一、电影的量化特征及算法的可供性

　　算法文化视域下的电影产业人气:    发布时间:2023/6/27

　　版权：《电影文学》编辑部

　　来源：《电影文学》2023年第9期“算法专题”第4-10页

　　作者：赵瑜 曹凌霄（浙江大学传媒与国际文化学院，浙江 杭州　310058）

　　［主持人语］近年来，伴随着AI算法生成电影、XR算法虚拟制作、抖音算法生成影像等在“算法”逻辑下不断生成或推演的新型电影制作/生产模式的出现，电影生产也面临甚至是迎来了一次“算法革命”。算法具有整合推优、提供最大公约数、展现大众审美趋向、数据化电影制作流程等多维功效。算法也使当前时代下导演、受众的“身份”发生转变，革新着电影生产流程，影响着电影产业发展，并以一种算法整合形式建构出新型的“算法媒介观”。本次专题便是基于填补电影算法研究与建构算法时代电影工业理论的初衷，力图初步搭建起算法时代算法电影工业美学理论，从导演论、受众论、生产论、产业论、媒介观及实践校验六个维度，揭示算法带给电影生产的变革与颠覆，并以此初步形成电影算法研究的体系。赵瑜教授与曹凌霄博士生的《算法文化视域下的电影产业》一文便在宏观维度上关注了推荐算法引入电影生产、分发和文化共享的过程中所带来的艺术表达新问题与电影生产新格局。

　　（张明浩）

　　摘要：电影行业在进一步引荐算法进入生产等过程中，须面对人与非人、文化与计算结合在一起的“社会技术的集合体”对艺术表达的影响。将技术逻辑放到与社会文化相互型构的角度，对涵盖前期策划、中期拍摄和后期制作的电影生产过程予以细致观察，通过分析算法对电影技术和艺术的可供性，思考算法文化视域下电影艺术表达的发展趋向。作为缓解动荡、建立秩序的数学程序，算法能够提高生产效率，但其技术是否能够被委以凝聚社会和追求本真的文化重任，值得持续而审慎的观察。关键词：算法文化；电影产业；电影生产过程基金项目：国家社科基金一般项目“人工智能时代的传播伦理与治理框架研究”(项目编号：20BXW103)阶段性成果。

　　以算法技术为代表的人工智能科学已经独特地改变了人类的传播行为和审美过程，在生产和管理我们的传播信息与共享文化方面发挥着关键作用。它们决定我们的问题是如何被回答的，决定我们看到哪些内容，决定我们将接收到什么广告，并由此打造我们的个人和专业网络。人文和艺术传统对上述技术主义倾向存在天然的警惕，在很长一段时期，电影学界都在排斥“测量”“计算”等概念和方法。2014年百度通过大数据预测《黄金时代》票房失利似乎也证明了艺术之于数据科学的独立性。但是随着人工智能技术的迭代提升，算法在电影行业的应用是否更加多元而有效?这些变化对电影的生产、接收和文化共享发挥着哪些影响?本文期待通过历史深描和典型案例分析，为回答上述问题提供思考线索。人工智能的核心是算法。算法这个词历史悠久，源自阿拉伯阿拔斯王朝一位著名数学家姓氏“al-Khwarizmi”的拉丁化英译。18世纪初同时出现两种算法的英文拼写“algorism”和“algorithm”。其中，algorism指一套接近真实的编码系统，algorithm的算术意蕴更浓，指一组用来揭示真相的数学程序。让algorithm更受欢迎并成为目前“算法”的标准拼法要归功于香农的《传播的数学理论》。对香农来说，传播并不是一个相对自然的过程，决定和影响信息传递的因素多且复杂，混乱才是信息交流的自然状态。因此，需要发展一种传播的数学理论，也就是算法，用以解析信号、分辨干扰，增加过程的秩序。[1]在香农的影响下，算法作为带有信息论色彩的数学程序，被越来越多地赋予消除熵、改造社会实践的任务。1956年达特茅斯会议上提出的可清晰描述、正确编程、计算实现[2]等问题都可能由机器完成，技术人工物由此获得能像人那样认知、思考和学习的主体地位想象。