你每一次视频聊天，都有一群人躲在背后

文 |谢幺

来源 |浅黑科技

0

大家好，我是谢幺。

闷在家一个多月，有个“小秘密”终于憋不住了，向大家坦白：

其实在我们的世界，高科技什么的，根本就不存在！一切都是“小人儿”在背后支撑。

比如，你起床洗脸，水龙头流出的水根本不是自来的，而是有个你看不见的“小人儿”在那头拼命压水。

你用烤箱加热面包，是有一个“小人儿”偷摸把面包拿出来用喷火枪烤。

另一个“小人儿”则拿着三角铁跑到你身后“叮——”烤好了。

马路上，看不见的“小人儿”挂在铁杆子上切换红绿灯，推着汽车一路狂奔。

洗衣机背后，一群“小人儿”蹲在地上搓洗、晾衣服。

电视画面是一个“小人儿”用单身几十年的手速飞快切换图片。

地铁进站，闸机是一个“小人儿”藏在里面，递票开闸。自动贩卖机就更不用说了。

发短信是一个“小人儿”在你身后抄写你的信息，然后飞速跑去，丢进对方手机里。

如果两个“小人儿”不慎相撞，就造成了网络抖动。不小心把信弄丢了，那就是网络丢包。

…… ……

好吧，我实在编不下去了。

其实这是我最近在家摸鱼时，看的一部动画小短片《KUROKO》，脑洞很大有木有？尽管荒诞，可一旦接受这个设定，整个世界都变得有（mo）趣（huan）。

假如世界真是由这么一群“小人儿”在支撑，那他们最忙的场景，一定发生在互联网，尤其是实时互动场景。

比如最近疫情爆发，我们窝在家办公用的视频会议，远程教学，医院用的远程会诊系统……

试想，当一位老师在家远程教学，这些小人儿们得窝在老师身后，以神级的手速给老师画像（录制画面），飞速把画像和声音打包好（编码），再排着队跑到每个学生的家里（传输），一张一张展示在屏幕上（解码播放）。

由于画面是实时传输，一切都发生在几百毫秒之间，所以这些“小人儿”个个都得身怀绝技。

再告诉大家一个小秘密，其实在赛博空间里，这些小人儿是真实存在的，它们的名字叫“比特”（Bit）—— 信息量的基本单位。

我们在远程视频时，它们就奔走于赛博空间，帮我们传递音视频信号。在现实世界，我们把这种本领叫做 RTC—— Real Time Communication（实时通讯技术）

科技支撑着我们的日常生活，可它像冰山，奥秘总藏在水面之下。今天我将用最通俗易懂的语言，为大家揭开 RTC 技术的秘密。

1.“粗暴”的互联网

此时此刻，你拿起手机就能跟家人朋友视频聊天，远程开会，在线上学，但仅仅在20年前，这事儿还很难办。

因为最初的互联网不太适合干这件事。

互联网的建造者大概没想到，十几年后，实时互动的需求就如此之大。他们最初把互联网设计成了一个“尽力而为”的系统，给后人留了个大坑。

啥是“尽力而为”的系统呢？

互联网就像是课堂上传纸条，无数同学组成一个“网络”帮你打助攻，把纸条送到对方手里。

一开始还挺好，可问题是，班上传纸条的人越来越多，递纸条的同学忙不过来了，这就产生了“网络阻塞”。

互联网节点的解决办法特别粗暴：忙不过来就丢掉一些人的纸条 ，永远只“尽力而为”，棒打鸳鸯，简直无情。

而且班里参与传纸条的同学还分成不同派系！比如咱班上三大派系的老大分别叫“殿信”、“连通”、“夷栋”，遇上纸条太多，他们就优先保住自己派系的纸条，别家的纸条从他们这里过还得收费。

