒），這已經(jīng)是完全可用的狀態(tài)了。

當(dāng)然不只是為了看個(gè)世界杯

0.02%，這篇技術(shù)報(bào)告所展現(xiàn)的關(guān)鍵數(shù)據(jù)已然非常驚艷，但它背后更加可期的，還是這項(xiàng)技術(shù)給未來(lái)帶來(lái)的改變。

除了開頭我們提到的世界杯的例子外，在報(bào)告展示的Demo場(chǎng)景中，GVC還展現(xiàn)了其它極端網(wǎng)絡(luò)環(huán)境下的情況：

• 遠(yuǎn)洋海事通信： 船員通過(guò)窄帶衛(wèi)星網(wǎng)絡(luò)（帶寬極其昂貴且稀缺）接收數(shù)據(jù)。用GVC，200K的數(shù)據(jù)流就能還原出連貫的球賽直播。這不僅是娛樂(lè)，對(duì)于海上遠(yuǎn)程醫(yī)療、設(shè)備維修指導(dǎo)來(lái)說(shuō)，是救命的技術(shù)。
• 應(yīng)急救援： 地震或洪水災(zāi)區(qū)，基站損毀，只有微弱的應(yīng)急通信信號(hào)。救援無(wú)人機(jī)傳回的如果是4K畫面，根本發(fā)不出來(lái)；如果是GVC壓縮后的Token，指揮中心就能實(shí)時(shí)看到清晰的現(xiàn)場(chǎng)生成畫面，哪怕細(xì)節(jié)紋理是AI補(bǔ)全的，但受災(zāi)人數(shù)、房屋倒塌結(jié)構(gòu)等核心信息是準(zhǔn)確無(wú)誤的。
• 深空探測(cè)與車載視頻： 想象一下火星車發(fā)回的視頻，或者數(shù)百萬(wàn)輛自動(dòng)駕駛汽車每天上傳的路測(cè)數(shù)據(jù)。如果都能壓縮到0.02%，存儲(chǔ)和傳輸成本將呈指數(shù)級(jí)下降。

視頻地址：https://mp.weixin.qq.com/s/GG1BFS8mFugifO9xzA33Tg

實(shí)際上，GVC并非孤立的技術(shù)突破，而是建立在“智傳網(wǎng)（AI Flow）”理論體系之上。

智傳網(wǎng)（AI Flow）是人工智能與通信、網(wǎng)絡(luò)交叉領(lǐng)域的一項(xiàng)關(guān)鍵技術(shù)，即通過(guò)網(wǎng)絡(luò)分層架構(gòu)，基于連接和交互，實(shí)現(xiàn)智能的傳遞和涌現(xiàn)。

在去年的世界人工智能大會(huì)（WAIC）上，中國(guó)電信集團(tuán) CTO、首席科學(xué)家、中國(guó)電信人工智能研究院（TeleAI）院長(zhǎng)李學(xué)龍教授，介紹了 TeleAI 在智傳網(wǎng)（AI Flow）研究中所發(fā)現(xiàn)的三個(gè)定律：信容律、同源律、集成律。

信容律描述大模型的本質(zhì)規(guī)律和能力邊界，通過(guò)數(shù)據(jù)壓縮的方式來(lái)衡量模型的知識(shí)密度，也就是智能能力。

同源律則展現(xiàn)大模型的“部分”與“整體”關(guān)系，在相同訓(xùn)練計(jì)算開銷下，能指導(dǎo)得到數(shù)量更多、性能更好的不同大小的家族模型。

集成律能指導(dǎo)大模型“單體”與“群體”的協(xié)同，通過(guò)多個(gè)模型集成的方式，實(shí)現(xiàn)智能能力的提升與涌現(xiàn)。

視頻地址：https://mp.weixin.qq.com/s/GG1BFS8mFugifO9xzA33Tg

基于智傳網(wǎng)（AI Flow）的信容律，在AI時(shí)代，通信的本質(zhì)不再是單純的數(shù)據(jù)傳輸，而是智能的分發(fā)與協(xié)同。

在此體系下，GVC通過(guò)“用計(jì)算換帶寬”的資源置換策略，實(shí)現(xiàn)了通信效率與感知質(zhì)量的最優(yōu)平衡。

GVC就是這一理論的最佳實(shí)踐：當(dāng)帶寬成為瓶頸時(shí)，我們就燃燒算力來(lái)?yè)Q取自由。

從像素還原到語(yǔ)義生成，視頻壓縮技術(shù)正在經(jīng)歷一場(chǎng)類似從功能機(jī)到智能機(jī)的范式轉(zhuǎn)移。

GVC標(biāo)志著視頻通信正從像素搬運(yùn)邁向語(yǔ)義生成的新階段。

作為央企在AI+通信融合創(chuàng)新中的重要成果，它不僅為遠(yuǎn)洋通信、應(yīng)急救援、邊緣智能等場(chǎng)景提供了高效可行的解決方案，更開啟了以任務(wù)有效性為核心的下一代視頻傳輸范式：

在未來(lái)的互聯(lián)網(wǎng)里，流淌在光纖和電波中的，可能不再是龐大的原始數(shù)據(jù)，而是高度濃縮的智慧和指令。

技術(shù)報(bào)告地址：
https://www.arxiv.org/abs/2512.24300