你敢信？你手机里刷到的每一张照片、每一段视频，拆开看根本不是画面，而是一长串密密麻麻的0和1。

可就是这两种数字，能组合出1677万多种颜色，还能让每秒几十帧的静态画面连成流畅视频，你每次点亮屏幕，背后都在上演一场速度快到看不见的“数字变形记”。

计算机本身并不认识红色、蓝色，也不理解一个人正在笑，它能识别的，最底层其实只有两种状态：有电和没电。

文字、音乐、照片、电影，进入电脑和手机之后，都得先翻译成二进制，屏幕上的一束光、一个人的轮廓、镜头移动时产生的变化，最后都会变成由0和1排列出来的数据。

数字越多，能表达的状态也越丰富，8位二进制可以表示256种状态，24位则能表示2的24次方，也就是16777216种状态。

一张照片在机器眼里，也不是完整的一幅画，而是被切成了无数个小格子，每个小格子就是一个像素。比如一张800×600的图片，横向有800个像素，纵向有600个像素，总数达到48万。

像素越密，画面通常越细腻，你把一张低分辨率图片放大，很快就能看到一格一格的马赛克；换成高分辨率照片，即使放大不少，人物发丝和物体边缘也更清楚。

每个像素显示什么颜色，要靠红、绿、蓝三种光混合出来，也就是RGB，计算机分别给这三种颜色分配一个数值，范围都是0到255，数字越大，代表对应的光越亮。

人眼对大面积、变化缓慢的主体更敏感，对特别细碎的边缘和纹理没那么敏感，JPEG就会尽量保留低频信息，把一部分高频细节压缩，甚至直接舍弃。

这也是JPEG图片被放得特别大后，边缘会发糊、局部会出现方块的原因。被删掉的细节通常无法完整找回，但在正常观看距离下，人眼往往察觉不到太多变化，文件体积却可能缩小到原来的二十分之一左右。

视频的道理更有意思，它本质上不是一整段连续的“动态画面”，而是一张张图片快速播放，每一张图片，都叫一帧。

按照每秒30帧计算，一分钟视频就包含1800帧，如果每一帧都像普通照片那样完整保存，文件大小会大得惊人，网络传输和设备存储都很难承受。

视频编码器采用了一个很聪明的办法：相邻画面之间，大部分内容其实没有变化。

比如有人坐在沙发上看电视，房间背景、沙发和墙壁基本不动，可能只有嘴巴、手臂或者眼睛在变化。编码器没必要每一帧都重复保存整间屋子，只要记录“哪里变了、变成什么样”就行。

视频里的第一张完整画面叫关键帧，它相当于一个参照物，后面的预测帧主要保存与前一帧之间的差异。变化小，记录的数据就少；变化大，需要记录的内容就多。

遇到镜头切换，画面突然从客厅跳到街道，编码器就会重新插入关键帧，这样可以避免后面的画面一直依赖错误的参照，也能让视频在拖动进度条时更快恢复正常。

靠着这种“只保存变化”的思路，视频压缩效率非常高。H.264可以把原始视频数据压缩到大约八十分之一，H.265在相同画质下还能比H.264节省一半左右的码率，更新的H.266又能在H.265基础上再省下接近一半的数据量。

一部两小时的1080p电影，如果完全不压缩，原始数据大约要1TB，经过H.264编码后，可能只剩5GB左右，体积缩小了整整200倍。我们下载电影、刷短视频、在线观看视频，看到的几乎都不是原始画面，而是经过编码压缩后的版本。

播放时，流程会反过来，播放器先读取那串二进制数据，再通过解码器把它还原成一帧帧画面，计算出每个像素里红、绿、蓝三种光应该有多亮，最后交给屏幕上的发光单元。

这些发光单元按照对应强度亮起来，30帧、60帧，甚至120帧画面连续出现。你的眼睛和大脑会把一张张静止图片连接起来，于是屏幕里的人开始走动，汽车开始飞驰，光影也像真的流动起来。

从0和1到满屏色彩，中间并没有什么神秘魔法，靠的是一整套编码、压缩、传输和解码规则。编码器把画面拆成数字，解码器再把数字拼回画面，芯片、内存和屏幕驱动则负责在极短时间内完成接力。

如今，手机视频已经从1080p走向4K、8K，帧率从30帧提升到60帧、120帧，压缩标准也在不断更新。画面会越来越清晰，动作会越来越顺滑，文件却未必同步膨胀。

你下一次滑动屏幕时，不妨想一想：眼前一闪而过的画面，刚刚还只是芯片里高速穿行的一串0和1。所谓“看见世界”，有时就是数字先翻译，屏幕再发光。