显示器市场“移情别恋”:液晶与OLED战争打响

简介:

显示器市场一直以来都孳孳不息地在探索中前进着,无论身处的境地是好是坏,它都在努力地做到宠辱不惊,淡然的面对所有的褒奖和批评。近年来的显示器行业,有无数的应用技术不断被挖掘并且投身到显示器中去发扬光大。然而这些穿梭在厂商和市场之间应用技术们,却难抵消费者心中对更良好更丰富更有乐趣的娱乐精神的追求。

 

 

显示器市场“移情别恋”:液晶与OLED战争打响

十几年前,液晶显示技术开始凭借着当时的诸多领先于CRT电视的技术迅速侵袭市场,而今天,似乎是应了盛极必衰的定律,似乎OLED大有将液晶拉下神坛,成就一番霸业的态势。于是,一场又一场“新欢旧爱”之间的战争打响了。

从液晶显示产品上市以来,前后大概经历了4到5年的时间,才取代CRT技术成为新一代主流标准,而OLED技术的电视产品最早于2013年9月上市,发展至今也已经有了近三年的时间。

然而在液晶取代CRT的时期,当时所有的风向标都是液晶取代CRT,而在OLED电视上市这将近三年的时间里,这种新型技术并未对主流市场造成影响,究其根源,还是因为OLED相对液晶产品外观形态上还是没有革命性的改变,要知道,当年的液晶电视要比CRT电视体积和形态都有可翻天覆地的变化,用户也切实的体会到了液晶电视因此OLED要走的路还很长。

尽管如此,我们却不能否认OLED作为次时代显示技术的潜力,其独特的物理特性对于液晶技术而言几乎“招招切中要害”,目前OLED最大的问题还是来自于,大面板切割的良品率不高导致的成本问题。接下来,我们就一起来起底液晶技术所露出的“破绽”,或许看完之后你才会明白为何高端用户对于OLED显示技术产品如此的趋之若鹜。

响应时间始终无法摆脱的缺陷

液晶显示器与液晶电视不同,显示器更多的是静态场景,比如文字工作、图片处理和排版印刷等,只有游戏体验对响应时间要求较高。相比之下,电视观看视频的属性意味着时时刻刻处于动态场景之下,因此液晶技术严重的响应时间原则上并不适合动态场景。

所谓术业有专攻,液晶面板的种类也是这样,市售流行的IPS面板动态相应时间不是非常理想,TN面板的产品在色准又有不同程度失真,就算是响应速度最有优势的TN面板屏幕,也无法完全摆脱响应时间的问题带来的拖影问题。

时至今日,依旧有不少用户抱怨液晶电视的画面不够流畅,尤其是一些中低端的电视产品尤为如此。说的深入一点,对于电视技术制造经验匮乏的新型互联网品牌而言,响应时间的问题更为突出一些。那么?液晶技术为何会存在响应时间偏慢的问题呢?

液晶技术无论通过何种手段或技术,都无法从根本上解决画面残影现象,因为液晶分子偏转排列需要时间,液晶分子偏转不同的材质有不同的方式,液晶分子从接受驱动芯片指令到改变状态这一过程所需要的时间,这就是我们常说的“响应时间”,通俗一点说,无论多么高级的驱动技术都无法改变液晶分子需要偏转工作的事实,响应时间或快或慢,但不可能为零,因此液晶屏的残影注定无法根除。

技术不论多成熟漏光依旧存在

液晶材料本身是不发光的,需要借助背光源(LED发光二极管)才能正常显示,过去采用CCFL背光系统,而近些年则流行LED背光系统,无论是过去的CCFL背光、时下的LED背光还是刚刚展露头角的QLED量子点背光系统都不可避免的会有漏光。而OLED具有电致自发光的特性,这种硬性优势要相比液晶的“光致发光优秀太多”因此在黑场下不会出现漏光现象,从而提高对比度和画质表现。

OLED自发光的物理特性是最主要的原因,黑场显示如同关机(电视LOGO可证明电视开机)效果,画面的层次感、色彩的通透度、细节呈现等都是LCD无法比拟的。而需要借助背光源工作的LCD,无法实现纯黑显示,画质表现也就受到了限制。

OLED已经完全实现了电致发光,无需背光。因此色彩可以“原生”的显示出来。而液晶因为LED发光二极管的关系,画面明显受到背光源的影响,就像画面表面被蒙上了一层白纱,影响了画质表现。换句话说,背光灯的存在不仅仅影响液晶产品的暗场表现,而是从头到尾都对画面造成了负面影响。响应时间是液晶技术动态流畅性的硬伤,而背光灯则是画质呈现的硬伤。

无关于战争OLED市场初步分析

液晶技术从一开始就不是电视技术最佳选择,只是它更适合市场化,而市场化的成功也不能让我们无视液晶技术自身存在的短板,其中响应速度和背光系统对画质的影响是最明显的两大硬伤。

事实上,如果和公认的次时代显示技术OLED相比较的话,液晶技术的硬伤还远远不止这些,OLED产品和液晶产品的差距并不至于天上地下的悬殊,近年来就有QLED(量子点显示技术)来为液晶阵营扳回一城。

很多人误以为QLED量子点是一种新的技术,事实上QLED只是一种新型的背光系统,基于QLED技术的显示产品依旧属于液晶范畴,它的优势在于强化了液晶产品WLED色彩表现不佳的问题,而漏光现象和拖影现象两大顽疾依旧存在,归根结底量子点技术还是属于“光致发光”的液晶领域产品,是用技术将电视产品本身的漏光现象进行了减弱,依然无法摆脱漏光这种液晶本身的固有缺陷,将缺陷掩盖的再好,缺陷依旧是缺陷,就目前的技术水平来说,这种缺陷还无法消除,而第二代量子点技术也将会是“电致发光”模式,摆脱了背光的“量子点液晶”是否能够为其阵营扳回一城,还尤未可知。

