第 2 章　文字、图片和声音怎样成为数字

二进制提供物理基础，规则赋予含义

电子系统容易用两种可区分状态表示信息，因此常以二进制工作。一个二进制位称为bit，通常取0或1；若干bit组成更大的单位，八个bit常组成一个byte。

同一串bit本身没有固定含义。01000001可以按某种字符编码解释为字母，也可以是数字、颜色或文件中的控制信息。含义来自格式、编码、位置和上下文。

这也是为什么文件扩展名不能创造格式。把一组JPEG数据改名为PNG，内部bit没有按PNG规则重新组织；软件若只看名字，可能误判，真正读取时仍会失败。

数字表示可以分成两类常见路径：抽象符号依靠共同约定，现实信号还需要设备测量。

文字需要区分字符、编码和字形

人看到“汉”字时，会把它作为一个字符理解；计算机需要一个稳定标识。Unicode为抽象字符分配码点，UTF-8等编码形式规定码点怎样形成字节序列。[1]

码点回答“这是哪个字符”，字体中的字形回答“它画成什么样”。两部手机可以用不同字体绘制同一字符，所以外观略有差别；若系统知道码点，却没有包含相应字形的字体，可能显示空框。若字节本来按UTF-8组织，却被软件当成另一种编码读取，则会出现乱码。

缺字形和读错编码表面都可能是“显示不对”，故障位置不同。换字体能处理前者，按正确编码重新读取才能处理后者。

文本文件还需要知道换行、方向、语言、组合字符等规则。我们在屏幕上看到的一行文字，是编码、字体、排版和软件共同工作的结果。

图片把空间分成位置，颜色被记录为数值

数字图片通常把画面划分为许多采样位置，也就是像素。每个像素保存亮度或颜色信息。例如常见RGB表示会分别记录红、绿、蓝三个通道的数值；通道位数决定能够区分多少等级。

像素数量增加，可以记录更细的空间变化，却不能单独保证照片更好。镜头、传感器、对焦、曝光、噪声处理和压缩都会影响结果。高像素的失焦照片仍然不清楚。

图片也不等于现实。相机选择了视角和曝光，传感器只记录特定波段，后期处理可能改变颜色，裁切会删除背景。识别系统得到的是数字记录，不会自动知道画面之外发生了什么。

生成式图像模型产生的也是像素或其他中间表示。外观逼真说明图像模式生成成功，不证明画面对应真实事件。来源判断需要拍摄记录、编辑历史、发布者和其他证据。

声音需要采样和量化

空气压力随时间连续变化，麦克风把变化转成电信号。数字系统在一个个时刻测量信号，称为采样；再把测量值归入有限的数值等级，称为量化。[2]

采样频率越高，单位时间记录的测量点越多；量化位数增加，可以区分更多幅度等级。两者都影响记录能力和文件体积，却不能脱离麦克风、噪声、处理算法和使用目的单独评价。

采样意味着选择。间隔过大，快速变化可能没有被正确记录；量化意味着把连续范围映射到有限等级，会产生误差。工程设计要根据人耳、信号特征、带宽、存储与用途取舍。

视频进一步把连续图像、声音和时间组织在一起。帧率、分辨率、码率和编码方法共同决定体积与质量。视频“很清晰”不是单一参数能够保证的结论。

压缩利用规律，也会改变能够恢复的内容

数字表示形成以后，文件可能仍然很大。无损压缩利用重复和可预测结构，解压后恢复原始数据；有损压缩允许舍弃对当前用途影响较小的信息，以换取更小体积。

“无损”只说明解压后能恢复压缩前的数据，不证明压缩前的记录完整呈现现实。“高清”也只有在具体分辨率、码率、观看距离和内容条件下才有意义。

一张供聊天预览的照片、用于作品打印的图像、实验原始数据，对损失的容忍度不同。表示与压缩的选择应服从任务。

多模态AI处理的是表示，不是人的感知经验

多模态模型可以接收文字、图像、声音或视频。不同类型输入会先被转换为模型能够处理的表示，再在系统内部建立关系。日常说AI“看见”“听见”，是方便交流的简称；它不能据此获得人的身体经验、现场背景和责任。

理解数字表示以后，遇到识别错误可以沿形成过程追查：原对象是什么，设备测量了什么，编码和格式怎样组织，压缩丢掉了什么，模型实际接收了哪个版本。错误不一定发生在模型最后一步。

数字世界的基础并非0和1本身，而是人选择了怎样记录现实，又建立了让系统共同解释记录的规则。下一章继续处理这些记录怎样被装进文件、移动、同步并长期保存。