感谢AI：视频压缩到了0.02%量子位
原生1个G的视频，现在只需要传200K数据就能看了——
视频数据的压缩率干到了0.02%，但依旧能保持画面的高清、连贯和画面细节。
或许你会问，这又有什么用呢？
想象一下，你身处于太平洋的一搜远洋货轮中，卫星信号只有一两格，刷个朋友圈，加载内容的圈圈都要转好久。
但正是因为有了这项AI技术，现在在如此极端的环境之下，你甚至可以直接看高清的世界杯直播！
没错，视频传输的物理法则，算是被重写了。
而这项新研究，正是来自中国电信人工智能研究院（TeleAI）的技术——生成式视频压缩（GVC，Generative Video Compression）。
作为国资央企、全球领先的综合智能信息服务运营商，中国电信不仅拥有覆盖海陆空天的通信网络基础设施，更具备将前沿AI技术与实际通信场景深度融合的能力。
这种“云网融合+AI原生”的独特优势，使得GVC技术从实验室走向远洋船舶、应急现场等真实极端环境成为可能。
那么这项研究到底是如何做到的，以及又能给我们现实生活带来什么改变，我们继续往下看。
用计算，换宽带
在介绍这项黑科技之前，我们需得先聊聊现在的视频是怎么传输的。
无论是你要看的Netflix、B站，还是微信视频通话，背后主要依靠的是HEVC（H.265）或VVC（H.266）这类传统视频编码标准。
这些技术的底层逻辑，说白了是像素的极致搬运：编码器拼命计算哪些像素是不变的、哪些是移动的，然后尽可能多地保留像素信息，再想办法塞进有限的带宽里。
这种逻辑在宽带富裕时很完美，但在极限环境下（极低带宽）会迅速崩盘。
一旦带宽不够，传统编码器为了凑合传输，只能疯狂丢弃高频信息。结果我们都见过：画面糊成一团，甚至直接卡死。
但 TeleAI 团队换了个思路，如果我不传像素了呢？
GVC的核心逻辑是：不再传递画面本身，而是传递“如何画出这幅画面”的指令。
传统压缩：就像是把《蒙娜丽莎》拍一张照片，尽量压缩这张照片发给你。如果网不好，照片就糊得像一堆色块。
生成式视频压缩（GVC）：我不发照片了。我发给你一段描述——“一位女士，神秘微笑，背景是山水，光影是从左侧来的……”，以及她嘴角上扬的精确弧度数据。你的接收端坐着一位AI画师（生成式模型），听到描述后，现场给你画出一幅《蒙娜丽莎》。
刚刚说的只是打个比方，实际情况要复杂得多，传输的内容也并非只有文字。
这就是技术报告中提到的核心理念：用计算，换宽带（Trading computation for bandwidth）。
把传输的压力，转移到了推理计算上。
GVC到底压了些什么？
既然不传像素，那这0.02%的数据里到底装了什么？
技术报告揭示了GVC系统的内部构造，它主要由神经编码器（Neural Encoder）和生成式视频解码器（Generative Video Decoder）两部分组成。
里面传输的是一种被称为压缩Token 的极小数据包，这些Token里包含了视频的灵魂，主要分为两类：
语义信息（Semantic Information）： 这是一个什么场景？有人吗？有车吗？物体的大致结构是什么？这是画面的骨架。
运动信息（Motion Dynamics）： 这些物体下一秒往哪动？风怎么吹？车轮怎么转？这是画面的灵魂。
经过 TeleAI 团队的测试，这些Token的大小可以被压缩到极致的0.005 bpp - 0.008 bpp（bits per pixel，比特每像素）。
这是什么概念？通常我们看的高清视频，bpp至少在0.1以上。GVC直接把数据量砍掉了两个数量级。
除此之外，在接收端，还有一个扩散模型（Diffusion Model） 严阵以待。
它接收到这些简短的Token指令后，利用预训练好的海量世界知识（比如它本来就知道海浪长什么样，足球长什么样），结合指令中的特征，开始脑补并生成视频。
这在通信理论上，实现了一次巨大的跨越。
香农-韦弗（Shannon-Weaver）通信模型将通信分为三个层级：
Level A：技术问题（传得准不准？）
Level B：语义问题（意思对不对？）
Level C：有效性问题（能不能完成任务？）
传统视频压缩在死磕Level A，而GVC直接跳到了Level C。
它不在乎每一个像素点是否和原图一模一样（比如这片树叶的纹理是否100%重合），它在乎的是：在人眼看来，这是否是一场连贯、清晰、真实的球赛？在机器看来，能否准确识别出这是否是越位？
数据实测：非常省流
极端压缩听起来很玄，但具体指标并不含糊。
技术报告中展示了在MCL-JCV权威数据集上的测试结果，数据非常硬核。
画质吊打传统算法
在极低码率下（0.005 bpp左右），使用LPIPS（一种更符合人类视觉感知的画质评价指标）进行对比：
传统霸主HEVC已经彻底崩溃，画面基本是马赛克乱舞，LPIPS数值飙升（越低越好）。
GVC生成的画面依然保持了清晰的纹理和结构，LPIPS数值显著低于HEVC。
技术报告中给出了一个惊人的对比结论：传统方法（如HEVC）要想达到和GVC同样的视觉画质，需要消耗6倍以上的带宽！
这意味着，在同样的渣画质网络下，GVC能让你看清C罗的表情，而HEVC只能让你看清C罗是个移动的色块。
不只是给人看，机器也能用
有人会问：AI生成的视频，会不会失真？比如把球生成没了？
这是一个非常犀利且实在的问题。
