這個附錄來說一說萬國碼（Unicode）的起源及其編碼。
第一章曾提過 ASCII 碼（American Standard Code for Information Interchange，美國資訊交換標準碼），是用數字來表示英文字母及符號的數碼，例如用 41h 代表「A」，42h 代表「B」……31h 代表「1」，32h 代表「2」……，這裏的「h」代表此樹為十六進位，這是組合語言表示十六進位數值的方式。
對歐美國家的文字來說，只需約一、兩百個就已足夠，這是因為他們的文字都是以字母拼成，而每種語言的字母個數不多，例如英文字母加上大小寫僅 52 個，如果再加上空白、標點符號、阿拉伯數字等等，不超過一百個。一個位元組（byte）有 8 個位元，可以表示 0∼255 之間的數值，也就是說可以表示 256 種（28=256）不同的數字，若一個數表示一個字母或符號，那麼 ASCII 碼用一個位元組的長度就已經夠了。後來在制定 ASCII 時，果真以 7 個位元表示，最高位元必為 0。
後來有許多人便想，假如最高位元也能使用，不是又多出了 128 個字元或符號了？所以 IBM 推出 PC／XT 時，把 ASCII 擴充為 8 個位元寬，即為一個位元組的大小，從 80h∼0FFh 的 ASCII 碼是一些符號、音標、框線。而其他地區使用的語言不同，所以各地區 ASCII 碼定義 7Fh∼0FFh 的符號也不同，甚至同一地區，各大公司也可制定不同的編碼。於是造成 ASCII 碼由 0∼7Fh 的 128 個字元是標準的，通用於全球；80h∼0FFh 卻很混亂，即使同一地區，也未必相同。後來由美國國家標準學會 ( American National Standards Institute，簡稱 ANSI ) 出面，把各地區制定統一的符號，稱之為「頁碼」( code page )。底下是華人地區常用的頁碼：
| 國家 | 語文 | 頁碼 |
| 中華民國 | 正體中文 | 950 |
| 中華人民共和國 | 簡體中文 | 936 |
| 日本 | 日文 | 932 |
同一頁碼的 ASCII 碼，不管是 0∼7Fh，還是 80h∼0FFh，都是相同的。如果需要時，也可以切換頁碼，就可以使用別種語言文字。像 ASCII 這種系統，我們稱之為「單位元組編碼系統」（SBCS，Single Byte Code System。也有人稱為「單位元組字集」，Single Byte Character Set）。但對於中文，就嫌不夠了。即使是常用的中文字，保守估計也有數千個，因此得用兩 個位元組來表示文字，2 個位元組共有 16 個位元，最多可以表示 216，亦即 65536 個數，也就是說最多能表示 65536 個中文字。像這種以 2 個位元組編碼的方式稱為「雙位元組編碼系統」（DBCS，Double Byte Code System，也有人稱為「雙位元組字集」，Double Byte Character Set）。
早期中文電腦發展時，並沒有強而有力的標準編碼，所以造成每一家公司或機構所發展的編碼不同而不相容。到了民國 73 年，由中華民國財團法人資訊工業策進會主導，和五間電腦公司（宏碁、神通、佳佳、零壹及大眾）共同發展一套中文的編碼系統。這五家電腦公司在當時是數一數二的大公司，其影響力可謂舉足輕重，而他們所發展的編碼系統就稱為大五碼（亦可稱五大碼，英文是 Big5，這是國家發展發展委員會檔案管理局的說法。另一說是為了發展五種重要的套軟體進而促成 Big5 的制定，詳情見有關全字庫的說明。）
由於大五碼的誕生，使得中文編碼有依循的標準，它最大的優勢在於與 ASCII 碼相容。這意思是說，以 Big5 編碼的文件中，可以正確的處理中文與英文。後來在 DOS 系統中的倚天中文，Windows 3.1 以及 Windows 95/98/Me 都先後採用這套編碼來處理正體中文。但是 Big5 碼所收錄的字太少，許多人名、地名並沒有包括在內，後來有許多機構在 Big5 的基礎上加以擴充。在民國八十年代至九十年代，使用正體中文的國家或地區，像中華民國、香港、新加坡以及海外華人的中文電腦，都使用 Big5 碼。
