生成式视频压缩（GVC）技术突破：0.02%极限压缩率重塑视频传输

感谢AI！

一个原大小为1GB的视频，现在仅需传输约200KB的数据就能观看——视频数据的压缩率达到了惊人的0.02%，同时画面依然能保持高清、连贯且细节丰富。

你可能会问，这有什么用呢？

想象一下，你正身处太平洋的一艘远洋货轮上，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。但正是因为这项AI技术，现在即使在这种极端网络环境下，你甚至可以直接观看高清的世界杯直播！

没错，视频传输的物理法则，正在被重新定义。

这项名为生成式视频压缩（GVC，Generative Video Compression） 的新研究，来自中国电信人工智能研究院（TeleAI）。作为拥有覆盖海陆空天通信网络的综合信息服务运营商，中国电信将前沿AI技术与实际通信场景深度融合的能力，使得GVC技术得以从实验室走向远洋、应急等真实极端环境。

那么，这项技术究竟是如何实现的？它又能给我们的现实生活带来哪些改变？

用计算，换带宽

在深入了解这项技术之前，我们需要先回顾一下当前的视频是如何传输的。

无论是Netflix、B站，还是微信视频通话，其背后主要依靠的是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，本质上是像素的极致搬运：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。

这种逻辑在带宽充裕时表现完美，但在极限低带宽环境下会迅速崩盘。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，结果就是画面模糊成一团，甚至直接卡死。

但TeleAI团队换了一个全新的思路： 如果不传输像素本身了呢？

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。

我们可以打一个比方：

• 传统压缩：就像是把《蒙娜丽莎》拍成一张照片，然后尽力压缩这张照片发给你。如果网络不好，照片就会糊得像一堆色块。
• 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，神秘的微笑，背景是山水，光线从左侧照射……”，以及她嘴角上扬的精确弧度等数据。你的接收端坐着一位AI画师（生成式模型），听到描述后，现场为你“画”出一幅《蒙娜丽莎》。

这只是一个比喻，实际情况要复杂得多，传输的内容也远不止文字。这就是技术报告中提出的核心理念：用计算，换带宽（Trading computation for bandwidth）。它将传输压力，巧妙地转移到了接收端的推理计算上。

GVC到底传输了什么？

既然不传输像素，那这0.02%的数据里究竟包含了什么？

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。系统传输的是一种被称为压缩Token的极小数据包，这些Token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？这是画面的动态灵魂。

经过TeleAI团队的优化，这些Token的大小可以被压缩到极致的0.005 bpp - 0.008 bpp（比特每像素）。这是什么概念？通常我们观看的高清视频，bpp至少在0.1以上。GVC直接将数据量削减了两个数量级。

在接收端，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，会利用预训练好的海量世界知识（例如它本来就“知道”海浪、足球长什么样），结合指令中的语义和运动特征，开始“脑补”并实时生成视频。

这在通信理论上实现了一次巨大的范式跨越。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（信号传得准不准？）
• Level B：语义问题（意思对不对？）
• Level C：有效性问题（能不能完成下游任务？）

传统视频压缩在死磕Level A，而GVC直接跳到了Level C。

它不再苛求每一个像素点都与原图100%相同（比如这片树叶的纹理是否完全吻合），而是在乎：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：效果与效率兼得

极端压缩听起来很超前，但具体指标非常硬核。技术报告展示了在MCL-JCV等权威数据集上的测试结果。

画质表现显著优于传统算法

在极低码率下（约0.005 bpp），使用更符合人类视觉感知的LPIPS指标进行对比：

• 传统霸主HEVC在如此低的码率下已基本崩溃，画面近乎马赛克，LPIPS数值（越低越好）飙升。
• 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。

报告给出了一个关键结论：传统方法（如HEVC）要想达到与GVC同等的视觉感知质量，需要消耗6倍以上的带宽！ 这意味着，在同样的弱网环境下，GVC能让你看清运动员的表情，而传统编码可能只显示出一个移动的色块。

不止于观看：保障下游AI任务精度

有人会质疑：AI生成的视频，关键物体会不会失真？比如把足球“生成”没了？
这是一个非常实际的问题。为此，团队在DAVIS2017视频物体分割任务上进行了验证。结果显示，在bpp=0.01的极限压缩下，基于GVC重建视频进行分割的J&F指标（衡量分割准确度）达到75.22%，显著高于基于HEVC压缩视频的57.68%。

这说明GVC传输的不仅仅是“好看”的皮囊，更是“准确”的语义骨架。即使是AI重绘的画面，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分析与决策。

消费级显卡即可运行

“用计算换带宽”，那会不会把接收设备的算力耗尽？
的确，生成式模型通常是算力消耗大户。但TeleAI通过模型小型化、知识蒸馏等优化手段，解决了落地应用的最后一公里问题。报告数据显示，经过优化的GVC模型，在消费级GPU（如RTX 4090）上，生成一段29帧的视频仅需约0.95秒到1.35秒。虽然比不上传统解码器的毫秒级速度，但在许多非实时或准实时场景下（如稍有延迟的直播），这已是完全可用的状态。

应用前景：远不止于观看直播

0.02%的压缩率数据固然惊艳，但其背后更值得期待的是它为未来通信带来的变革潜力。除了开头提到的远洋直播场景，GVC在报告展示的Demo中还体现了其他极端网络环境下的应用价值：

• 远洋海事通信： 船员通过昂贵且稀缺的窄带卫星网络接收数据。使用GVC，几百KB的数据流就能还原出连贯的直播或指导视频。这不仅是娱乐，对于海上远程医疗、设备维修指导而言，可能是救命的技术。
• 应急救援： 地震或洪水灾区，基站损毁，仅存微弱的应急通信信号。救援无人机若传回4K原始画面，根本无法发送；若传回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。即使部分纹理细节是AI补全的，但受灾人数、房屋倒塌结构等核心语义信息准确无误。
• 深空探测与自动驾驶： 想象一下火星车发回的视频，或数百万辆自动驾驶汽车每日上传的海量路测数据。如果都能压缩到0.02%量级，其存储和回传的成本将呈指数级下降。

技术基石：源于“智传网（AI Flow）”理论

实际上，GVC并非孤立的技术突破，其背后是建立在 “智传网（AI Flow）” 理论体系之上。智传网是AI与通信网络交叉领域的关键方向，旨在通过网络实现智能的传递与协同。该理论包含信容律、同源律、集成律三大定律。

其中，信容律揭示了智能的本质可通过数据压缩的程度来衡量。GVC正是这一理论的最佳实践：当带宽成为瓶颈时，我们就通过增强接收端的智能（计算能力）来换取极高的通信效率，实现感知质量与资源消耗的最优平衡。

从像素级的精确还原到语义级的智能生成，视频压缩技术正在经历一场从“功能机”到“智能机”的范式转移。GVC标志着视频通信正迈向以任务有效性为核心的新阶段。

这项由央企主导的“AI+通信”融合创新，不仅为远洋通信、应急救援、边缘智能等场景提供了高效的解决方案，更预示着未来互联网的某种形态：流淌在光纤与电波中的，可能不再是庞大的原始数据流，而是高度浓缩的智慧指令与语义核心。

如果你想深入了解人工智能如何革新传统技术领域，或与其他开发者交流前沿技术动态，欢迎访问云栈社区，这里汇聚了大量关于人工智能与智能计算的深度讨论与实践分享。

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