此后的半个多世纪，人工智能走过符号人工智能、深度学习等阶段，形成计算机视觉、自然语言理解、认知科学、机器学习、机器人学等几大学科协同发展的成果[3]。一般而言，拥有“大量的相关数据”“足够细化的领域”和“明确的目标”[4]的行业就有算法介入的空间。探讨算法是否适用于电影行业，首先需要厘清三种关于电影的概念：作为技术产物的电影、作为产业的电影和作为艺术的电影。作为技术产物的电影在诞生之初就是“人类生存的连续性时间中采样出一格格不连续的影像”[5]。正是这种对电影技术朴素的、机械层面的考量，揭示了构成电影的最基础“物质”元素——“帧”和“像素”。数字化时代，数值化、模块化、跨码性让计算机呈现世界的独特方式成为处理电影物质要素的有效工具。与此同时，新媒体技术亦嵌入影像表达意义和情感的过程，使得可量化和自动化成为作为技术的电影的工业常态。如虚拟拍摄、数字合成、智能剪辑、影像修复等领域就成为算法进入电影技术的切实起点。作为产业的电影，以票房表现为核心指标，包含投融资、制作、发行、放映等细分产业链环节，又融合了广播电视、音像出版、游戏动漫等具有上下游关系的衍生内容和服务产业。鉴于商业电影的巨大投资风险，如何控制项目风险、预测票房，一直是电影行业的重要需求。随着数据颗粒度的精细化，以及矫正模型的维度日益多元，算法在项目策划领域的可信度也在提高。作为艺术的电影，最为抵抗算法的长驱直入，即便大参数模型GPT-3可以在英国《卫报》发表评论，ChatGPT似乎可以有意义地与人类对话，但机器生产内容何以生成本雅明理论体系中的“灵韵”?如果艺术不再是人类所独有的精神活动，我们又该如何理解本真性和膜拜价值?电影是一种可以自由创造时空的艺术，仅从量化时空采样技术和商业的角度理解电影的意义显然是不够的，但机器生产内容，例如自动剧本生成等因素将对电影艺术产生多大的影响，恐怕更多的是一个话语意识层面的问题，而非实践意识层面。总体而言，电影无论从文本还是产业角度都已经积累了丰富的数据，相对明确的行业目标和多元的细分产业领域，给了算法介入生产、传播和文化共享的行业基础。当下，自动剧本写作、智能剪辑、虚拟制作等系统已经试水电影行业，虽然应用效能未必尽如人意，但产业操作方法和发展趋向已不可避免地受到了巨大影响。

　　虽然作为艺术的电影对算法的可能性和可供性仍然保持审慎态度，作为技术和产业的电影早已在多个环节尝试引入算法及其相关系统。总体而言，从电影生产流程分析，前期策划、中期拍摄和后期制作都已不同程度地受到算法的影响。

　　(一)前期策划 1.风险评估一直以来，电影业因观众需求的不确定性被认为是风险系数极高的产业。即使一部影片在放映前严格执行了融资、剧本创作、演员选择、拍摄、剪辑、后期制作等一系列曲折的过程，也没有人可以确定该影片一定会有不错的票房表现。据英国电影行业数据分析机构高尔街估算，2022年全球票房总额为259亿美元，同比增长27%,但比新型冠状病毒感染疫情之前三年(2017—2019年)的平均水平下降了35%,按当前汇率计算，电影产业约损失140亿美元。从影片形式来看，全球票房前十的影片中有八部为历史高票房电影系列续集，包括排名前三的电影《壮志凌云2:独行侠》《阿凡达：水之道》《侏罗纪世界3》,以及1部IP衍生电影《新蝙蝠侠》。由此可见，为了降低投资风险，全球电影市场似乎重新退回了好莱坞式的“老三样”,即超级英雄电影、动作特效大片以及各种IP系列续集。然而，电影观众偏好千变万化，流行风尚也多是昙花一现。近几年的案例表明退守那些观众熟悉的电影IP或依靠强大的明星阵容，不足以准确预测市场表现。为了控制风险，如今的电影市场既不是全凭投资人的主观判断，也不再仅仅依据媒体评估或分析机构的统计数据，而是由以算法为核心的人工智能系统在影片公映前进行预测。