在 DOS 作業系統下執行的倚天中文後，會常駐於記憶體裏。倚天中文顯示文字的原理與英文類似，請參考 DOS 組合語言第十三章顯示記憶體的說明，把要顯示的字元所代表的數值存入視訊記憶體內，就可以顯示該字元。在真實模式底下執行的 DOS，視訊記憶體起始於 B800:0000，偶數位址是存放字元所代表的數值，奇數位址是存放顏色。例如在螢幕上左上角顯示綠色（2 表示黑底綠字）的「我學 ASSEMBLY。」字串，那麼用 DEBUG.EXE 觀察位址 B800:0000，您會看見下圖：
在記憶體位址 B800:0000 與 B800:0002 處的內容分別是 A7 與 DA，它們都是十六進為數值，以白色標起來，組合起來是 A7DA，這是 Big5 碼，代表「我」，如果不信，可以查閱全字庫驗證。比偶數位址高一個位元組的位址上，存放這是該字元的顏色與背景色。假設把 B800:0001 改成 4（4 代表黑底紅字，如下圖白色框），您就會看見「我」字的左半部變紅色，右半部仍是綠色：
其餘的字元都是如此安排，差別在於中文字需佔用兩個位元組，英文字僅一個位元組，例如 BEC7 和 A143 分別是「學」和「。」的 Big5 碼，而英文字「Assembly」每個字母僅占一個位元組。至於文字的的顏色號碼（參考 DOS 組合語言第十三章）。
有關 Big5 還有一點值得一提，Big5 碼在記憶體中的排列方式是大端序（big-endian），這種排列方式恰好與 IBM PC 及其相容電腦的排列方式不同，這點很奇怪，為何如此呢？要回答這個問題，得先說明 Big5 及 ASCII 的編碼範圍：Big5 高位元組的範圍是 81h∼0FEh，而低位元組是 40∼7Eh 或 80∼0FEh；而 ASCII 的範圍是 00∼7Fh。
如果照大端序排列，一開始的第一個位元組小於 80h 就知道此為 ASCII 字元；否則就是 Big5 字元，必須與下一位元組合起來才是一個完整的中文字。反過來，如果照小端序排列，當第一個位元組小於 80h 時，有可能是 ASCII 字元，也有可能是 Big5 的低位元組，所以事實上不論是否小於 80h，都必須要檢查下一個位元組，而且這下一個位元組須在 81∼FE 之間才是 Big5 碼，這兩個位元組合起來為 Big5 字元；若不在 81∼FE 之間那麼第一個位元組是 ASCII 字元。比較起來，後者顯然比較麻煩。
例如電腦要顯示底下這句話「Human being 是人類。」。在記憶體中，假設 Big5 是依據大端序排列：
48 75 6d 61 6e 20 62 65 69 6e 67 20 ac 4f a4 48 c3 fe a1 43
當電腦由此字串開始，讀取第一個位元組發現是 48h，小於 80h 所以是 ASCII 字元，就去執行顯示英文的程式碼。然後讀取第二個位元組，發現也是 ASCII 字元，……如此直到白色字，發現是 0ACh，那麼就是 Big5 碼，這時要再讀取下一個位元組變成 0AC4Fh，然後執行顯示中文字的程式碼。
同樣的情況，假設依據小端序排列，在記憶體中是：
48 75 6d 61 6e 20 62 65 69 6e 67 20 4f ac 48 a4 fe c3 43 a1
要判斷第一個位元組是 ASCII 字元還是 Big5 字元，須判斷第二個位元組是否在 81∼FE 之間，75h 不在此範圍內，所以第一個位元組是 ASCII 字元，執行顯示 ASCII 字元的程式碼。接下來要判斷第二個位元組需讀取第三個位元組，依前述方法……如此直到紫色字。發現紫色字的第二個位元組是 0ACh，在 81∼0FEh 之間，所以與前一個位元組合起來，0AC4Fh 是 Big5 字元，執行顯示 Big5 的程式。Big5 碼以小端序排列，是不是比大端序排列麻煩一些？當然，這只是小木偶的猜測，但應該是如此。
隨著網際網路的發達，電腦已不是一座座的孤島，常常需要藉由網路與外界相連，讀取國外的資料，而這些資料不一定是本國語言寫成的，也不一定是英文寫成的，有可能是日文、泰文、阿拉伯文、俄文……等等，甚至有時候在同一份文件中，包含數種文字。這樣就不能靠一種語文一種編碼的方式了，必須發展用能涵蓋所有語言的編碼方式。
