不得了，这个新技术把视频压缩到了0.02%！

金磊 发自 凹非寺
量子位 | 公众号 QbitAI

感谢AI！

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艘远洋货轮中，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。

打个比方：

• 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。

视频地址：https://mp.weixin.qq.com/s/GG1BFS8mFugifO9xzA33Tg

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）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：

1. 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。
2. 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。

为此，团队在DAVIS2017视频分割任务上进行了验证；结果显示，在bpp=0.01的极限压缩下，GVC重建视频的J&F指标（衡量分割准确度）显著高于HEVC。

这说明GVC传输的不仅仅是“好看”的皮囊，更是“准确”的语义。即使是AI重绘的，关键物体（人、车、球）的位置和轮廓也是精准的，完全不影响后续的AI分析。

消费级显卡也能跑

计算换宽带，那会不会把电脑算爆？

确实，生成式模型通常是算力黑洞。但 TeleAI 通过模型小型化、知识蒸馏等手段，搞定了落地的最后一公里。

报告数据显示，经过优化的GVC模型，在消费级GPU（如RTX 4090）上，生成一组29帧的画面大约只需要0.95秒到1.35秒。

虽然比不上传统解码器的毫秒级速度，但在很多非实时或准实时的场景下（比如直播延迟几秒），这已经是完全可用的状态了。

当然不只是为了看个世界杯

0.02%，这篇技术报告所展现的关键数据已然非常惊艳，但它背后更加可期的，还是这项技术给未来带来的改变。

除了开头我们提到的世界杯的例子外，在报告展示的Demo场景中，GVC还展现了其它极端网络环境下的情况：

• 远洋海事通信： 船员通过窄带卫星网络（带宽极其昂贵且稀缺）接收数据。用GVC，200K的数据流就能还原出连贯的球赛直播。这不仅是娱乐，对于海上远程医疗、设备维修指导来说，是救命的技术。
• 应急救援： 地震或洪水灾区，基站损毁，只有微弱的应急通信信号。救援无人机传回的如果是4K画面，根本发不出来；如果是GVC压缩后的Token，指挥中心就能实时看到清晰的现场生成画面，哪怕细节纹理是AI补全的，但受灾人数、房屋倒塌结构等核心信息是准确无误的。
• 深空探测与车载视频： 想象一下火星车发回的视频，或者数百万辆自动驾驶汽车每天上传的路测数据。如果都能压缩到0.02%，存储和传输成本将呈指数级下降。

视频地址：https://mp.weixin.qq.com/s/GG1BFS8mFugifO9xzA33Tg

实际上，GVC并非孤立的技术突破，而是建立在“智传网（AI Flow）”理论体系之上。

智传网（AI Flow）是人工智能与通信、网络交叉领域的一项关键技术，即通过网络分层架构，基于连接和交互，实现智能的传递和涌现。

在去年的世界人工智能大会（WAIC）上，中国电信集团 CTO、首席科学家、中国电信人工智能研究院（TeleAI）院长李学龙教授，介绍了 TeleAI 在智传网（AI Flow）研究中所发现的三个定律：信容律、同源律、集成律。

信容律描述大模型的本质规律和能力边界，通过数据压缩的方式来衡量模型的知识密度，也就是智能能力。

同源律则展现大模型的“部分”与“整体”关系，在相同训练计算开销下，能指导得到数量更多、性能更好的不同大小的家族模型。

集成律能指导大模型“单体”与“群体”的协同，通过多个模型集成的方式，实现智能能力的提升与涌现。

视频地址：https://mp.weixin.qq.com/s/GG1BFS8mFugifO9xzA33Tg

基于智传网（AI Flow）的信容律，在AI时代，通信的本质不再是单纯的数据传输，而是智能的分发与协同。

在此体系下，GVC通过“用计算换带宽”的资源置换策略，实现了通信效率与感知质量的最优平衡。

GVC就是这一理论的最佳实践：当带宽成为瓶颈时，我们就燃烧算力来换取自由。

从像素还原到语义生成，视频压缩技术正在经历一场类似从功能机到智能机的范式转移。

GVC标志着视频通信正从像素搬运迈向语义生成的新阶段。

作为央企在AI+通信融合创新中的重要成果，它不仅为远洋通信、应急救援、边缘智能等场景提供了高效可行的解决方案，更开启了以任务有效性为核心的下一代视频传输范式：

在未来的互联网里，流淌在光纤和电波中的，可能不再是庞大的原始数据，而是高度浓缩的智慧和指令。

技术报告地址：
https://www.arxiv.org/abs/2512.24300