怎樣深入淺出地回答問題?
深入淺出的意思是,你掌握了一個專業領域內問題的正確答案,並且可以讓一個毫無專業基礎的人可以閱讀並且理解你的答案。
實際上,樓上很多答案本身都不「深入淺出」,怎麼教別人深入淺出?
其實幾乎所有「深入淺出」的奧秘都是:利用對方已有的認知基模。
怎麼做呢?首先來看問題:
你可能經常需要在極短的時間內,向別人解釋一個非常複雜的概念,而且對方還缺乏理解這個概念的背景知識。
比如,
你過年回家向吳阿姨介紹「什麼是產品經理」,向張大叔介紹大學專業「市場營銷」;
新電影上市,製作方讓大眾和新聞媒體了解這是什麼風格的電影;
創業家偶遇投資人,在電梯內1分鐘解釋自己的商業模式;
公司宣講會,HR向提問的應屆生解釋「我們的項目助理崗位實際上不是秘書,而是XX」;
甚至,你向朋友推薦一個全新的智能硬體產品,或者他沒有吃過的一個水果。
這對所有人來說都是一個困難的任務—在短時間內向0基礎的人解釋一個複雜的概念,這意味著你需要在相當簡單的信息中裝進去更多的內容。
但是文字本身的表現力總是有限的,你又怎麼能在短時間內裝進去這麼多內容呢?
實際上這是可以做到的,方法就是:利用對方已有的基模。
舉個栗子!
假設你需要跟朋友介紹一種他沒有見過的水果,第一種介紹方法是:
「這是一種水果,長在樹上,長大約5厘米左右,款大約2厘米,外面有厚厚的綠色的皮。外面的皮是不能吃的,剝開之後是另一層褐色的皮,乾乾的,不是很厚。再剝開這個皮之後,就是可以吃的果仁了。果仁吃起來很脆很香,含有很多油脂……」
第二種介紹方法:
「這是一種類似核桃的果子,和核桃大小、口感等各方面都差不多,區別是外形更加細長,而且殼更薄,更容易剝開。吃起來比核桃更脆,而且沒有苦味。」
同樣是介紹「碧根果」,上面這兩種方式那種更容易讓人瞬間理解呢?顯然是第二種。
因為第二種解釋跟對方的已知概念(核桃)聯繫在了一起。
我們知道,關於「核桃」這個概念,對方已經建立了一系列的印象(比如核桃是長在樹上的、核桃仁是脆的等)。而這種一系列的印象就叫做一個「基模」。(瑞士心理學家皮亞傑首先提出)
對於一個人來說,建立一個全新的基模是非常難的—那意味著大量的未知信息,所以我們小時候花費了很大精力才認識了什麼叫做「桌子」。
但是在現有的基模上加以修改是非常容易的,因為這僅僅意味著少量的新信息。(比如一旦你知道了什麼是「會議桌」,繼續理解什麼是「電腦桌」就容易多了,甚至繼續理解虛擬的電腦「windows桌面」都容易多了)
上面的第二種解釋就是讓對方在現有的基模「核桃」上進行修改,從而避免創建新基模的難度。
建立新的基模就好像你需要重新創作一篇完整的文章,而在已有基模上修改就好像在文檔上改幾個字一樣簡單。
比如請你記憶下面這一串數字,你看看需要多久:
1221084907985109
如果把這一串數字重新排一下序,你看看需要記憶多久:
1949197820082015
我想明顯是後者記憶更加容易。因為前者你難以同頭腦中已有的「基模」聯繫起來。
但是對於後者的數字,你就很容易跟大腦中已有的「基模」聯繫起來—你只需要記憶「建國」、「改革開放」、「北京奧運」、「今年」這4個基模就行了。
為什麼人類需要這樣的「基模」對信息進行歸類整理,而不是像電腦一樣直接存儲這些信息呢?
