不得了，這個新技術把視頻壓縮到了0.02%！

金磊 發自 凹非寺
量子位 | 公眾號 QbitAI

感謝AI！

原生1個G的視頻，現在只需要傳200K數據就能看了——

視頻數據的壓縮率干到了0.02%，但依舊能保持畫面的高清、連貫和畫面細節。

或許你會問，這又有什么用呢？

想象一下，你身處于太平洋的一艘遠洋貨輪中，衛星信號只有一兩格，刷個朋友圈，加載內容的圈圈都要轉好久。

但正是因為有了這項AI技術，現在在如此極端的環境之下，你甚至可以直接看高清的世界杯直播！

沒錯，視頻傳輸的物理法則，算是被重寫了。

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

作為國資央企、全球領先的綜合智能信息服務運營商，中國電信不僅擁有覆蓋海陸空天的通信網絡基礎設施，更具備將前沿AI技術與實際通信場景深度融合的能力。

這種“云網融合+AI原生”的獨特優勢，使得GVC技術從實驗室走向遠洋船舶、應急現場等真實極端環境成為可能。

那么這項研究到底是如何做到的，以及又能給我們現實生活帶來什么改變，我們繼續往下看。

用計算，換寬帶

在介紹這項黑科技之前，我們需得先聊聊現在的視頻是怎么傳輸的。

無論是你要看的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）這類傳統視頻編碼標準。

這些技術的底層邏輯，說白了是像素的極致搬運：編碼器拼命計算哪些像素是不變的、哪些是移動的，然后盡可能多地保留像素信息，再想辦法塞進有限的帶寬里。

這種邏輯在寬帶富裕時很完美，但在極限環境下（極低帶寬）會迅速崩盤。

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

但 TeleAI 團隊換了個思路，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。

打個比方：

• 傳統壓縮：就像是把《蒙娜麗莎》拍一張照片，盡量壓縮這張照片發給你。如果網不好，照片就糊得像一堆色塊。
• 生成式視頻壓縮（GVC）：我不發照片了。我發給你一段描述——“一位女士，神秘微笑，背景是山水，光影是從左側來的……”，以及她嘴角上揚的精確弧度數據。你的接收端坐著一位AI畫師（生成式模型），聽到描述后，現場給你畫出一幅《蒙娜麗莎》。

剛剛說的只是打個比方，實際情況要復雜得多，傳輸的內容也并非只有文字。

這就是技術報告中提到的核心理念：用計算，換寬帶（Trading computation for bandwidth）。

把傳輸的壓力，轉移到了推理計算上。

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%的數據里到底裝了什么？

技術報告揭示了GVC系統的內部構造，它主要由神經編碼器（Neural Encoder）生成式視頻解碼器（Generative Video Decoder）兩部分組成。

里面傳輸的是一種被稱為壓縮Token的極小數據包，這些Token里包含了視頻的靈魂，主要分為兩類：

1. 語義信息（Semantic Information）： 這是一個什么場景？有人嗎？有車嗎？物體的大致結構是什么？這是畫面的骨架。
2. 運動信息（Motion Dynamics）： 這些物體下一秒往哪動？風怎么吹？車輪怎么轉？這是畫面的靈魂。

經過 TeleAI 團隊的測試，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直接把數據量砍掉了兩個數量級。

除此之外，在接收端，還有一個擴散模型（Diffusion Model）嚴陣以待。

它接收到這些簡短的Token指令后，利用預訓練好的海量世界知識（比如它本來就知道海浪長什么樣，足球長什么樣），結合指令中的特征，開始腦補并生成視頻。

這在通信理論上，實現了一次巨大的跨越。

香農-韋弗（Shannon-Weaver）通信模型將通信分為三個層級：

• Level A：技術問題（傳得準不準？）
• Level B：語義問題（意思對不對？）
• Level C：有效性問題（能不能完成任務？）

傳統視頻壓縮在死磕Level A，而GVC直接跳到了Level C

它不在乎每一個像素點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，這是否是一場連貫、清晰、真實的球賽？在機器看來，能否準確識別出這是否是越位？