班主任当然想让班里的同学都和平共处，免费互联互通，这不，这几天又有了些进展：

所以互联网拿来发邮件、网页、图片、文字消息还好，哪怕丢包严重，大不了多传几次。可用来实时视频问题就大了，碰到网络阻塞就难免卡顿，断断续续不流畅，甚至掉线。

用专业点的话来说：互联网能让你很方便地访问全球的资源，但缺点是没有 QoS (Quality of Service，服务质量）保证。

所以在早期，人们想通过互联网联络，只能“送信”——发邮件或即时消息，不能“打电话”—— 实时通讯。

这不，1998年腾讯做 QQ，名字还叫“OICQ中文网络寻呼机”，真就是个哔哔机，输入对方号码，发送一段消息。

转折点发生在1999年，瑞典一个名叫 Global IP Sound 的公司成立了，只有十来个人，却个个都是人才。

他们做了一个专用于互联网的语音压缩引擎，从此名震江湖。你基本可以理解为，贝尔在现实世界发明了电话，而他们在互联网世界重新发明了电话。

除了音频编解码器，他们的核心技术还有这么几个：

丢包补偿算法：如果网络恶劣经常丢包，就能针对性地“补发快递”。

网络自适应算法：根据网络情况自动调节音质，优先确保通话流畅。

回声消除算法：消除电脑麦克风和音响的回声。

这个故事告诉我们：世界不迁就你，我们可以适应它。尽力而为的互联网不满足人们的实时通信需求，我们就做个解决方案来适应它。

后来，这家公司名字从 Global IP Sound 更名为 Global IP Solutions，因为不光做音频技术，也开始做视频网络通话技术。但总归英文缩写没变，后文咱们都用 GIPS 指代它。

毫无疑问，GIPS 让世界变了样，具体有什么？限于篇幅，我只说三个大部分人都熟悉的小故事。

1）GIPS 和 QQ

此时此刻，你打开 QQ 的“关于QQ”选项，还是能看到关于 GIPS 的字样。 

虽然 QQ 很早（2000年）就做了视频聊天功能，但起初难用到爆，直到2004年，腾讯给语音功能前面加了“超级”两个字，才“忽然”变得很好用。

当年超级语音的宣传广告

好吧，背后其实是腾讯开始买 GIPS 的技术方案。

虽然不知道交易细节，但众所周知，北欧的人力成本很高，GIPS 的技术方案一年一收费，还按照用户数量收，腾讯应该是下了血本。

但它也不亏，自从服用了 GIPS ，QQ语音腰也不酸，腿也不疼了，延迟、回声等各种毛病也都不见了，还支持多方语音，用户体验一口气上五楼。

那一年，GIPS 才25名员工，却能吸引地球另一端同样顶尖的技术人才来取经，说他们是世界上最顶尖的语音处理和 IP 电话技术专家，应该没人反对吧？

直到2010年GIPS “出事”（先卖个关子），腾讯才“被迫”开始自研音视频引擎。

2) GIPS 和 Skype

提到网络电话，肯定绕不开 Skype ，几个小伙汁本想做一个用 WiFi 传文件的软件，反应过来才发现，传什么文件，拿来打便宜电话岂不美哉？于是 2003 年，那是一个春天，Skype 就这么出现，尽管用户一开始抱怨通话质量太垃圾，但一想到能省下一大笔长途电话费，又觉得真香了。

Skype 上线一个月，下载量就破了百万，足以证明互联网实时通讯的需求之大。

没多久，他们去往北欧找 GIPS 取经。Skype 创始人兼CEO小尼（Niklas Zennstrm） 这样评价 GIPS ：

“终于等到你，还好我没放弃，我们寻找世界上最好的语音引擎来支持我们的软件，感谢 GIPS 提供给我们，对我们网络电话软件而言，语音质量非常关键，而 GIPS 的软件包让Skype 比电话的通话质量更好。”

就连洛克希德马丁公司（就是造战斗机的世界第一武器制造商）都给GIPS做过一个测试：“GIPS在语音质量上全面超越了G.722、G.729等电信系统常用的编解码器。”

3）GIPS 和YY

2005年，李学凌要创业，雷军投了100万美元。

多玩网本来只是一个讨论魔兽世界的社区，后来慢慢就做成了一个综合游戏网站。

众所周知，打魔兽需要团队配合，打传奇需要喊兄弟来砍自己，它们都有工会系统，打字渐渐不能满足需求，语音就变成了必备品。

2008年， 实时语音软件YY上线。

后面的事大家就都知道了，YY 很快干掉其他同类软件一统游戏语音江湖，推动了一家纳斯达克上市公司，成就了一批互联网富翁。

但其实这里头有个事大家不太知道，YY之前已经有一批游戏语音软件，比如 TT、 iSpeak、Utalk (这个还是新浪UC官方做的），YY 最初只是很普通的一个，李学凌整天为卡顿延迟的问题发愁，日活怎么也撑不过40万，急需一个技术大牛来解决问题。