因為對複雜的世界來說,人的大腦容量和計算能力簡直太小了,以至於不得不靠基模來簡化信息。
人腦的CPU主頻不到小米手機的千分之一,而且存儲空間狹小—如果不對信息進行高效地壓縮和整理,一部XX.avi的動作片可能都足夠把你的大腦空間完全佔滿了。
但是我們仍然能記憶相當多的知識和無數的回憶,這是因為我們大腦具有強大的數據壓縮整理能力。
就拿記憶照片為例,計算機存儲1000張人臉照片需要1000倍的存儲量,而人腦實際上只相當於存儲了1張人臉照片(基模),然後看到新的人臉只需要在那個基模上做相應的改動—比如鼻子更高。
正是因為各種各樣基模的存在,才讓我們更加方便、不費腦地理解複雜的信息:
描述一個人的長相很麻煩?你會說她具有Angela Baby的臉型和舒淇的嘴型。
描述一個人的性格很麻煩?你會說他是一個典型的獅子座男生的性格,即使他是白羊座的。(雖然出生日期本身無法預測性格,但是星座給了我們一個簡單的概括別人的方法,從而減少了腦力的使用)
跟外國人描述《小蘋果》很麻煩?你會說這是中國版的《江南style》
跟投資人10s內講清楚商業模式很困難?你會說「我是裝修市場的小米模式」。
因此,如果你想讓別人迅速地理解一個全新的概念,就一定要利用對方已有的基模—看看他過去的記憶中,有哪些跟這個概念類似的地方。
那我們如何利用「基模」來用簡短的語言傳達複雜的觀點呢?
你只需要2步走!
1,避免偏見—避開不必要的基模
2,套用已有的基模
1,避免偏見—避開不必要的基模
看看這個最經常的例子:
過年回家,你可能會被親戚阿姨問:
「小張啊,畢業有一年了吧,你是做什麼工作的啊?」
「是啊,阿姨,我去年畢業的,現在在互聯網公司做產品經理。」
「這麼牛啊,剛畢業1年就當了經理啊,我就說吧,我從小抱過的孩子將來都有出息!說說,現在手下管了了多少人?」
「阿姨,您搞錯了,產品經理不是管人的,而是相當於管產品的,而且在我們公司也不是高級職位。」
「那產品經理是做什麼的啊?」
你覺得實在詞窮了,求救萬能的百度百科,然後讀給她:
「產品經理就是企業中專門負責產品管理的職位,產品經理負責調查並根據用戶的需求,確定開發何種產品,選擇何種技術、商業模式等。並推動相應產品的……」
「哎,小張,晚上在我這吃飯我給你煮羊肉餃子好不好?」——看來阿姨也放棄了。
為什麼小張改掉他阿姨對產品經理的偏見這麼難—不論小張多麼努力地去解釋,阿姨還是覺得「產品經理是高管級別職位,是管很多人的」?
因為阿姨過去已經形成了「經理」的基模,當小張說出「產品經理」這個頭銜的時候,她就自動激活了自己關於「經理」的各種記憶—高級職位、管很多人、有經驗的人才做的等。
因此在這個阿姨聽到「產品經理」的時候,她就自動套用了「經理」這個基模,來幫助她理解「產品經理」這一新概念。而這樣的理解卻是於小張的概念是衝突的。
所以對小張來說,阿姨過去的基模讓她形成了對產品經理的偏見,就很難再讓她改正過來這一個觀點了。
那麼怎麼辦呢?
