--- title: "赢了微软 4.6 亿美元，rmvb 还是死了" description: "复盘 rmvb 的兴衰：RealNetworks 打赢微软拿到 4.6 亿美元赔偿，却因带宽存储变便宜让极限压缩失去价值、又拿不到硬件解码而消亡，印证《The Bitter Lesson》的教训。" date: 2026-07-25T04:00:00Z canonical: https://xiaobox.github.io/p/2026-07-25-ying-le-wei-ruan-4-6-yi-mei-yuan-rmvb-hai-shi-si-le/ author: 小盒子 categories: ["系统底层"] tags: ["DevOps"] license: CC BY-NC-SA 4.0 license_url: https://creativecommons.org/licenses/by-nc-sa/4.0/ --- # 赢了微软 4.6 亿美元，rmvb 还是死了 你还记得 rmvb 吗。 那个年代，一部电影，700MB。下载完，暴风影音打开，进度条一拖，马赛克闪两下然后变清楚。这个画面，可能是很多人对「在网上看电影」最早的记忆。 ![](https://xiaobox-public-images.oss-cn-beijing.aliyuncs.com/images/20260725190723848.png) 然而不知道从哪天开始，这四个字母就彻底消失了。很多人觉得是画质不行，被 H.264 淘汰了。 其实不是。 我查了一下 rmvb 里面那个编解码器的技术谱系，发现一个挺意外的事。它用的 RV40 和 H.264，很可能是同源的，都从 H.263 那一代视频压缩技术里分出来，算堂兄弟。 也就是说 rmvb 的技术底子，跟后来干掉它的那个格式，是同一个。 而且 2000 年的时候，全互联网 85% 的流媒体内容都跑在 Real 格式上面。85%。你想想这个比例，随便点开一个在线视频，五个里四个是它。 从 85%到零。 这就很奇怪了对吧。技术同源，市场碾压，那它到底输在哪？ 这就得说一个人了。Rob Glaser，微软前高管，1994 年从微软出走创办了 RealNetworks。就是你电脑里一定装过的那个 RealPlayer。 ![](https://xiaobox-public-images.oss-cn-beijing.aliyuncs.com/images/20260725184556474.png) 他带着这东西打下 85% 的市场。后来微软搞了 Windows Media Player，用系统捆绑的老套路搞他。 Glaser 直接把老东家告了。 2005 年，赢了。微软赔了 4.6 亿美元现金，加上服务折算一共 7.61 亿。 你可能觉得接下来该是逆袭剧本了。 没有。rmvb 还是死了。 因为那场官司跟 rmvb 真正的死因，一点关系都没有。 rmvb 里的 vb 是 Variable Bitrate，可变码率。画面简单的地方省着用，复杂的地方多给，动态分配。这技术在 2000 年代初是真的牛，一部两小时的电影能压到 700MB 以内，刚好塞进一张 CD。 但 700MB，却是所有人用它的唯一原因。 那时候下片等一宿，硬盘 40G 顶天了。能把电影塞进 700MB 是一个很大的卖点。 后来宽带开始降价了。 2006 年中国家庭宽带平均不到 2Mbps，2012 年 10Mbps，现在千兆光纤随便装。硬盘从 40G 到 4T。 下一部 4G 的蓝光原盘几分钟搞定。存储大到你根本懒得想一部电影占多少空间。 那 700MB 还重要吗。不重要了。 没人攻破 rmvb 的护城河。水自己干了。 然后 H.264 补了最后一刀。 它拿到了 rmvb 从来没拿到过的东西，硬件解码。 高通、联发科、苹果、Intel，每一颗手机芯片、每一颗 CPU 里面都刻着 H.264 的解码电路。播放视频几乎不吃算力，不发热，不费电。 rmvb 呢，纯软件算，一帧一帧啃。PC 时代还凑合，但视频主战场一挪到手机、平板、电视盒子，没有硬件解码就没活路。 说真的，芯片厂不可能为一个私有格式去改设计。H.264 是开放标准，谁都能用，所以谁都愿意把它焊死在芯片里。 一个活在软件层，一个长在芯片上。没法打。 2022 年 12 月，Glaser 自己掏钱把 RealNetworks 从纳斯达克买回来退市了。占过全球 85% 流媒体份额的公司，现在做人脸识别。 rmvb 不是技术不行，它创始人甚至打赢了微软。 它就是把所有筹码押在了「极限压缩」上面。然而带宽和存储从计算机诞生那天起就只会越来越便宜。 AI 时代也如此，就像 《The Bitter Lesson》 这篇文章所说的： > 过去 70 年 AI 发展史最核心的教训是：人类科学家总是试图把自己的“小聪明”（人类总结的知识、规则和逻辑）硬编码塞进 AI 系统里。这种方法在短期内很有效，让研究者很有成就感，但长期来看，它很快就会遇到瓶颈，甚至阻碍技术进步。真正推动 AI 取得颠覆性突破的，永远是那些能够随着“计算力提升”而无限扩展（Scaling）的通用方法——也就是“搜索”与“学习”