现在市场上还依然是以液晶电视为主,究竟市场的格局什么时候能被改变,目前就连我们还都难以预测,“电致发光”原理技术取代“光致发光”原理技术,无非也就是时间的问题,旷日持久的量子点OLED之争也终究会有一天分出高下,只是这次的战争时间跨度会非常大。

在替代液晶的产品初步大规模渗透市场之初,还会有一定的“混乱期”毕竟对比目前的集中技术,并没有当初液晶电视取代CRT电视时那么悬殊的差距,所以持久战是一定会打的,之所以写这篇文章也是希望我们消费者能够认知到现在的液晶处于一个什么阶段,在选购新型技术产品的时候擦亮眼睛,不要被诸多的“烟雾弹”蒙蔽了双眼。

现阶段的液晶电视也不是没有可购买的潜质,一款优秀的液晶电视完全可以再用5年以上的时间,OLED产品目前由于大面板切割的高成本局限,还仅仅是在高端产品领域有产品,所以液晶产品在市场上依然还战友主导地位。

本文转自d1net(转载)

目录
相关文章
|
10月前
|
JavaScript 前端开发 Shell
Flow-CLI 全新升级,轻松对接 Sonar 实现代码扫描和红线卡点
Flow-CLI 使用的典型场景如:自定义开发一个 Sonar 扫描步骤,以在流水中触发 Sonar 扫描,并以扫描结果作为红线卡点,以保证代码质量;对接三方自有审批平台,在发布前进行检查审批,审批通过才允许发布。接下来,我们就以对接 Sonar 服务为例,手把手教你开发一个带红线功能的 Sonar 扫描步骤。
689 125
|
2月前
|
存储 弹性计算 人工智能
阿里云服务器可以免费试用吗?云产品和解决方案免费试用活动及常见问题介绍
阿里云服务器可以免费试用吗?当然是可以试用的,完成实名认证的云服务器ECS新用户,可免费试用3个月。不仅云服务器可以试用,云数据库等其他热门云产品也可以试用,2025年阿里云还额外推出了解决方案免费试用活动,本文为大家介绍云产品和解决方案免费试用活动及常见问题,以供了解参考。
|
4月前
|
传感器 机器学习/深度学习 人工智能
从仿真到现实:数字孪生解锁具身AI全景应用
Embodied AI正在重塑智能机器人系统的格局,尤其通过为复杂且动态的环境中的行动执行提供许多现实可行的解决方案。然而,具身AI需要生成大量数据用于训练和评估,以确保其与物理环境交互的安全性。因此,有必要构建一个成本效益高的模拟环境,能够从物理特性、物体属性及交互中提供充足的训练和优化数据。Digital Twins是工业5.0中的关键议题,它通过镜像真实世界对应体的状态和行动,实现对物理过程的实时监控、模拟与优化。本综述探讨了将数字孪生与具身AI结合的方式,通过将虚拟环境转化为动态且数据丰富的平台,弥合仿真与现实之间的差距。
550 7
|
8月前
|
人工智能 缓存 自然语言处理
构建智能天气助手:基于大模型API与工具函数的调用实践
在人工智能快速发展的今天,大语言模型(LLM)已经成为构建智能应用的重要基础设施。本文将介绍如何利用大模型API和工具函数集成,构建一个能够理解自然语言并提供精准天气信息的智能助手。
4257 11
|
安全 前端开发 测试技术
如何选择合适的自动化安全测试工具
选择合适的自动化安全测试工具需考虑多个因素,包括项目需求、测试目标、系统类型和技术栈,工具的功能特性、市场评价、成本和许可,以及集成性、误报率、社区支持、易用性和安全性。综合评估这些因素,可确保所选工具满足项目需求和团队能力。
|
自然语言处理 前端开发 数据可视化
Quarto ppt模板制作与Rstudio git连接
本文介绍了当前PPT演示中流行的Quarto文档使用情况,以及如何在Rstudio中连接Git进行版本控制。重点讲解了Quarto的ppt模板制作流程,包括安装、创建演示文稿及自定义样式等步骤,并提供了相关资源链接。
363 0
Quarto ppt模板制作与Rstudio git连接
|
机器人 Shell Python
ROS2教程05 ROS2服务
这篇文章是关于ROS2(Robot Operating System 2)服务的教程,涵盖了服务的概念、特性、命令行工具的使用,以及如何编写服务的服务器和客户端代码,并提供了测试服务通信机制的示例。
488 4
ROS2教程05 ROS2服务
|
存储 JSON 前端开发
JSON与现代Web开发:数据交互的最佳选择
JSON(JavaScript Object Notation)是一种轻量级的数据交换格式,易于人阅读和编写,同时也便于机器解析和生成。它以文本格式存储数据,常用于Web应用中的数据传输,尤其是在客户端和服务器之间。
660 0
|
机器学习/深度学习 自然语言处理 数据挖掘
LLM主要类别架构(二)
**LLM主要类别概览:** 1. **自回归模型 (AR)** - 如GPT,特点是Decoder-Only,利用上下文信息预测单词,适合自然语言生成任务。 2. **自编码模型 (AE)** - 以BERT为代表,利用上下文的双向信息进行预训练,擅长自然语言理解任务。 3. **序列到序列模型 (Seq2Seq)** - 包含编码器和解码器,用于序列转换任务,如机器翻译。 GPT是Decoder-Only模型,预训练包括两阶段: - **无监督预训练**:预测序列中缺失的单词。 - **有监督微调**:根据下游任务调整模型,如分类、问答等。