一種方法是直接告訴阿姨:「阿姨,你剛剛的大腦中自動套用了』經理』這個基模,從而扭曲了你對』產品經理』這個概念的理解。」(呃,前提是這個阿姨學習過認知心理學)
既然大部分阿姨並沒有心理學博士學位,你往往就需要用第二種方法:避開不必要的基模。
假設你想向阿姨介紹「產品經理」這個崗位,那麼「經理」這個基模對於阿姨理解的你的工作幾乎毫無幫助,反而會導致她產生不必要的偏見。
如果你一開始像這樣避開了「可能帶來偏見」的基模,不提「經理」,就會好很多:
「小張,你是做什麼工作的啊?」
「在互聯網公司從事產品方面的工作,主要就是做一些XXXXX……」
「原來是這樣啊,那這個工作具體職位叫什麼啊?」
「阿姨,根據我剛剛的描述,你覺得取個什麼名字合適?」
「我看吧,』產品策劃師』?」阿姨疑惑的問。
「其實吧,它的名字叫』產品經理』,不過您剛才也看到了,和傳統的經理其實沒有什麼直接關係。」
所以,當你給別人介紹一個陌生概念時,要先避開容易導致誤解的基模。
2,套用已有的基模
如何讓別人理解「碧根果」?你可以套用「核桃」這個定義,然後在核桃的基礎上進行修改—比如皮更薄。
如何向美國人介紹「春節」?你可以說「中國人的聖誕節」。
如何介紹第一代iPhone?喬布斯說的是「一個大屏幕iPod+一個手機+一個上網設備」。
如何跟學物理的人解釋「大企業被顛覆」?你可以說:「根據牛頓第二定律,物體質量越大,改變其加速度就越難—需要更大的合外力。同樣,企業越大,靈活順應市場來調整其定位及策略也就越難。」
所以,對於一個完全不具備背景知識的人來說,大量的描述性語言讓人完全抓不到頭腦,而利用對方已經理解的事物(基模),再在這個事物上修修補補就容易多了。
(比如當你在解釋碧根果前先解釋「核桃」時,對方腦中立馬浮現出了核桃的形象,這時候你再說「皮變薄一邊」,他就容易想像多了。)
總之,不要跟養羊人說「1+1=2」,而要說「一隻羊+一隻羊=兩隻羊」。
而至於具體套用什麼「基模」,是需要慎重選擇的,因為使用的「基模」不同,最後產生的理解和感知是天壤之別。
比如這樣一個新聞「美國對非洲的援助每年僅有10億美元」。一個普通人看過之後,可能會疑問「10億美元很多啊,美國真土豪,這還少!」
這時他潛意識中使用的「基模」是「金錢」,他自己過去對金錢已經形成了基本的印象(也就是基模),在他的基模中,可能「100塊」是小錢,「10000塊」是大錢,而10億美元是絕對的巨款了。
所以,如果使用「金錢」作為基模,激活別人過去對「金錢」的記憶,別人自然不會感覺10億美元的援助不夠。
但是如果說「美國每年用於援助非洲的錢只相當於其中一架B-2轟炸機的造價,也就是區區10億美元。」
這時所有人就會覺得「天啊!美國真是太缺乏人道了!」這是因為大家此時理解「非洲援助」這個事件時,使用地是「轟炸機的價格」這個基模。
這樣的技巧也常常使用於訴訟中,比如有人被肯德基的水燙傷了,如果訴訟時要求賠償幾百萬美元,陪審團肯定覺得太多太不合理的了。
但是如果說「對於這樣的無良企業,我們要求他拿出當天銷售額的千分之一來賠償消費者,是一個絕對合理的訴求!」這樣聽起來就更合理了,即使金額是一樣的。
所以如果你想介紹你產品經理的工作內容,又想裝得一手好逼,與其拿「小區門口的湖南菜館」做基模來類比,不如說:
「阿姨,我看到您經常關注軍事內容啊,昨天你還跟我說美國的最新電磁軌道炮呢!你知道嗎,美國的軍工企業在研製軌道炮時,需要有一個人去協調整個過程,其中包括—跟政府軍隊溝通調查潛在的戰爭需求,根據戰爭需求來跟研發工程師溝通設計軌道炮,並且協調產品交付時間等等,他不管人,他管的是軌道炮這個產品。而我在互聯網公司做的工作就是類似這種,協調我們的APP整個過程。」