2020年1月，华纳兄弟影业与洛杉矶一家运用机器学习进行票房预测的初创公司Cinelytic签署协议，计划未来使用Cinelytic的算法考量影片的各个维度，加速“绿灯系统”的决策过程。Cinelytic的大多数员工不是来自电影行业，联合创始人兼首席执行官托比亚斯·奎塞尔(Tobias Queisser)此前主要从事金融投资行业，另一位联合创始人兼首席技术师德夫·森(Dev Sen)曾为美国国家航空航天局设计过风险评估模型。从创始人的背景来看，以Cinelytic为代表的人工智能系统构成了“以风险评估和风险投资为核心的金融学逻辑”[6]。具体来说，Cinelytic的数据库包含超9.5万部影片的电影表现和元数据，以及超过55万名演员、编剧、导演和制片人的历史数据，系统将需要预测的信息与数据库中近3～5年的数据进行交叉对比，就可以在几秒之内对一位演员的价值做出评估，甚至在20分钟内对一个项目进行全面分析，包括与该项目类型和题材符合的演职人员名单、影片的预计成本和预期票房收入等。除了像Cinelytic、ScriptBook①一样为电影制片公司提供“第三方服务”的计算机技术公司，还有一些电影公司直接与科技公司合作开发人工智能系统，为公司内部决策提供服务。例如，由20世纪福克斯和谷歌共同开发的Merlin系统，利用计算机视觉技术对电影预告片进行逐帧分析，将预告片中的对象、事件与数据库中的电影数据进行比较，帮助福克斯公司匹配电影的理想受众，并给出一系列如何对新片进行宣传与归类的建议。虽然Cinelytic和ScriptBook这样的人工智能工具预测准确率在85%以上，但并没有得到业界的广泛认可。对此，ScriptBook的数据科学家米歇尔·鲁伦斯(Michiel Ruelens)认为制片人普遍不愿意与人工智能或算法产生关联，主要是因为在电影这个关乎审美和艺术直觉的行业，依靠这些冰冷的数据就等于承认自己缺乏创造力和判断力，同时也在某种程度上贬低了电影的艺术价值。在科技公司看来这种观点是对算法的误解，因为算法并不是在预测和把握电影的艺术品位，而是通过提炼和分析数据预测市场信心水平。因此，电影公司“就是要以最务实的方式，在创意与数据之间的交会处运用这项技术”[7]。 2.自动剧本写作2022年被称为人工智能自动生成内容(AI Generated Content, AIGC)元年，生成式人工智能有望取代专业生产内容和用户生成内容成为未来内容生产的主流。半个世纪前，仅依据预先输入程序的80个短语和句子，计算机就能将天气数据转化为文字形式，生成可以直接使用的天气预报。[8]鉴于相对稳定的写作风格和清晰的结构更能为算法提供可靠的、结构化的数据资源，生成式人工智能现已被广泛应用于财经、气象和体育等领域。而剧本本身因其拥有大量的非结构化数据，如情节分析、人物线索、故事节奏等，从而具有突出的“手工业”特征。将这些离散的、非结构化数据处理成干净的、结构化的数据集是实现剧本自动化生产的关键。从人工智能剧本写作的发展来看，算法介入影视剧本创作主要分四个阶段实现：公式化提取和替换字符的“伪原创阶段”,按固定套路运行的“辅助创作阶段”,通过机器学习模仿人类写作的“命题阶段”,有独立思想、完全自主创作的“全自动阶段”。[9]2021年国内首家应用人工智能进行内容创作的娱乐科技公司“海马轻帆”推出了小说转剧本的智能写作功能，通过拆解小说片段，去掉不适合剧本风格的心理活动描写和上帝视角叙述，将筛选出的场景、对白和动作描述转化成剧本文本语言。然而，改编剧本的完成度很大程度上受限于小说本身，情节流畅、铺垫较多且细节描写丰富的小说在剧本改编方面更有优势，情节跳跃且细节量不够的小说改编成剧本难度就较大。