數據實測：非常省流

極端壓縮聽起來很玄，但具體指標并不含糊。

技術報告中展示了在MCL-JCV權威數據集上的測試結果，數據非常硬核。

畫質吊打傳統算法

在極低碼率下（0.005 bpp左右），使用LPIPS（一種更符合人類視覺感知的畫質評價指標）進行對比：

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

技術報告中給出了一個驚人的對比結論：傳統方法（如HEVC）要想達到和GVC同樣的視覺畫質，需要消耗6倍以上的帶寬！

這意味著，在同樣的渣畫質網絡下，GVC能讓你看清C羅的表情，而HEVC只能讓你看清C羅是個移動的色塊。

不只是給人看，機器也能用

有人會問：AI生成的視頻，會不會失真？比如把球生成沒了？

這是一個非常犀利且實在的問題。

為此，團隊在DAVIS2017視頻分割任務上進行了驗證；結果顯示，在bpp=0.01的極限壓縮下，GVC重建視頻的J&F指標（衡量分割準確度）顯著高于HEVC。

這說明GVC傳輸的不僅僅是“好看”的皮囊，更是“準確”的語義。即使是AI重繪的，關鍵物體（人、車、球）的位置和輪廓也是精準的，完全不影響后續的AI分析。

消費級顯卡也能跑

計算換寬帶，那會不會把電腦算爆？

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

報告數據顯示，經過優化的GVC模型，在消費級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。

雖然比不上傳統解碼器的毫秒級速度，但在很多非實時或準實時的場景下（比如直播延遲幾秒），這已經是完全可用的狀態了。

當然不只是為了看個世界杯

0.02%，這篇技術報告所展現的關鍵數據已然非常驚艷，但它背后更加可期的，還是這項技術給未來帶來的改變。

除了開頭我們提到的世界杯的例子外，在報告展示的Demo場景中，GVC還展現了其它極端網絡環境下的情況：

• 遠洋海事通信： 船員通過窄帶衛星網絡（帶寬極其昂貴且稀缺）接收數據。用GVC，200K的數據流就能還原出連貫的球賽直播。這不僅是娛樂，對于海上遠程醫療、設備維修指導來說，是救命的技術。
• 應急救援： 地震或洪水災區，基站損毀，只有微弱的應急通信信號。救援無人機傳回的如果是4K畫面，根本發不出來；如果是GVC壓縮后的Token，指揮中心就能實時看到清晰的現場生成畫面，哪怕細節紋理是AI補全的，但受災人數、房屋倒塌結構等核心信息是準確無誤的。
• 深空探測與車載視頻： 想象一下火星車發回的視頻，或者數百萬輛自動駕駛汽車每天上傳的路測數據。如果都能壓縮到0.02%，存儲和傳輸成本將呈指數級下降。

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

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

智傳網（AI Flow）是人工智能與通信、網絡交叉領域的一項關鍵技術，即通過網絡分層架構，基于連接和交互，實現智能的傳遞和涌現。

在去年的世界人工智能大會（WAIC）上，中國電信集團 CTO、首席科學家、中國電信人工智能研究院（TeleAI）院長李學龍教授，介紹了 TeleAI 在智傳網（AI Flow）研究中所發現的三個定律：信容律、同源律、集成律。

信容律描述大模型的本質規律和能力邊界，通過數據壓縮的方式來衡量模型的知識密度，也就是智能能力。

同源律則展現大模型的“部分”與“整體”關系，在相同訓練計算開銷下，能指導得到數量更多、性能更好的不同大小的家族模型。

集成律能指導大模型“單體”與“群體”的協同，通過多個模型集成的方式，實現智能能力的提升與涌現。

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

基于智傳網（AI Flow）的信容律，在AI時代，通信的本質不再是單純的數據傳輸，而是智能的分發與協同。

在此體系下，GVC通過“用計算換帶寬”的資源置換策略，實現了通信效率與感知質量的最優平衡。

GVC就是這一理論的最佳實踐：當帶寬成為瓶頸時，我們就燃燒算力來換取自由。

從像素還原到語義生成，視頻壓縮技術正在經歷一場類似從功能機到智能機的范式轉移。

GVC標志著視頻通信正從像素搬運邁向語義生成的新階段。

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

在未來的互聯網里，流淌在光纖和電波中的，可能不再是龐大的原始數據，而是高度濃縮的智慧和指令。

技術報告地址：
https://www.arxiv.org/abs/2512.24300