使用「基模」可以加快別人的理解,但是為什麼很多人尤其是「專業人士」很不喜歡用?因為這種「加快理解」是以犧牲準確性為代價的。
為了跟初中生解釋原子的結構,你可以說電子圍繞原子核轉就好像地球圍著太陽轉。但是實際上這是不爭取的—電子在原子內是以概率雲的形式運動,遠遠比單純的「繞著轉」要複雜得多。
但是在大多數情況下,大家可能並不需要也不想要理解準確而嚴謹的知識,這時候你就需要找一個對方已經理解過的事物,並且在這個基礎上修修補補。
更多「深入淺出」的商業分析,可以搜索關注我的個人微信公眾號:李叫獸(ID:Professor-Li)
或者掃描二維碼:
http://weixin.qq.com/r/bEMIEKTElvnpreBz9xZ_ (二維碼自動識別)
深入淺出是一個非常有誘惑力的詞。太多人會因爲某個答案裏有幾個他不認識的術語或概念,就斥之爲「賣弄」「故作高深」,殊不知這就好比你不認識五線譜就根本沒法跟你解釋對位法一樣。也有太多人因爲某個答案裏有幾個他不認識的術語或概念,就捧之爲「乾貨」,殊不知這就像在課堂上或圖書館裡抄了很多筆記之後就獲得了良好的自我感覺,好像那些知識都被他內化成了自己的似的。
讓一個人看了覺得「的確好有道理哦」完全不等於深入淺出,它只說明了一件事:這個答案讓這個人看了之後覺得好有道理。大部分人說一個答案深入淺出的時候,他們的意思只是淺出,而沒有深入。換言之,他們的意思是「這個答案(我自以爲)我看得懂」。僅此而已。閱讀從來就是一件對寫作者和閱讀者都有要求的事,大部分的深入淺出根本就是一個 myth(被普遍認爲正確,但其實是錯誤的事)。
不用術語。
不用術語,用合適的比喻。
知乎上對於高大上有種偏執的追求,很多人的答案里喜歡把問題掰開了揉碎了講,把裡面幾個簡單的名詞,通過引用文獻、反覆解釋,反而造成隔閡,這樣只有兩種結果,一種是別人看得雲山霧罩,不明所以,但不明覺厲,還是點贊,一種是別人雖然看懂了,但花費了不必要的時間。而一個人如果把話說得通俗明白,立刻會有人評論,答主不懂不要亂說。
知乎不是學術平台,知乎最多是個科普平台,更多是個交流平台。把話說得明白曉暢是十分重要的,事實上,能夠把事情研究透是一個本領,把事情講明白是另一個本領,而通常真正把事情講得很明白的人,他對事物的理解會更上一個台階。也就是說,深入淺出是更高的技能。
知乎上主張多讀書,但讀書不是最終目的,最終目的是拿來用的。如果書讀了,還能拿來用,那麼講出來就不是問題了。
所以能深入淺出地講一個道理不在形式,功夫在寫作之外。一是理解,二是運用。深入,就是解釋你不知道的東西。
淺出,就是用你能理解的概念說。
一針見血,直指核心。
題主的問題是深入淺出,但是我覺得光深入淺出還不夠,你還要足夠簡捷。能深入淺出的講問題的,往往都是大家,原因就在於講述者是徹底分析透徹了知識內部的架構,牢牢抓住了核心內容和關鍵邏輯。
如果提問者是為了解決實際困難,那就直接給一個解決方案,不要解釋為什麼這個解決方案會是這樣。就是直接給「魚」而不是「漁」。
如果提問者是為了解決困惑,那就講一個他/她能聽懂的故事——大部分的專業討論,其表述被精簡到一定程度時都會變成故事。
如果提問者想要了解解決方案背後的成因,或者不滿足於聽一個故事,
那就收諮詢費。
部分情況下只是給解決方案也應該收費。
ps. 回答完以後我已經有點明白為啥陸琪的微博會有那麼多的前後矛盾了……
只講故事,不講道理!少抖機靈,多用樸實的辭彙。
能舉例就舉例,不能舉例直接說結論。
能和日常生活結合就結合,不能結合基本就沒人看了。對於數據,減大於加,按以下步驟進行深入淺出:
1.搜集你能搜集的所有相關數據;
2.去除你能去除的所有數據;
3.將剩下的數據打撒成最小元素;
4.將最小元素重新組合成最小基本單元;
5.梳理各基本單元之間的關係;
