1. 这场竞争，为什么现在才被摆上台面

先说一个有意思的巧合。最近不少做视频处理的朋友都撞上过这样一个报错：UnicodeEncodeError: 'gbk' codec can't encode character。你看，连 Python 处理字符串时都会因为“编码标准不统一”而翻车，视频领域这边，关于“下一代编码标准到底该往哪走”的争论，也卡在同样的十字路口上。一个是字符编码，一个是视频编码，本质上是同一类问题：信息在传输和存储时，怎么用最少的比特，把该表达的东西表达清楚。

在视频编码圈里，H.266/VVC 和神经编码（Neural Video Coding）就是目前最有竞争力的两个方向。H.266 是传统编码路线的集大成者，几乎把手工设计的编码工具榨到了极限，号称比上一代 H.265/HEVC 再省 30%-50% 码率。而神经编码则是把深度学习模型直接塞进编解码链路，跳过人工设计的模式，用神经网络自己找压缩规律。两者路线截然不同，但目标高度一致：用更少的码率，还原更高清的画质。

这篇文章不打算搞那种“最终赢家是谁”的站队式结论，而是把这两个方向拆开来看：它们各自真实的水平、背后的技术逻辑、落地的难度，以及最关键的——它们之间真正的竞争关系，其实很可能不是“你死我活”，而是“合二为一”。

2. H.266/VVC 到底牛在哪

2.1 它强在“把老手艺做到极限”

如果要一句话总结 H.266/VVC 的技术本质，那就是：它没有改变编码范式，但把所有环节的工具精度都往上推了一级。编码范式还是沿用了几十年的混合编码框架——预测、变换、量化、熵编码这一套流水线，但 VVC 在每个环节都做了“更精细的分工”。

拿块划分来说。H.265 最大支持 64x64 的编码树单元，H.266 直接推到了 128x128，而且引入了 QTMT（四叉树加多类型树）结构——不仅允许正方形块，还能拆成横向或纵向的长条形块。为什么这样做？因为画面里的纹理往往是各向异性的，比如天空渐变色、墙面砖缝、人物头发丝，这些内容用方形块去拟合，要么块太大拟合不准，要么块太小浪费比特。长条形的块能更贴合自然画面的边缘走向，压缩效率自然就上去了。

再比如帧内预测的角度，H.265 支持 33 种角度模式，H.266 直接翻到 65 种。角度越多，意味着参考像素能更精确地沿着纹理方向去预测。但代价也很直观：模式越多，编码器在决策时的计算量就越大，需要做的率失真优化搜索空间也越大。这就是 VVC 一直被诟病“编码复杂度爆炸”的根本原因。

2.2 VVC 的几个关键提升点，到底提升了什么

我用一个比较直观的类比来解释 VVC 的几项核心技术：

• 多参考帧与运动细化：以前是找相似的参考块之后就直接抄过来，H.266 会在参考块附近再做一次更精细的位置修正，相当于在旧照片里眯着眼睛再对一次焦。这就是 DMVR（解码端运动矢量修正）干的事。
• 仿射运动补偿：以前假设画面里的物体是平移的，但实际场景里有旋转、缩放（比如无人机航拍推进、镜头通过窗外的物体）。仿射模型用 4 参数或 6 参数来描述运动，可以在一个块内表达旋转缩放变化。这个工具对航拍视频、影视镜头抖动的提升非常明显。
• 环内滤波增强：VVC 在去块滤波和 SAO 之外加了 ALF（自适应环路滤波器），用维纳滤波器对重建画面做全局修正。滤波不是简单地去除噪声，而是让重建帧尽量逼近原始帧的像素分布。

这些工具叠加起来，效果确实扎实。实测在同等主观画质下，VVC 相比 HEVC 平均节省约 35%-40% 码率，极端内容（屏幕内容、纹理密集场景）下可以到 50% 以上。这个数字是编码领域很少见的大跳级，因为每一代标准的码率压缩率提升通常在 25% 左右，VVC 直接干到了接近两倍。

2.3 代价与门槛：为什么“先进”不等于“普及”

VVC 的编码复杂度大概是 HEVC 的 10 倍左右，解码复杂度则是 2-3 倍。很多人觉得“编码慢没关系，反正可以离线编，解码快就行”，但直播和实时通信场景完全不一样——那要求在几十毫秒内完成编码，VVC 的软件编码要在普通 CPU 上做到 1080p 实时，目前依然是很大挑战，需要极强的优化，或者依靠专门的硬件编码器。

还有一个更现实的问题：专利授权。HEVC 当年被专利池搞得七零八落，VVC 的授权模式到现在也没有彻底清晰，这让很多中小厂和开源社区在现场观望。编解码器的标准技术再先进，授权费谈不拢，就只能在巨头的武装里打转，普通团队根本不敢碰。