為了解決這個難題，自民國 73 年（西曆 1984 年），有兩個組織著手研究此問題。其中一個是國際標準組織（ISO，International Organization for Standardization）與聯合國下屬的國際電氣技術委員會（IEC，International Electro-technical Commission）合組的工作小組，該小組草擬提出的 ISO 10646 標準草案。另一個組織是由 IBM、DEC、Sun、Xerox、Apple、MicroSoft、Novell 公司，共同出資成立的 Unicode 協會，該協會設立非營利的 Unicode 公司，並由該公司設計出適用全球的 Universal Code，簡稱 Unicode。
雖然一開始，這兩個組織的工作是各自發展的，但是最後他們都體認到這世界不需要兩套編碼，否則豈不是再度陷入當初的困境？於是在民國 80 年左右，他們合併雙方的成果，這就是 Unicode/ISO 10646，一般可簡稱為 Unicode，中文可翻譯成萬國碼或統一碼，它落實了統一全球文字交換、顯示、儲存、傳送標準的理想。
要把全球所有文字編碼，不是一件簡單的事情。據估計全世界約有不到七千種語言，但是有些語言只有聲音沒有文字，扣除這些語言，只算有文字的語言約有兩千多種。要把這些語言的每個字都編成碼也不是簡單的工作，因為到底有多少個文字或字母，誰也說不準。在民國 80 年發表 Unicode 1.0，僅編碼七千多字，這個版本並沒有包含世界上幾種重要的語言，例如中文、日文、韓文等。要到民國 82 年發表的 Unicode 1.1/ISO 10646-1 才包含這三種語文的大部分文字。一直到民國 109 年（西曆 2020 年），已經發展到 Unicode 13.0/10646:2020，已編碼十四萬多個文字，至今萬國碼的編碼工作仍持續進行。
綜觀上面的歷史，萬國碼是由兩個機構或組織合作制訂的，國際標準組織與 Unicode 公司。他們的字元編碼是完全一樣，差別在於 Unicode 更加關注實際應用和技術支持，每年更新；而 ISO 10646 則著重作為國際標準提供基礎規範，更新較慢。因為有細小的差別，所以上面才會寫成 Unicode 1.1/ISO 10646-1 和 Unicode 13.0/10646:2020 的樣子；但也可以忽略這些差別，直接單獨說 Unicode 或 ISO 10646，翻譯成中文就說是萬國碼或統一碼。
在 ISO 10646 裏用四個位元組來編碼，因此稱為 UCS－4，UCS 是 Universal Multiple-Octet Coded Character Set 的縮寫，意義為「多個八位元編碼的廣用文字集」，4 代表 4 個位元組，這四個位元組其實就是多個八位元的意思。UCS－4 可理解為「四個位元組編碼的廣用文字集」。
UCS－4 依位元組高低次序把每一位元組稱為群組（group）、字面（plane）、列（row）、格（cell）。群組的最高位元不使用，僅剩七個位元，由 00h∼7Fh 共 128 個，可分成 128 群組；次高位元組代表字面，所以每一群組都有 256 個字面 ( 00∼0FFh )，每個字面有 216，即 65536 個空間可容納文字，每個文字得佔用一個空間，稱為格或碼位。但 ISO 10646 規定最後兩格不用，所以每個字面變成 65534 個字。依據這個規則，最多可以把 65534×128×256 ＝2,147,418,112，約二十一億個文字編成碼。
這麼大的編碼空間，已經可以容納從古至今的所有文字，甚至包含現在已不再使用的文字，像古埃及聖書體（Hieroglyph，也稱為埃及象形文字）等等。有關群組、字面的說明，請參考圖三（圖三是參考 CNS11643 中文全字庫繪製而成）：
截至現在（民國 113 年），已編碼的字面共 17 個，而且都在第 00 群組的前面 17 個字面。這十七個字面，除了基本多語文字面之外，其他均可稱第幾輔助字面。底下簡扼說明已編碼的字面：
UCS－4 是以四個位元組編碼，同理，UCS－2 就是以兩個位元組編碼。既然以兩個位元組編碼，那就無法包含全球所有的文字。事實上，用 UCS－2 編碼的字元，就是基本多語文字面上的文字。雖然無法涵蓋所有的文字，但對絕大部分的人在絕大多數的情況，UCS－2 已能滿足九成九的需求。另外它還有一個很大的優點，UCS－2 只有兩個位元組，比起 UCS－4 要占用四個位元組，可說相當節省空間。