6.得出大道至簡的規律性結論。
不用比喻,只用術語。別以為閱讀不用成本。也別以為你可以用手法把深入理解的成本降低。
看看人家是怎麼解釋C++ 的dynamic cast 的dynamic_cast的「運行時型態的轉換匹配」,是通過維護一棵由type_info型態對象作為節點的型態繼承關係的樹,遍歷這棵繼承樹來確定一個待轉換的對象的型態和目標型態之間是否存在is-a關係。
我猜猜看,題主想成為一隻大牛?呃,讓先我想想在知乎都看過何種回答,給你一點市場調研數據,然後再說深入淺出。在下贊過並且贊數過千,大致有以下這些答案類型。
一般回答,中入中出:
第一步:答案是什麼,是否需要抨擊題主,黑化之類。
第二步:為什麼是這個答案,表述觀點。例如12345,所以應該上山打老虎。
深入深出回答:
第一步:定義問題與答案涉及的名詞和語義。
第二步:給出答案需要的所有可能,舉例或舉證,拿出數據或實驗、引用文獻,言簡意賅。
淺入淺出回答:
就一步:五十字內直接給出結論,不解釋或只解釋一句,看了後感覺無法反駁。
還有拐彎進,拐彎出:
第一步:放答案咬你,振聾發聵,黑體。
第二步:用辯證法證明答案的合理性,or舉例。
第三步:深度總結,角度新穎,三觀奇特而不歪,黑體。
其他進也不進,看了就像點五百反對秒射的答案就不列舉了。
呃,我看看以上總結,再一想如何深入淺出。
逆天的難啊!
知乎問題大致分為理工專業類,體驗類,腦洞類,文史類,社科類,娛樂時尚,時政,感情,知乎類,求噴約架群嘲類等等。
不論哪個類型,深入淺出的超贊答案應該都是難以做到的。
深的定義應該是有深度,很深,要求答案本身專精,並不是包含的知識點越多便越深,否則大百科全書可以幹掉知乎許多問題,也不是答案正確就是深,文筆流暢的表達一個觀點應該說是正,不叫深。單單角度新穎應該也不叫深,除非是建立在專精之上的新穎(例如抖機靈就不是深吧),三觀正確應該也不算(例如勸離婚)。
淺的定義就是淺顯易懂,是個人就能看懂。實話說做到這點寫故事就行,例如體驗類,其餘情況很容易做到,卻不能講深,例如單片機相關問題,例如中國古音律的音階,宮商角徵羽,這玩意解釋起來很繞,淺顯易懂的可以比喻為五官和五線譜,深度解讀就複雜了,堪稱逆天,很多詞都不能用比喻讓人理解,不信就搜索一下變徽,看看能不能。要是只回一個五線譜,估計會被噴死……反正我的古音律這門課基本當年第二節開始註定死掉,也許是我太low。
故,如非一行業的頂級大牛同時兼高級寫手,例如艾爾伯特這位,不要想著淺顯易懂這四個字啦。寫故事要切題也有挺難的,先做到別的也不錯呢!
呃,我猜艾爾伯特同學估計來答題,也夠嗆能深入淺出,可想想易中天和明月,我還是很喜歡的看看熱鬧的,嘿嘿。
例如本題,可深可淺,針對個人,我想是無解的,無法學習。
以下非答案,請無視。
題外話,偷偷列舉我最討厭的知乎回答類型,個人見解 。a,非文學及開腦洞及求體驗問題,答案長度足以拉到手疼,無限墨跡堪比無限恐怖,比博碩士論文都長,我真的佩服耐心,但不喜。
b,違背常識性和邏輯性,對專業問題直接開腦洞。
c,可搜索到的答案,隨便粘貼一下。
d,文字雋永,下筆優美寫意如飲茶,圖片堪稱逆天多,實際上八成字數可以刪掉,求贊意圖明顯。
能否深入淺出,靠的是倒行逆施,
讓本真的內核可以套用任何皮相。
比如說,紅樓夢是一部科幻作品,
你能自然的套進去就可以淺出了。
只是深入,
是各自完整的,也是沒有彼此的。
只是淺出,
是天生殘缺的,也是完好無損的。
深入淺出,
是缺少完整的,卻能聯繫成圓滿。
如大潑墨山水,只剪影而知其形。
如斷臂維納斯,萬般法相在心中。
把缺陷的記錄者權利交給閱讀者,
閱讀者本身的作用就是那段缺陷。
那段缺陷可造化千手觀音維納斯。
為什麼要讓沒有專業背景的人讀懂你的專業答案呢?