例如海马轻帆曾对张爱玲的《半生缘》《金锁记》,以及郁达夫的《她是一个弱女子》做过对比分析，结果显示，张爱玲的作品因情节流畅、人物线索清晰，比直起直落的郁达夫的作品更适合做影视改编。小说转剧本的算法目前只能实现机械性的转写，仍停留在“伪原创阶段”或“辅助创作阶段”。目前也有剧本写作工具已经进入“命题阶段”。2016年，纽约大学研究员罗斯·古德温(Ross Goodwin)开发的人工智能“本杰明”(Benjamin)独立完成了科幻短片《阳春》(Sunspring)的剧本编写，经真人演绎后该影片入围伦敦科幻电影节“48小时电影挑战赛”十强，成为首部完全由算法编写剧本的电影短片。为了训练“本杰明”,古德温用数据库中的数百部科幻电影剧本构建了一个基于长短期记忆的循环神经网络。这一算法的优势在于随着时间的推移，它可以抽取文本中更长的字符串，模仿剧本结构生成格式规范、内容完整的台词和舞台说明，而不只是语料的简单堆砌和机械拼凑。然而，尽管“本杰明”为《阳春》写的每个句子看上去都符合人类的使用习惯，但组合在一起后却缺乏逻辑、难以理解。目前即使像GPT-3这样的大型语言模型也很难超越数据本身，拥有组合性推理的能力。DeepMind于2022年12月推出的剧本写作人工智能Dramatron或许能在一定程度上克服人工智能写剧本前后逻辑不连贯的问题。Dramatron由大型语言模型Chinchilla作为支撑，用户只须给出一句话梗概(log line)描述戏剧冲突和故事走向，系统就能根据金字塔戏剧结构和英雄旅程公式生成逻辑严谨的剧本内容。[10]Dramatron采取将上一层级的输出作为下一层级的输入的分层内容生成方式，更能保障剧本的语义连贯，用户也可以在任何层级直接手动修改文本内容。剧本写作人工智能远未替代人类创作者，但就像10年前，在所有人都认为创意工作并不会先于蓝领和白领工作被人工智能取代时，算法其实已经介入了诸多创造性工作，而这也显示了“人工智能最有可能先取代的反而是创造性工作”的可能性。[11] (二)拍摄中期随着数字技术大规模运用到电影领域，算法作为一种非物质劳动的生产力工具，正在进一步解放人类影像艺术创造力，代替传统摄影机的镜头过滤世界，留下更接近真实、甚至创造出超越真实的影像奇观。微观来看，算法是一种辅助电影拍摄的手段。回溯电影制作的技术发展史，计算机技术尚未发展成熟之时，电影的视觉效果都是局限在摄影机内完成的。1902年，法国电影制片人、科幻电影先驱乔治·梅里爱用“停机再拍”“魔术照相”等技术手法创作了世界第一部神话片——《月球旅行记》,这部画面光怪陆离的影片开启了人类对超现实主题电影的无尽想象。1977年，《星球大战》大量使用动作控制系统(Motion Control System),用计算机操控摄影机的运动轨迹制作三维特效镜头，开创了将数字技术用于电影拍摄的先河。到了21世纪，《指环王》《阿凡达》《猩球崛起》等一系列大片依靠动作捕捉技术将设备捕捉到的动作通过算法分析用于数字虚拟角色的制作，创造出了令人震撼的视觉奇观。时隔多年，《阿凡达：水之道》增加了捕捉面部表情的摄像头，将动作捕捉技术推向了新的高度，而升级后的虚拟摄影机更是可以实时渲染演员扮演的角色以及他们所处的场景，方便拍摄团队及时调整最终的呈现效果。类似的制作技术让电影从完全由实拍镜头构成，转变为实拍与虚拟制作相结合的制作方法，进一步解放了传统摄影机所受到的现实束缚，将更多的奇思妙想搬上银幕。从宏观上看，算法与电影影像的结合具体表现为利用计算机生成图像技术(Computer-generated imagery, CGI)和视觉特效(Visual effects, VFX)对角色与场景进行模仿、还原与创造。