YY的投资人刘芹引荐了一个从硅谷回国创业的人，赵斌（请记住这个名字，他是本文后半段的男主）。

此人是 WebEx 的创始工程师之一，WebEx 又是个啥？世界上最屌的视频会议公司，没有之一，2007年被思科公司收购，价格是32亿美元。

赵斌到 YY 不到一年，就重构了 YY 的底层代码，实现“不卡不掉不延时”，用户量和服务承载能力成百上千倍地翻，很快甩开对手，据说李学凌还曾自掏腰包给他买了一辆奔驰。

这跟 GIPS 有什么关系呢？

赵斌是从 WebEx 出来的，根据公开资料， WebEx 一直用的也是 GIPS 的技术方案。

至此你会发现，世界上最流行的通讯软件，背后的技术一脉相承。

2.实时互联网的时代

GIPS 这么牛的一家公司，2010年居然被谷歌以6280万美元就给买了，怎么看都觉得谷歌捡了大便宜。

第二年发生的事更吊诡，谷歌给 GIPS 的技术方案换了个名字：WebRTC —— Web就是网络的意思，RTC 就是前面我们说的实时通讯。

然后开源，让大家都来免费用。

吃瓜群众的瓜都掉了：谷歌这是要干啥？这不就相当于天价买来一个绝密药方，挂在网上任大家免费用？

可仔细一想，真特么神来之笔！

类似的神操作，谷歌不是第一次干。详情可参照谷歌买 Android 的故事：

2005年花5000万美元买下 Android 公司。

2007年，谷歌的大佬们看到乔布斯笑嘻嘻拿出 iPhone ，心里慌得一匹：“卧槽，我们可能做不出这么屌的手机。”可他们又预感移动智能时代即将来临，赶紧在同一年公布 Android，并告诉大家“都来用吧，开源，免费哒！”后来才有了今天安卓、iOS 两分天下的局面。

我猜，之所以谷歌在2010年把 WebRTC 开源，也是认定：未来的互联网会是一个充满实时通讯的互联网，为了掌握未来的话语权，我要推动这一切的到来。

这不，第二年它就把 WebRTC 集成进自家的 Chrome 浏览器里，让浏览器原生拥有实时通信、视频、语音通讯的本领，不需要借助第三方插件。

很快，微软、火狐等浏览器厂商赶紧也跟进，隔壁 Adobe 家的孩子 Flash Player 播放器一下子懵逼了。

有过上网冲浪经验的中老年朋友们都知道，早些时候网页播放视频都需要借助 Adobe Flash Player 播放器。

“现在浏览器都原生支持视频了，那我怎么办？”

果然没过多久，谷歌就带头围剿 Flash Player，还给它下了最后通牒。

在中国，也有一群人眼里闪烁着实时互联网的影子。

还记得帮 YY 力挽狂澜的那个技术大佬赵斌吗？2004年，他就从 WebEx 离职回国，创办了“泥巴网”，想用一种叫“流媒体”技术来改变世界。

“流媒体技术”其实跟“实时通信技术”差不多意思，或者说是它的前身、基础。

在“流媒体”技术之前，我想看“学习资料.avi”，得把整个片子的文件完整下载下来，有了流媒体技术，片子就能分成很多个片段像水流一样顺着网线传输到我电脑里，实时播放。

像优酷、土豆网、PPlive、华聚网、56网、Mysee（暴露年龄的时候到了）等视频网站和“网络直播”之类的概念也都是在2005年前后兴起的。

2011年，李学凌在一次公开会议上说：

“1997年，我开始上网，最早的互联网是一个异步的通道，我发一个邮件之后，可能两天之后才能回给你，大家习惯了这种模式，精力也都集中在异步内容的积累上。等我做 YY 大概一年以后，有一天忽然意识到，互联网有一个特别大的需求长期以来都被忽略，就是需要一个实时通道。”

那次会上，李学凌公开宣称已经把YY公司的理想重新改变为：要为互联网创造一个“实时互联网的能力。”