專業答案根本就不應該迎合非專業的人。
即使深入淺出了,也不過是似懂非懂而已,自欺欺人罷了。
例如:廚師專業,汽修專業,挖掘機專業,洗剪吹專業...
這些專業上怎麼講,你就跟我怎麼講。
不存在你說的我完全聽不懂的節奏。
好歹爺也是接受過9年義務基礎教育的。
別人有問題,你知道得就寫下來告訴提問者就行了。
足夠深 滿觸G點 深到直指本質
一點一點慢慢的淺 讓對方回味的時間足夠長謝邀
除了講故事我沒有更好的辦法,我多數情況都是淺入深出
或者不自覺地深入深出
因為很多題主,在提問的時候往往沒有考慮特別周詳,而我在回答我擅長的問題的時候
會想很多,就像最近一個問題
為什麼知乎的健身科普員在不了解提問者審美觀的情況下就敢於給出健身塑性建議? - 運動
我起碼會想,題主你怎麼不說說自己的情況呢?這樣我就要把全部要素考慮進去再回答啊
這樣的答案不可能淺出了,答案甚至是一個不確定的東西
因為問的人想的太簡單,但是我的回答過程就是把一個看起來簡單的句式延伸
複雜化,再簡化,歸納,得出結論,這樣就短不了了
當然我心情不好不想認真說的情況除外
實際上要談這個問題,很複雜
首先,提問的是否足夠精準就是一個問題
嗯,謝謝 @琪琪邀啦~
同學曾有言,說「我們會10分的東西,能講出來5分就不錯。你會1分的東西,能講出10分來。」
MB我也不知道這是在誇我還是在黑我,大家同窗四年為毛我就會1分的東西!
不過總而言之,似乎還蠻合適回答這問題,我稍微整理一下把自己的方法寫出來,還請各位參考。
--------------------------------------------------------------
深入淺出這事兒,要求實在是太高,高票回答說的不錯,一般只能淺出,深入不了,回答的結果也只是讓聽者自認為自己懂了(其實還不太懂)而已。別的行業不說,IT這個行當,離了數學和代碼,不要說什麼深入,壓根深入不了。所謂「talk is cheap,show me the code」是也。
我們認識一件事,向來都是先框架後細節,先感性後理性,這就是淺出的意義所在。把一個抽象的概念用比喻、類比等方法講清楚,有利於在「深入」過程中把握主題,不至於迷失在數學公式和代碼中,對非專業人士,這種描述可以讓他知道你大致在做什麼工作,有什麼意義,不至於在和你的交互中茫然無措。儘管這種描述常常充斥著很多不準確的成分,但沒有模糊,無以精確,框架搭好了才能提細節問題,這裡為什麼是這樣?那個模塊是幹什麼用的?如是而已。
深入淺出我不敢談,而且私以為深入淺出只對有一定專業基礎的人適用,我只說如何把事情講淺。總體思路就一個,先框架,後細節,慢慢深入,能深入多少是多少。
一、把背景講好
首先要把問題拋出來,除去純數學純物理那種渺然在雲端的存在,我們搞具體實在的科研的人,凡有一個演算法、一個理論,必然是要解決現存或存在過的某個問題。背景講清楚,等於把要解決的目標問題拿出來了,那以後的所有演算法、理論都是要解決這個問題,這樣聽者至少有個大方向了。舉個栗子,我本來是想搞機器學習的,當然現在這塊也沒放下,但是因為實驗室的一些原因,現在轉去搞視頻編碼了。譬如我要跟別人講視頻編碼,那我一定會首先把問題拋出來——為什麼要視頻編碼?用一些簡單的計算表明,如果不對視頻進行編碼,你那1T的硬碟可能也存不了兩部愛情動作片,你那4M網速,上youku看個視頻就是白日做夢——當然沒有視頻編碼youku本身也是個白日夢。聽者現在就知道了,原來視頻編碼的目的是要把海量的數據壓縮到我們可以忍受的範圍,還要保證一定的視覺質量。再往後講這個技術,大家就知道一切手段都是為了完成這件事情,大方向把握住了。