3. 神经编码，路线变了而不是算法升级

3.1 神经编码的工作原理与 H.266 完全不同

神经编码的底层逻辑是：不做人工设计，改用神经网络学一个压缩函数。传统编码器是“我告诉你规则，你按规则编”，神经编码是“我让你看一百万张图，你总结出怎么编最省”。

具体架构上，目前主流的学习型图像/视频编码框架大致是这样的：编码端先做非线性变换，把像素域映射到隐空间（latent space），然后用超先验网络捕捉隐空间的概率分布，结合上下文模型做熵估计，最后用算术编码把特征量化后的符号压成码流。解码端再通过对称的神经网络反变换重建画面。

这套路子和传统编码器的“分块-预测-变换”完全不同。神经网络不限定块大小，也不区分帧内帧间，它把所有信息建模成一个高维张量，在隐空间里做压缩。更新的视频编码模型还会引入光流网络来估计帧间运动，再用 warping 做运动补偿，相当于把传统编码器里的“运动估计+运动补偿”模块，替换成了“光流网络+可微变形”。

3.2 神经编码目前能做到什么水平

衡量编码效率，最权威的方式是用详细的测试条件下做 BD-Rate 对比，也就是在相同质量下比较码率节省比例。目前发表在 CVPR、ICLR 等顶会上的多个神经视频编码模型，在 PSNR 指标下已经能做到与 VVC 相当、甚至在特定数据分布下超过 VVC。需要说明的是，这些对比通常是在特定测试集上完成的，而不是像标准组织那样在多样化的大规模语料库上做一致性测试，所以参考意义和全面性还需要打折。

这里必须泼一盆冷水：实验室里的“超过 VVC”和工业级的“可用”差距很大。因为码率节省的前提是模型知道测试集的内容分布。你要是用自然风景片训练，突然丢给它一个屏幕录制视频，它的性能会下滑得很厉害。传统编码器就没有这个问题，因为手工设计的工具是通用的，不管画面里是猫还是飞机还是 Excel 表格，它都按同一种规则处理。

3.3 神经编码的复杂度，常被误解

很多人以为“神经网络编码肯定比 VVC 快”，这是个严重的误解。神经编码的编码端推理确实不需要像传统编码那样做海量模式搜索，看起来“一次前向传播就搞定”，但这“一次前向”在 GPU 上可能要跑几百毫秒。

更麻烦的是熵编码环节。传统编码的熵编码是轻量级的查表操作，而神经编码里的概率估计是网络实时预测出来的，解码端每解一个符号就要跑一次网络推理。而且，如果要维持压缩效率，上下文模型需要逐个符号串行解码——这个串行过程是 GPU 最不擅长的事情，时延非常高，并行化极难。这也是为什么神经编码虽然压缩率屡创新高，但离实时视频通话这种场景依然有非常大的距离。

4. 正面碰撞：四个维度的综合对比

我整理了一张对比表，按实际应用视角去比较这两个路线：

单拎任何一个维度做“谁更先进”的结论，都容易跑偏。压缩率上神经编码已经逼近甚至局部超越 VVC，但这是靠巨大的算力代价和内容特化换来的；通用性和生态成熟度上，VVC 又完全碾压神经编码。

我实话讲，单看已经达到的水平，VVC 是目前唯一能真正商用的“下一代标准”——注意是“能商用”，不是“已普及”。神经编码更像是从另一个维度杀出来的潜在变量，它证明了一件事：编码工具可以不再是手工设计的。

5. 真正决定胜负的，是标准组织的“兼容并蓄”

5.1 神经编码正在被标准化

很多人不知道，ISO/IEC 的 MPEG 和 ITU-T 的 VCEG 一直在关注神经编码的进展。MPEG 甚至在近期启动了神经压缩标准的探索——试图定义一种统一的神经编码接口，不强制具体模型结构，而是规定模型部署的框架和码流格式。这意味着“神经编码”并不一定永远是各玩各的，它正在被标准化的“安全网”接住。

这一块的意义相当深远。一旦有了标准接口，不同厂商训练的模型就能在同一容器里部署，播放端只需要支持“神经解码加速模块”就能解码不同模型的码流。这和当年 H.264 统一解码兼容是一个逻辑，只不过把“解码器芯片”换成“通用模型容器”。

5.2 下一代真正的形态：基座仍是传统框架

这里是我个人这几年观察下来最有信心的判断：下一代视频编码不会是“纯神经”，而是“传统框架+神经增强模块”的混合体。这不是谁替代谁的问题，而是分工问题。

传统编码框架里，块划分、运动补偿、变换、量化这套结构经历了三十年验证，鲁棒性极强。问题在于：人工设计的工具无法精准地适配任意内容，而神经网络恰恰可以在细节局部做“超分辨率增强”，或者在决策环节做“率失真优化加速”。