在說明 UTF－16 是什麼之前，先思考一個問題。假如有一個 10000 個字元的檔案，其中 9990 個字元都落在基本多語文字面上，就僅有 10 個在輔助字面上。如果用 UCS－4 儲存這份檔案需要 40000 個位元組，可想而知，這 40000 個位元組幾乎有一半的內容是零。為了十個字元浪費這麼多空間，非常沒有效率。在實務上所面臨的問題，跟這個例子差不多，因為常用的文字都已編在基本多語文字面上了。那麼有沒有辦法解決效率不彰的問題呢？
事實上，在發表 ISO 10646-1:1993 時，特別規定在基本多語文字面內的文字可以用兩個位元組表示，在基本多語文字面以外的文字可以轉換成四個位元組表示，這種表示或轉換方式稱為 UTF－16，UTF 是 UCS Transformation Format 的縮寫，16 代表 16 位元。在組合語言中 16 位元也稱為字組（word），一個字組相當於兩個位元組。UTF－16 是以字組為單位，故稱 16。
現在已經使用的字面，只有第 00 群組前十七個字面，因此只需考慮第 00 群組的第 00 字面到第 10h 字面即可。也就是說，到目前為止（中華民國 113 年），萬國碼編碼最多僅使用到 21 位元，亦即從 0 到 10FFFFh。UTF－16 的轉換方式便採用了一種很聰明的做法，先在基本多語文字面內定義代理區（surrogate area，就是圖二的⑥，S 區），從 0D800h∼0DFFFh 這段範圍共 2048 個格，並沒有定義字元而是提供給 UTF－16 之用。轉換成 UTF－16 的過程如下：
低字組：
 高字組：  |
變成 | 字組： |
低字組：
 高字組：  |
變成 |
低字組：
 高字組：  |
經過上述說明，得知如果字元處於基本多語文字面，經過 UTF－16 轉換後由兩個字組減少為一個字組；而處於輔助字面上的文字，轉換後仍是兩個字組。這樣看起來，採用 UTF－16 編碼能夠有效減少檔案長度，又能表示全球語文的文字，真是兩全其美。那麼如果要把 UTF－16 恢復成 UCS－4 呢？其實很簡單，如果 UTF－16 在 0D800h∼0DFFFh 範圍內，就表示該字元在輔助字面，應與下一個字組合起來；如果不在這個範圍內就是基本多語文字面上的文字，只需增加一個高字組，且這個增加的高字組為零，就變成 UCS－4。
瞭解了原理之後，底下舉個例子說明如何把輔助字面的文字，轉換成 UTF－16。例如「炭」字的萬國碼是 2F91Ah，在表意文字補充字面（第二輔助字面），首先把它變為二進位：
2F91Ah＝0010 1111 1001 0001 1010b
白色的部分是低字組的 0∼9 位元，再加上 110 111，轉換後的低字組是「1101 1101 0001 1010」，換成十六進位是「0DD1Ah」。轉換後的高字組第 0∼5 位元是紫紅色字，也就是 11 1110；而 6∼9 位元則是黃色字減一，也就是 0010－1＝0001；第 10∼15 位元為 110 110，組合起來高字組為「1101 1000 0111 1110」，變成十六進位是「0D87Eh」。結論是「炭」字的萬國碼是 2F91Ah，轉換成 UTF－16 為「0D87E 0DD1Ah」。
在說明了 UTF－16 編碼方式之後，與 UCS－2 比較，應可得到底下的結論：①UTF－16 能表示所有字元，UCS－2 只能表示位於基本多語文字面上的字元。②在表示基本多語文字面上的字元時，以 UTF－16 或以 UCS－2 方式表示，結果都是一樣的。基於以上兩點，可以說 UCS－2 是 UTF－16 的子集。
Windows 95/98/Me 等作業系統僅支援 ANSI 字元集，以及部分 UCS－2。發布的 Windows NT 4.0 支援 UCS－2。Windows 2000 開始支援 UTF－16，但有些控制項並不支援。到了 Windows 7 以及更新的 Windows 作業系統已經良好地支援了 UTF－16。
有了 UTF－16 之後，雖然能大幅增加檔案儲存效率，但世界上大部文獻都以英語呈現。假如某份檔案只有英語，那麼用 UTF－16 來儲存檔案，還是非常浪費，於是 ISO 10646 也規定了 UTF－8 轉換方式。
UTF－8 轉換規則很簡單，如果 USC－4 字元是等於 7Fh 或小於 7Fh，則不轉換直接取最低八位元就是 UTF－8 碼。如果超過 7Fh 時，則轉換成數個位元組，第一個位元組前面有幾個 1，就代表轉換後有幾個位元組，之後接上一個 0，然後從原來的 UCS－4 開始逐一把位元由高而低填入，直到滿了 8 個位元。轉換後的第二個位元組及其以後前位元組，第六、七兩個位元必是 10，然後其餘的 6 個位元就是剩餘的 UCS－4 位元依次填上。方法如下：