我猜当年台下一定有不少观众一脸懵逼，心想你不就是一个给网瘾少年们做打游戏语音的工具么？这胖子吹的“实时互联网”是个啥？

时间往后拉10年，2020：

当年的欢聚时代（YY的母公司）已经成了一家上市集团，取得了商业上的成功。

转型做直播，让直播打赏模式变成互联网的又一种基础商业模式；

后来直播带货火了，李佳琪一个对着镜头，卖出的货比一家大型商场还多;

电视里，视频教学的广告一个一个冒出来，在线教育市场一个个老板跑去交易所敲钟；

在线医疗、视频会议……越来越多基于直播和实时互动的新鲜玩意儿蹦出来；

你我拿起手机，想见父母朋友时，随手能拨过去一个视频聊天……

再回想10年前那个胖子说的话，心里只有三句卧槽。

现在也无法追究当年是谁影响了谁，但这不重要，重要的是：实时通讯的种子已经播撒在中国互联网的土地上。

后来YY 成了一艘大船，在商业的航道上越行越稳，YY 直播、虎牙直播、YY在线教育……以及前不久推出的 MoTouch，基本都按照当年预定的轨迹。

赵斌却在2013 年递交辞职信，放下一条小船，独自驶向硅谷，终极目标还是“实时互联网”，却走的是一条技术人特有的路线。

他给自己的船起了个名字：“声网 Agora”。

3.API 信徒

到这，赵斌就成了男主，必须严肃介绍一下。

赵斌的英文名叫 Tony Zhao，所以我们可以叫他老赵，斌哥，或者 Tony 老师。

据说，Tony老师到硅谷创办声网Agora之后，公司的第一行代码是在硅谷的一个车库里诞生的，这很硅谷。

他想用一个技术人特有的方式来实现心中那个“实时互联网”，什么方式呢？在声网的官网， Tony老师的介绍上面写着答案——API 信徒。

先卖个关子，咱们回到时间轴。

2011年，谷歌把收购来的 GIPS 技术改名 WebRTC 开源出来，很快就在技术圈子掀起一阵波涛？并没有。

一群开发者围着扔在地上供免费取用的 WebRTC 半天，发现这玩意儿根本不能拿来就用 —— 没有详细的使用说明书，也没有整体的技术方案供参考，还有不少缺点，需要自己慢慢优化调试。

就好比有人送给你一条免费的河豚，说它有世界上最鲜美的肉，可你根本不知道怎么烹饪，一没弄好就可能被它毒死。去找别人帮忙吧，一般的厨子也不会，找高级厨子又超级贵。

结果绕了半天，还是只有大公司有技术实力能 Hold 住 WebRTC，中小公司的技术小哥们只能干瞪眼。

哪里有问题没解决，哪里就有商业机会。

2004年，赵斌创办泥巴网时，目标就是推动流媒体技术的创新和发展，并用它来塑造心中的美好世界，后来泥巴网因为机缘跟YY合并，赵斌也就成了YY的CTO，十年之后，赵斌出来创办声网Agora，算是续上了当年的技术理想。

他的解决办法很直接：做API。

API 是个啥？就是互联网世界的一根“管子”。

互联网上有各种各样的“超能力管子”，我是一个APP，把管子接到自己身上，就能拥有某种特殊的能力。

比如，我接上科大讯飞公司的“语音转文字”识别 API ，就能获得语音转文字的能力；比如我接上百度的“人脸识别”API，就能获得人脸识别的能力。

就像《天龙八部》里虚竹掉下悬崖，无崖子一巴掌按在背上传输内力一样，紧张刺激，干净卫生，有点开挂的意思。

“过去，只有像微信、Skype、Whatsapp 这种级别的厂商才拥有实时通信能力。我要把这种能力用 API 的方式，以自来水的价格提供给 APP 开发者。”

