Koniec MP4? Sztuczna inteligencja kompresuje wideo stukrotnie lepiej niż tradycyjne kodeki

Wyobraź sobie, że chcesz wysłać komuś obraz namalowany przez Rembrandta. Możesz zrobić fotografię w wysokiej rozdzielczości i wysłać plik wielkości kilkuset megabajtów. Albo możesz stworzyć szczegółowy opis obrazu: paletę barw, kompozycję, technikę pociągnięć pędzla, nastrój. A na miejscu — zamiast ludzkiego malarza — potężny robot-artysta z Twojego opisu odtworzy obraz z niesamowitą wiernością. Plik opisu jest tysiące razy mniejszy. Właśnie taki pomysł stał się podstawą przełomowego projektu w dziedzinie kompresji wideo.

MP4 ma już swoje lata

Format H.264 (MP4) zadebiutował w 2003 roku, a jego następca H.265 (HEVC) — dekadę później. Oba standardy działają w podobny sposób: dzielą obraz na bloki pikseli, wyrzucają to, czego ludzkie oko nie zauważy, a powtarzające się fragmenty kolejnych klatek zapamiętują tylko raz. To podejście sprawdziło się przez 20 lat i nadal działa doskonale — ale ma swój sufit. Kolejne wersje kodeków przynoszą coraz mniejsze korzyści, a rosnące rozdzielczości (4K, 8K, wideo przestrzenne dla gogli VR) wciąż pożerają ogromne ilości danych.

Tymczasem pod koniec 2025 roku badacze z chińskiego laboratorium TeleAI ogłosili wyniki prac nad czymś zupełnie innym. Ich projekt nosi nazwę GVC (Generative Video Compression) i atakuje problem kompresji wideo od zupełnie innej strony.

„Malarz AI” zamiast przesyłania pikseli

Tradycyjne kodeki pytają: jak zapisać to, co widać? GVC pyta: jak opisać film tak, żeby ktoś mógł go odtworzyć bez wcześniejszego poznania oryginału?

W klasycznym podejściu każdy bajt obrazu jest skrupulatnie przesyłany, skompresowany matematycznie, ale wciąż jest kawałkiem obrazu. GVC zmienia reguły: encoder (po stronie nadawcy) zamienia wideo w zwarty pakiet semantycznych tokenów — coś w rodzaju matematycznego przepisu, który opisuje ruch, strukturę i nastrój sceny. Po stronie odbiorcy czeka dekoder oparty na modelu generatywnym (konkretnie: architekturze diffusion model), który z tego „przepisu” odtwarza pełnowartościowe wideo.

Kluczowa metafora, której używają sami autorzy badania: tradycyjna kompresja to fotografowanie obrazu i wysyłanie zdjęcia. GVC to wysyłanie opisu stylu i kompozycji, a „malarz AI” po drugiej stronie rekonstruuje dzieło od zera. Być może sami tworzyliście już prompty, na podstawie których AI generuje obrazy (pisaliśmy o tym w artykule LINK). W GVC sytuacja jest podobna, ale odwrócona i bardziej rygorystyczna: zamiast przesyłać cały film klatka po klatce, system tworzy coś w rodzaju bardzo szczegółowej „instrukcji matematycznej” opisującej scenę. Na jej podstawie AI po stronie odbiorcy odtwarza wideo — nie jako wierna kopia, lecz jako bardzo wierne odtworzenie wrażenia wizualnego.

Liczby, które robią wrażenie

Wyniki opublikowane przez TeleAI są spektakularne. Konwencjonalne metody jak HEVC wymagają do 6 razy wyższego bitrate, żeby osiągnąć porównywalną jakość percepcyjną. GVC potrafi odtworzyć wideo przy wartości zaledwie 0,005 bpp (bitów na piksel) — co przekłada się na stopień kompresji rzędu 0,02% oryginalnego rozmiaru. Mówiąc wprost: plik, który jako MP4 zajmuje 1 gigabajt, w systemie GVC zmieściłby się w około 20 megabajtach — to oznacza około 50 razy mniejszą objętość.

Dla porównania — tradycyjne formaty kompresji wideo osiągają zwykle kilka do kilkunastu procent oryginalnego rozmiaru. GVC redukuje rozmiar o dwa rzędy wielkości bardziej.