| UCS－4 | 轉換前 | 轉換後 |
| 00 ￜ 7Fh |
低字組：
 高字組： |
第一個位元組：  |
| 80h ￜ 7FFh |
低字組：
 高字組： |
第一個位元組：
 第二個位元組：  |
| 800h ￜ 0FFFFh |
低字組：
 高字組： |
第一個位元組：
 第二個位元組：
 第三個位元組：  |
| 10000h ￜ 1FFFFFh |
低字組：
 高字組：  |
第一個位元組：
 第二個位元組：
 第三個位元組：
 第四個位元組：  |
萬國碼經過 UTF－8 轉換後，變成一到四個位元組，這些位元組存放在記憶體的方式為第一個位元組放在最低位址，第二個位元組放在次高位址……最後一個位元組放在最高位址。UTF－8 轉換並沒有「Big-Endian」或「Little-Endian」的問題。
UTF－8 還有幾個優點。首先，ASCII 是 UTF－8 的子集，ASCII 字元不須經轉換就是 UTF－8。第二，對於整篇都是英文的文件而言，使用 UTF－8，每個字元都占用一個位元組，能大大減少檔案長度。第三，雖然 UTF－8 字元的長度不固定，但應用程式能經由上述 UTF－8 的轉換規則，明確得到字元從哪個位元組開始，何處結束。大概因為有這三個優點，現在網頁上的 HTML，九成以上都以 UTF－8 儲存。
底下舉個例子說明如何把 UCS－4 轉換成 UTF－8。例如「炭」字的萬國碼是 2F91Ah，參考上表轉換成二進位應該要有二十一位，所以得到
2F91Ah＝0 0010 1111 1001 0001 1010b
上面白色的三個 0，是上表中的 abc。2F91Ah 在 10000h∼1FFFFFh 之間，所以轉換成 UTF－8 之後有四個位元組，第一個位元組是會有四個 1，其後再接一個 0，所以第一個位元組是 1111 0 000（變成十六進位數為 0F0h），白色的三個 0，就是 2F91Ah 變成二進位數的前三個白色的 0。
接下來就是依序把 2F91Ah 的二進位數，每次取出六個位元，前面加上 10。第二個位元組是 10 10 1111（十六進為是 0AFh），第三個位元組是 10 10 01 00（0A4h），第四個位元組是 10 01 1010（09Ah）。結果是 0F0h、0AFh、0A4h、09Ah。
如果字元不在基本多語文字面上，轉換成 UTF－16 還有另一種方法：首先把該字元的 UCS－4 減去 10000h。第二步，將它變為二進位，應該會有 20 個位元，從中分成一半，每半十位元。第三步，低字組前面加上 110111，高字組則加上 110110，最後將兩個字組變為十六進位即可。
例如要把「炭」字轉會為 UTF－16，它的萬國碼是 2F91Ah，減去 10000h 為 1F91Ah，變為二進位是：
1F91Ah＝0001 1111 1001 0001 1010b
從中分成一半，高字組是紫紅色的部分，加上 110110，變為「1101 1000 0111 1110」，換算成十六進位是 0D87Eh。低字組是白色的部分，加上 110111，變成「1101 1101 0001 1010」，換算成十六進位是 0DD1Ah。合起來「炭」字轉會為 UTF－16 是 0D87Eh 0DD1Ah。
不記得是哪有一天，在網際網路上查資料，看到了一個問題：「Unicode 是用幾個位元來進行編碼？」。後來搜尋了一會兒，發現在許多考試都曾出現這一題，包含民國 96 學年度四技二專統一入學測驗工業設計類物理計算機概論試題、民國 103 學年度建國中學資訊科校隊選拔賽筆試都有這一題。但是答案竟然令小木偶傻眼，不約而同都是「16 位元」。假如您仔細看完上面的說明，就會知道，答案錯得離譜。我國教育為了方便，常以選擇題出題，但是這卻戕害了學生的思考。
以這一題為例，萬國碼有許多種編碼方式，常用的是 UTF－8 和 UTF－16。如果是 UTF－8 方式編碼，有可能是一個位元組，也有可能是兩個位元組、三個位元組，甚至是四個位元組。如果是 UTF－16 編碼，可能就是兩個位元組或四個位元組。因此這一題，應該要送分才是，否則題目就該指出以何種編碼。