赵斌相信，只要自己把实时通讯技术做牛逼，放出API，自然就会有很多人找来，用它实现各种各样的商业创意和价值。梧高凤必至，花香蝶自来。

最关键的，这么多年过去了，他越来越坚信实时通讯将变成水和电一样的存在。

他想尽办法在中国来推广 WebRTC，鼓励开发者们都来体验RTC技术，他相信只要试过就会“真香”。

早些时候，WebRTC 领域在国内还属于“三无”状态，即：无行业会议、无专业书籍、无搜索引擎收录。

2015年，赵斌在公司组织了一个翻译组，花半年时间把亚马逊上一本火爆的《WebRTC权威指南》翻译成中文，引入国内。

声网的第一场大会，不是产品发布会，而是“首届 WebRTC 大会”—— 亚太地区第一个 WebRTC 行业峰会，也是 WebRTC 官方钦定授权的。

甚至，声网还把自研的一套抗丢包音频编解码器 Agora Solo 也给开源了，放在网上免费给大家用。

这些都让我觉得，赵斌是真的相信 RTC 实时通讯技术的未来。

也许在这篇文章之前，你没听过声网这家公司，但你大概率已经是它的用户，准确来说，是它的用户的用户。

比方说：

你是个游戏玩家？那你很可能用过声网，因为虎牙直播、YY直播、龙珠直播以及很多游戏内置的语音聊天就内置了声网的技术。

你喜欢玩狼人杀？那你更可能用过声网，因为大部分线上狼人杀背后都是声网在支持音频技术。

什么？你说你不喜欢打游戏，是个热爱学习的好孩纸？那你大概率接触过声网，因为新东方、沪江网校、VIPKID、好未来、CCtalk、作业帮等等都在用声网的技术方案。

你喜欢看小姐姐？那你可能用过声网，陌陌直播、花椒直播、一直播用了声网。

你喜欢喜欢二次元？那你可能用过声网，B站跟声网有合作。

你喜欢唱歌，那你应该用过用过唱吧、音遇吧？

你喜欢交异性朋友？陌陌、Soul 用了声网。

你喜欢交同性朋友？那你还可能用过声网，因为 Blued、LesPark 也用了声网。

你什么也不喜欢？那你家里有没有小米智能音箱？有没有用过去哪儿、途牛……

绕了一圈，你会发现自己已经被声网360度无死角包围了，放弃抵抗吧兄弟（拍了拍你的肩膀）。 

图片来自网络

但是在某些时候，我也会祝愿你千万别成为声网的用户，比如下面这个：

这是重庆市推出的120官方视频报警平台“急视救” App，遇到紧急情况下，人们可以用手机APP或小程序直接打120，跟急救医生直接音视频对话，为抢救生命赢得宝贵时间。

这背后就是声网提供的音视频技术支持。

祝愿你用不上。

还有一个是在线理赔，车主出了车祸，原本要等保险公司到现场定损理赔，现在直接用“马上赔”小程序或者众安保险APP直接视频连线客服，一个电话走完理赔流程，最快三分钟搞定。

希望你也用不上。

声网合伙人、技术副总裁孙雨润告诉我，2015年，声网平均每天会有一百万分钟的实时音视频使用量，第二年，这个数字翻了十倍，疫情期间已经达到15.6亿，有超过30亿台设备连着声网的API。

几亿分钟是什么级别？大家可能没有概念。举个例子，中国联通大概一天的通话量在十几到二十亿分钟，中国联通已经做了几十年，几千亿市值的公司规模。声网呢？创业才几年。

于是，声网就像当年的 GIPS 一样，变成一群在幕后默默扫地的僧，润物细无声，用户也许不会直接看到他们，但历史将记住他们。

4.在互联网上再造一张“声网”

前文说到，如果世界不迁就你，你就去适应它。

其实还有一种办法，就是操翻改变它。

当年的 GIPS 以及后来的 WebRTC 并没有解决网络问题，只是练就了一门在恶劣环境下也能过得不错的功夫。

可问题在于，你努力适应环境，环境总能比你想象得更恶劣复杂。

中国互联网就跟现实世界的道路一样复杂。1994年，上海第一条快速路“内环高架路”通车，同年，一条 64K 的国际专线接入中国，从此我们就有了“信息高速公路”。多年以后，车和手机越来越多，这两条路都堵成了狗。

“为什么通话质量不好？”从业生涯中，总有人这么问赵斌。他总回答，这是由于网络或设备出了毛病。

可这样的情况多了，赵斌就想，如果的确是网络问题，就没有办法解决了？玩家可不会听你解释说这是网络问题，而不是软件算法问题。

在适应网络方面，声网也做出努力，比如前面说过，他们自研了专门针对移动互联网的专利编解码器 Agora Solo，可以在网络丢包严重的情况下，通过内部的编解码和优化算法，实现流畅的高质量通话。