1982年，科幻电影《电子世界争霸战》开启了CGI电影时代，三年后工业光魔公司为电影《年轻的福尔摩斯》创造了电影史上第一个使用电脑绘制的角色——“彩色玻璃人”。20世纪90年代以来，除了基于微缩模型的传统技术，电影人将更多的艰巨任务交给了数字特效技术，于是诞生了《侏罗纪公园》中能呼吸、有真实皮肤质感的数字恐龙，以及《少年派的奇幻漂流》中精细到每一根毛发的孟加拉虎理查德·帕克等之前几乎不可能影像化的角色。 (三)后期制作 1.智能剪辑人工智能自动剪辑软件已经在短视频市场占有一席之地。来自中国、美国和以色列的研究人员于2019年合作研发的智能剪辑工具“Write-A-Video”可以根据用户输入的文本提示，自动从视频库中搜索匹配的候选镜头，并参考镜头的运动和色调，结合用户设定的摄影风格，对镜头进行混合优化。[12]卡塔尔世界杯期间，央视频与来自以色列的体育科技公司WSC体育合作，对比赛高能瞬间进行智能剪辑，输出了超5000条短视频，展示了算法高效精准的视频剪辑能力。不同于视内容重要性大于剪辑技巧的短视频，影视类长视频对后期剪辑的要求较高。就现阶段而言，人工智能尚不能独立完成一部影片的剪辑工作，在电影行业主要应用于预告片和宣传片的制作。2016年IBM的超级机器人沃森(Watson)通过机器学习对100部恐怖电影预告片中的画面、台词、人物语调、背景音乐等进行了创作构成分析，并对不同元素和情感的对应关系作出了初步判断。在前期学习的基础上沃森“观看”了电影《摩根》(Morgan),并迅速从中挑出了10个最适合出现在预告片中的场景，协助电影制作人在24小时内剪辑了一支原本需要花费10～30天才能完成的电影预告片。IBM的研究人员对比了人工智能剪辑的预告片与20世纪福克斯发布的官方预告片收到的用户反馈，结果显示，沃森的表现不输专业的剪辑师，用户几乎不能判断哪一支预告片是由人工智能完成的。[13]虽然沃森在创作过程中利用情绪和情感识别工具包，对《摩根》的音频和视频片段分别进行了情感分析，以确定某个场景是恐怖的、充满悬念的还是温情的，但这些情感识别工具并不能理解情感，只能借助模式化的标签来判断角色的情绪。例如算法不能理解爱情，但可以通过玫瑰、接吻、拥抱等标签提供的信息，作出“角色正在恋爱”的判断。为了进一步优化机器情感判断，爱丁堡大学的研究人员将预告片的生成过程分解成识别叙事结构和预测情感两个子任务，这两个任务通过两个独立的神经网络——基于剧本的文本网络和基于视频的时间网络——联合完成。[14]具体而言，在基于视频的网络中，情感通过训练带有情感标签(积极的、消极的或中性的)的镜头来进行预测；在基于文本的网络中，研究人员采用COSMIC②对剧本内容进行话语级别的情感预测(如愤怒、好奇、厌倦)。由于缺乏标记为细粒度情绪的数据集，剧本场景和电影镜头包含的情感只能被简单地归纳为积极的或消极的。这表明，将其他领域的情感识别框架直接用于电影智能剪辑系统可能会产生不可靠的情感预测结果，未来智能剪辑的发展有赖于电影情感检索模型的进一步优化。 2.自动生成视频事实上，除了文本到文本(text-to-text, T2T)的内容生产，以大语言模型为基础的AIGC技术在文本-图片(text-to-image, T2I)、文本-视频(text-to-video, T2V)、图片-视频(image-to-video, I2V)、视频-视频(video-to-video, V2V)等领域也有突破性的进展。2022年8月，在美国科罗拉多州博览会艺术比赛上，游戏设计师杰森·艾伦(Jason Allen)使用T2I工具Midjourney完成的画作《太空歌剧院》获得了“数字艺术/数字修饰照片”类别头奖。这幅备受争议的画作得到了博览会评委的极高评价，他们认为《太空歌剧院》做到了“用艺术讲述故事和唤起精神”。