二、多談基礎,少談高精尖
這世上沒有天外飛來的高精尖技術,所有看起來高大上的東西,都是在一些很naive的基本想法上一層層壘起來的。而那些最初的想法,基本上都非常的樸素,樸素到你不由自主的會想「老子要是早生50年,這理論老子也能提出來」。
再進一步,在樸素基礎上往上一層層壘起來的的東西,也不一定很有技巧,大多數情況下其基本想法也很樸素,只不過它們的樸素建立在一定的基礎上,外行人一下子get不到而已。
要講的淺,就要把那些「老子早生50年也能提出來」的東西講出來,這玩意兒不分內行外行,有點基本思考能力的都能明白。還說視頻編碼。剛才提到視頻編碼是為了把海量的數據壓縮到我們能忍受的程度,那麼,怎麼搞?我只說一個想法,一秒鐘播放25幀圖像,每兩幅圖像之間的差別肯定特別小,大家想一想,應該是這樣的吧?除去少部分場景切換的情況,絕大多數時候相鄰兩幀的相似度都很高,高到人眼都看不出來這兩張圖是不一樣的。
那幾乎一樣的兩個圖,為毛我要保存兩回呢?可不可以這樣,我只保存第一張圖,然後做一個判斷,如果這張圖和後一張圖相差很小,那就不保存後一張圖,需要播放的時候只需要把前圖同樣再播一次就可以了。
起個名字,這種模式叫skip,也就是跳過該圖不進行壓縮只保留一個「此處應有上一張圖」的標記。出於計算考慮,現在的視頻編碼不是以圖為單位,而是以塊為單位。所謂塊,就是一張圖的一個部分,塊的大小很小,例如可以取8*8,也就是長寬都是8個像素的正方形,我這台電腦的解析度是1920*1080,你可以感受一下這個塊大概有多大。塊可以更靈活的skip,這幅圖和上圖只有一小部分不一樣,其他地方都一樣,那麼一樣的部分的塊就可以skip掉,不一樣的再保存,這是不是更進一步提高壓縮效率呢?
三、抓大放小,抓主要放細節
上面的圖像編碼的例子事實上已經體現這個方法了,事實上搞圖像編碼的人都明白,分塊編碼方式是一開始就定了的,至少我還沒有看到哪個標準提「以圖像為單位」skip,但這重要嗎?不重要,聽眾要掌握的是你這行工作的大致技術,他們不在乎細節,細節也不是三言兩語說的清。只要把「兩張圖大致一樣,就只要保存一次」這種樸素到沒救的想法傳遞過去,就可以了。這個概念有了以後,再談進一步細節,比如兩個圖只有一小部分不一樣,大部分都一樣怎麼辦?分塊skip呀。不一樣的那些塊內部也很相似,只是某些點偏移了一些位置,全部保存是不是有些浪費?幀間預測,運動補償呀。框架搞好,再談細節。
記住你是在對一個外行人,或者是一個剛入行的新手講東西,精確性固然能體現你的科學素養,但在搞科普建立概念的時候,還是不要太追求精確,得其大意,足矣。
四、關於術語
很多樓說不用術語,須知術語也分很多種,基礎的術語其實把生活中的一些詞拿進來用而已。譬如信號與系統,你說信號是術語還是系統是術語?生活辭彙而已。只要加以適當的解釋,術語用一用也無妨,比如上文的skip模式,儘管是術語,可是把它背後的意思解釋清楚,我相信聽者也不認為它能有多麼高大上。
術語的使用應該以淺顯清楚為要,在使用一個術語之前,務必講清楚它代表的是什麼意思,講清楚skip這件事兒具體是幹什麼,最後給它起個名字叫skip,在理解上應該就不成問題了。
——————————————————
先寫這麼多,完了有想到的再添加。
推薦閱讀: