视频编码是如何把视频压小几千倍的？

一句话回答：视频编码的本质是"找相同"——相邻帧之间只存差异（帧间预测）、帧内相似色块用预测代替存储（帧内预测）、物体移动用运动向量描述（运动估计）。仅 2003 年的 h264 就能把 30 帧从约 182250 KB 压到 62 KB，体积缩小约 2900 倍。

原理一：帧间预测——只存差异

把视频逐帧拆开看，相邻帧之间绝大部分是重复信息。编码器只存储少量关键帧（I 帧，包含完整画面信息），前后的帧只记录与关键帧的差异。

用视频分析软件观察一个 h264 视频：关键帧约占 26 KB，而周围只记录差异的帧只有几百字节。平时看视频遇到的"画面糊成一团重影"，就是传输中关键帧丢失、只剩差异数据的结果。

关键帧本身也不是原样存储。h264 把图像分割成 16×16 像素的小方块（画面复杂处继续细分），然后对每块做预测：

通过"预测 + 只存预测残差"，关键帧的数据量大幅减少。

画面中的物体在运动，帧间做差异时可以引入运动向量：描述"这块像素往哪儿移了多少"，再通过插值生成中间像素。有了运动估计，帧间预测的编码效率进一步提升。

压缩的本质是找相同：把相同的色块、相同的运动方式提取出来，编成一本"词典"——这是编码。播放时再查词典，把抽象出的数据还原成画面——这是解码。

代价是算力：关键帧点开秒加载，而只存差异的帧需要根据前几帧现场算出来。压缩率越高的编码，编解码耗时越长，反映到手机上就是发热更多、耗电更快。