典型案例就是 JVET（H.266 的制定团队）已经在探索的 NNVC（神经网络视频编码）方向——保留 VVC 的块结构和运动补偿，但把环路滤波替换成神经网络滤波器，或者在帧内预测时用神经网络辅助生成参考像素。这样做的好处是：编码复杂度只增加 10%-20%，但压缩效率可以再提升 15%-20%。而且由于基础结构还是标准框架，兼容性没问题，你即使用神经增强模块解码，也可以退回纯传统解码器——这就是一种向下的兼容性保障。

5.3 “先有鸡还是先有蛋”的生态问题

为什么 H.266 到现在都没有全面普及？说白了，不是技术不行，是生态没转起来。编码器做好了，但没有设备硬件解码，就没有终端会播放；没有播放需求，就没有内容方愿意用；内容方不用，芯片厂就没有动力把解码器做进 SoC。这是一个典型的先有鸡还是先有蛋的问题。

神经编码要走进这个生态，除了要解决算力和泛化，还要面对一个更根本的挑战——模型持续更新的问题。传统解码器一旦定义好，几十年不用改；神经模型要是更新了版本，旧码流还怎么解？这需要通过“模型版本管理”和“码流内嵌模型描述”来兜底，而不是像传统标准那样“一次性冻结”。

所以我倾向于这样看：未来两三年内，H.266 一定会在大规模视频分发场景里逐步落地，因为它的硬件解码方案已经趋于成熟；而神经编码会在特定垂直场景爆发，比如视频云转码、影视文件压缩、医学影像存储、监控视频归档这些对编码耗时不敏感的离线场景。

6. 给工程实践者的选型建议

如果屏幕前的你正准备在项目里用上“下一代编码”，我根据自己的实际踩坑经验给几条判断建议：

第一，视频内容以自然场景为主、有离线批量处理需求，可以开始试神经编码模型。选模型时别看论文里的 PSNR 和 BD-Rate 数字，直接拿 500 张与你真实业务数据分布接近的图片做一次主观对比测试，“眼见为实”永远是第一标准。

第二，做实时通话、直播、会议这类延迟敏感型业务，短期之内不要指望纯神经编码方案。老老实实跟硬件平台确认支持 AV1 和 H.266 的时间表，在硬件成熟之前，HEVC 依然是性价比最高的选择——这个话说出来可能不好听，但现实就是如此。

第三，做视频编辑、非编系统、后期制作工具，需要灵活逐帧访问，H.266 的帧内编码和随机访问能力依然不可替代。神经编码目前对随机访问、帧级编辑的支持非常弱，基本是整段序列一起压缩，这一点在实际剪辑流程里往往是致命的。

第四，如果你是独立开发者或小团队，别轻易押注任何一个标准去做深度定制。保持解码器抽象、编解码参数可配置，让核心业务逻辑与具体 Codec 解耦——这一条经验我在 AV1 和 HEVC 切换上吃了不少亏，等到 H.266 成熟时能换得更加从容。

再分享一个实操细节：做神经编码部署时，千万别忽略量化导出的环节。很多模型在 PyTorch 里 PSNR 很高，一旦转成 TensorRT/ONNX 并做低比特量化，重建画面立刻出现色偏或块状伪影。这在传统编码器里不会遇到，所以在搭神经编码工程链路时，建议在模型训练阶段就用模拟量化，导出后再做一次验证集全量回归。

7. 最后的个人观察

回头看那个gbk codec的报错，其实挺适合做这次讨论的注脚——字符集不同，导致同样的字节被人为地解错。视频编码领域也处于类似的“标准冲突期”：H.266 的标准很严谨，但它是在旧范式的延长线上；神经编码虽然打破了很多限制，但距离“可用的标准”还有很长的路要走。

我个人在实际实验里最大的感受是：不要用“谁替代谁”的思路去理解这件事。传统编码和神经编码不是两个赛道的竞争对手，而是同一道工序里的两个环节。真正能做出来的下一代视频编码系统，大概率是让 VVC 的稳健结构做骨架，让神经网络在骨架上的关键节点提供“读不懂规则时用经验补位”的能力。

最后再分享一个我在对比测试中的发现：单独测 H.266 和单独测神经编码，都各有亮点，但把它们串成一个混合管线——用神经网络后处理增强 VVC 解码画面——在相同码率下，主观画质提升反而比单纯替换编码器更明显。这个小实验给了我一个很强烈的启示：下一代 Codec 的竞争，比拼的不是某一个单一技术的极限，而是把现有技术重新组合的能力。这大概才是这场竞争里最值得关注的部分。