Co ważne, badacze zademonstrowali działanie systemu na konsumenckich kartach graficznych GPU, z czasem przetwarzania rzędu 2 sekund na klatkę. To wciąż za wolno na streaming w czasie rzeczywistym, ale pokazuje, że technologia nie wymaga superkomputerów.

Nie mylić z „identyczną kopią”

Tu trzeba się zatrzymać przy ważnym niuansie technicznym. GVC nie odtwarza wideo identycznie — piksel po pikselu — z oryginałem. Model generatywny syntetyzuje obraz na podstawie otrzymanych wskazówek. Oznacza to, że detal tekstury ceglanej ściany w tle może wyglądać nieco inaczej niż w oryginale, choć będzie perceptualnie nieodróżnialny dla ludzkiego oka. Autorzy mierzą jakość nie tradycyjnym wskaźnikiem PSNR (który liczy różnice piksel po pikselu), lecz metryką LPIPS — czyli „perceptual similarity”, która ocenia, jak wrażenia wizualne oryginału i kopii różnią się między sobą.

To zasadnicza zmiana filozoficzna: celem nie jest wierna kopia, lecz wierne wrażenie. W telewizji, wideokonferencjach czy streamingu ma to całkowite uzasadnienie. W zastosowaniach medycznych czy naukowych, gdzie liczy się każdy piksel, sprawa wygląda inaczej.

Tekst też doczekał się swojego GVC

Równolegle badacze z Indyjskiego Instytutu Technologii w Madrasie (IIT Madras) opublikowali projekt AlphaZip — kompresję plików tekstowych wspomaganą dużymi modelami językowymi. Pomysł jest podobny: zamiast szukać powtarzających się sekwencji znaków (jak robi to ZIP czy GZIP), model językowy przewiduje kolejne słowa i przypisuje im rangi prawdopodobieństwa. Słowa łatwe do przewidzenia w danym kontekście (a więc mało zaskakujące) dostają niski numer i są bardzo łatwo kompresowalne. W efekcie AlphaZip osiąga do 57% lepszy stopień kompresji niż sam GZIP — co dla archiwów tekstowych, dokumentów czy baz danych może mieć duże znaczenie praktyczne.

Co to oznacza w praktyce?

Technologia GVC jest jeszcze na etapie badań i raportu naukowego — nie ma gotowego produktu do pobrania ani standardu. Jednak kierunek, który wyznacza, jest wyraźny i ma konkretne zastosowania już dziś na horyzoncie.

Łącza satelitarne i obszary o słabym zasięgu. TeleAI zademonstrowało prototyp systemu podczas konferencji WAIC w kontekście morskich łączy satelitarnych — tam, gdzie przepustowość jest drastycznie ograniczona, a przesyłanie tradycyjnego wideo jest niemożliwe lub bardzo kosztowne.

Wideokonferencje nowej generacji. Wyobraź sobie rozmowy wideo w doskonałej jakości przez łącze o przepustowości SMS-a. Albo transmisje z obszarów katastrof naturalnych, gdzie infrastruktura sieciowa ledwo działa.

Archiwizacja wideo. Petabajty materiałów wideo mogą skurczyć się do kilku terabajtów bez wizualnej straty jakości.

Czy to koniec MP4?

Nie dziś i nie jutro. Formaty H.264 i H.265 są głęboko zakorzenione w miliardach urządzeń, kamer, telewizorów i platform streamingowych. Przejście na nowe standardy trwa latami — wystarczy przypomnieć, że H.265 istnieje od 2013 roku i wciąż nie wyparł całkowicie swojego poprzednika — MP4. Działanie systemu GVC na konsumenckich kartach graficznych osiąga prędkość 2 sekund na klatkę. Przy tej prędkości wygenerowanie u odbiorcy półtoragodzinnego filmu wymagałoby ponad 72 godzin ciągłej pracy GPU. Tak więc droga do zastosowania technologii GVC w urządzeniach konsumenckich jest jeszcze daleka.

Ale GVC stawia pytanie, którego nie da się zignorować: skoro AI potrafi odgadnąć 99,98% zawartości wideo z matematycznego szkieletu — po co w ogóle przesyłać resztę? Odpowiedź na to pytanie może zmienić sposób, w jaki internet będzie przesyłał obraz przez następne dwadzieścia lat.