6.2.1 诞生背景：JVT 与混合框架的成熟
从 H.26L 说起
H.264 的故事始于一场 "效率翻倍" 的豪赌。1997 年前后，ITU-T 的 VCEG 启动了一个代号 H.26L（L 取 Long-term，长期目标之意）的研究项目 [5]：不设兼容包袱，目标只有一个——在同等画质下，把码率压到当时规格的一半。
这个时间点值得玩味。彼时 H.263 刚刚在低码率战场站稳脚跟，MPEG-4 的对象化愿景还在推进，而互联网视频的需求已经肉眼可见地膨胀。VCEG 的判断是：无论对象化能否成功，混合框架本身的工具精度还远未挖到极限——与其发明新范式，不如把旧范式的每一环都做到当时的极致。
2001 年，MPEG 也向业界发出了新视频编码的征集令（Call for Proposals）。面对同一个目标，两大阵营没有重复造轮子，而是于 2001 年底正式组建 JVT（Joint Video Team，联合视频组），以 H.26L 的设计为蓝本共同打磨。2003 年 3 月，规格正式发布：ITU-T 侧叫 H.264，MPEG 侧叫 MPEG-4 Part 10 / AVC（Advanced Video Coding） [8]。
同一时期的外部环境也推了它一把：MPEG-4 Part 2 在 2002 年前后的授权条款引发业界普遍不满，市场迫切需要一份技术过硬、生态更健康的新规格。H.264 恰逢其时。
设计目标：减半码率，拥抱网络
H.264 的设计目标可以概括为两条 [5]：
- 压缩效率翻倍：相比 MPEG-2 与 MPEG-4 ASP，同等画质码率节省约 50%
- 网络亲和（Network Friendliness）：码流要既能进文件、也能进网络包——为此 H.264 把编码层与传输适配层明确分开，设计了 NAL（Network Abstraction Layer，网络抽象层）：编码器输出的是一个个 NAL 单元，至于它们被打包进 MP4 文件、TS 流还是 RTP 包，由封装层决定。这份远见让 H.264 后来在流媒体时代畅通无阻（第七章会再次见到 NAL 的身影）
成熟，而非革命
拆开 H.264 的技术清单会发现，它没有发明任何新的框架——混合编码的四环一环不少，重建环路原样保留。它做的事情是把每一环的 自由度 大幅提升：
| 环节 | 前代（MPEG-2/H.263） | H.264 |
|---|---|---|
| 帧内预测 | 仅在频域做少量直流/低频预测 | 4×4 九模式 + 16×16 四模式的空域方向预测（6.2.2） |
| 帧间预测 | 16×16/8×8 两档分块、单/双参考、半像素 | 16×16~4×4 树状分块、最多 16 参考帧、1/4 像素（6.2.3） |
| 变换 | 8×8 浮点 DCT | 4×4（High Profile 增 8×8）整数 变换，编解零漂移（6.2.4） |
| 量化 | 31 级 | 52 级，步长按对数增长（6.2.4） |
| 熵编码 | 静态 VLC 表 | CAVLC / CABAC，上下文自适应（6.2.4） |
| 环路滤波 | H.263 可选 Annex | 规范化 去块滤波，写入参考帧（6.2.4） |
两个关键词值得提前留意：自适应 与 精确。前代的工具大多是 "一刀切"——固定分块、固定码表；H.264 则让分块形状、参考帧、预测方向、熵编码概率模型全部可以 随内容动态选择，再由率失真优化（RDO）仲裁。自由度换来压缩效率，代价是编码复杂度成倍上升——这也是理解后续所有规格演进的基本公式。
接下来的三节，我们把这张升级清单逐环拆开。先从最直观的一环开始：帧内预测。