但一味地想办法适应环境已经不能解决问题，车技再好，马路堵死了还是没招，赵斌决定换个思路，自己造一张专门用来实时通讯的网 —— 声网。

放在20多年前，你要造一个网络，就得建机房，拉缆线，但现在不用，他们用了一种叫“软件定义网络”的技术，在原来的公共互联网上搭建一张“看不见的网”。

在文章开头，我说互联网就像一间教室里传纸条，每个同学都是一个信息转发节点，大家都“尽力而为”，而且拉帮结派。

为了更好地传纸条，你想了一个绝佳的办法：

首先，你在班里的重要位置安插了一些关系好的同学。

这些同学不仅能帮你传纸条，还能当你的“哨兵”，掌握各自周边其他同学手里的纸条状况情况。

你拉了个微信群，大家把在群里汇总统计。

于是，你就在原本的网络之上，形成了一张专属于你的，看不见的“纸条传输网络”，于是，你总能计算出一条最便捷的路。

图糙理不糙

这里当然只是一个比方，毕竟，都能用手机拉群聊了，还要传纸条干嘛，为了浪漫嘛？

实际情况下，声网在全球部署两百多个数据节点，每一个数据节点都是一个“大本营”，里头有很多“小哨兵”服务器，帮他们了解互联网链路的路况，实时计算最优最快的传输路径。

于是，一张架设在公共互联网之上的实时通讯网络就此诞生。

声网把这套技术取名为“SD-RTN”—— 软件定义的实时网络 Software Defined Real-time Network 

孙雨润告诉我，一整套下来，可以在全球范围把端到端的单向延迟降低到 400ms 以下，实现超过百万人的实时互动。

注意，这里的“百万人实时互动”可不是指一个人直播，一百位观众观看，那只需要单向传输画面就行，对延迟的要求也不高，而是指一百位观众同时连麦说话，一个一百万人的语音、视频会议。

当然，在实际情况里，一百万人连麦说话的可能性几乎没有，但这是声网的“技术哲学”，也是它最狠的地方。

孙雨润说，为了让后台架构设计高可靠、高可扩展、高可维护，架构师团队在做架构演进设计要10倍以上负荷。

“如果平台在高峰期需要支持一百万用户同时在线，那系统从架构设计上就要有能力支撑一千万人，如果高峰期的并发请求是一千，那系统至少具备一万的处理能力。”

他告诉我，他们研发部有个同事在办公室里装了个警铃，遇到S级异常就会像火警一样鸣叫，吓尿一整层楼的同事。

"由于新型肺炎疫情，最近这两周线上实时互动用户的涌入是历史上前所未有的数量。”他们也面临前所未有的压力 —— 其他公司也许只需要“各扫门前雪”，声网却要给众多客户“扫瓦上霜”。

“新型肺炎疫情期间，日均通话分钟数16亿，部分客户用量较以往猛增了1000 倍。”这种情况下，声网硬是撑住没崩，“承诺99.99%可用性也一直没有改变。”

孙雨润告诉我，这场战疫结束，声网将创造了成立6年以来无全网事故的纪录。

5.谜底

文章开头那个动画片的结尾，又是新的一天，主人公照常打开衣柜，里头是一个“小人儿”的衣服，他穿上之后，就出门上班了。

原来他在被小人儿服务的同时，自己也是一个小人儿。

这个动画的中文译名叫《你不是一个人》，我觉得是个暗喻：我们每个人都是世界的主人公，每个人也都是默默无闻的“小人儿”。

声网的技术故事让我写作时忽然想起这个小动画。

支撑着这个世界运转、进步的“小人儿”是谁？

我们走在干净的路面，背后是清洁工“小人儿”们起早打扫；

我们躲在家，利用互联网方便地生活，背后是我们看得见的“快递小哥”骑着摩托飞跑，以及我们看不见“工程师小人儿”在敲代码，一砖一瓦垒起网络世界；

我们能安然地窝在家电视，岁月静好，电视里无数医护人员舍身赶往前线。

我们每个人都是自己的主角，又是世界的“小人儿”，并不是每个人都活在聚光灯下，大多数都默默无闻，但世界因为你我变得哪怕更好一丁点，那都是我们留给世界的小秘密。