作为静态图像创作的延伸，用算法实现动态的视频演绎要复杂得多。一般而言，文本到视频的第一步与训练文本到图片的神经网络类似，都需要先由文本生成大量的图像，随后在这些图像中选出一些关键帧，并通过额外增加插值模型把这些关键帧组合成流畅的视频动作，最后再用超分辨率模型提升视频画面的像素质量。Meta公司于2022年9月发布了T2V工具Make-A-Vide, 该系统通过在原始的T2I神经网络中添加时空层从而将输入文本转换成一组具有时间连续性的、像素为64×64的图片，并利用插值模型和两个超分辨率网络，在增加短视频的帧数的同时，将图片的像素分别提升至256×256和768×768。[15]Meta发布Make-A-Vide仅一周，谷歌不甘示弱，接连推出Imagen Video和Phenaki两款T2V工具。Imagen Video兼具高保真度和极强的文本理解力，能基于视频扩散模型(video diffusion model)生成1280×768像素、每秒24帧的高分辨率视频，甚至还可以理解和创作不同风格的艺术作品，如梵高风格的猫、水彩画风格的森林。Phenaki则依赖一种新的因果模型将目标瞄准长视频制作，它可以随着文本描述的变化，生成长达两分半钟的连贯视频。鉴于Imagen Video和Phenaki的独特优势，谷歌在2022人工智能年度活动中，首次向公众展示了两个团队合作完成的超分辨率长视频。该视频不仅实现了超高分辨率，还保证了画面和时间的一致性。虽然对于需求频次与质量要求较高的影视行业来说，视频生成人工智能目前还处于萌芽阶段，但正如谷歌研究中心首席科学家格拉斯·埃克(Douglas Eck)所言，Imagen Video和Phenaki的结合很有可能成为电影人讲述故事的新方式。算法已经介入了电影生产流程的全周期，虽然远未取代人类创作者，但数字化、模块化和自动化的新媒体语言特性已经改变了传统电影的整体面貌。如果说人类采纳技术的内驱动力在于克服短缺和无序的问题[16],那么将算法引入电影行业的动力也在于提升生产效率和减少机械重复性工作，在这方面，以算法为代表的自动化系统表现颇佳。以近几年进入大众视野的4K修复技术为例，一部时长2小时、帧率为24的电影包含约17万帧画面，依靠人工仅消除瑕疵这一项任务就繁重且艰难，而结合强大算力的算法可以将这一过程加速数万倍，如2022年火山引擎采用基于机器学习的降噪和去划痕算法有效解决了旧影像中95%以上的瑕疵问题，并在一年内顺利完成了100部经典动画的修复工作。技术和艺术不同的生成逻辑和社会影响机制，让算法和电影之间充满张力，这种紧张的关系首先来自算法的数学和编码特性所内蕴的量化逻辑。以算法为代表的人工智能系统进入电影艺术，将人类的思维、行为和表达融合到大数据和大规模计算的逻辑之中，进而改变了“文化”这一类别长期以来的实践、体验和理解方式。这个过程不应该仅以技术系统的尺度来加以认识和解释，而必须放到与社会文化相互型构的角度予以细致观察。社会文化型构意义上的算法，首先带来技术人工物主体地位辨析的问题。如果电影日益被看作是一种数据库式的生产方式，这在某种程度上也是算法能够介入电影生产的前提条件，那人类是否将不再享有作为电影艺术生产者、评论者或阐释者的专属权?电影的技术特性一直在深入影响电影艺术的表现力和美学特质。1933年安托南·阿尔托在论文《电影未老先衰》中写道：“刺进事物核心的镜头创造出它自己的世界，或许可以说电影取代了人的眼睛，它替眼睛思考，替眼睛过滤这个世界，而经过此种协同的、机械的消除法，它只允许最好的留下。”[17]这一创造世界的方式是在镜头等电影技术和设备的中介下完成，电影行业对技术可供性的认知尤为清晰。算法进一步以非物质介质的形式渗入电影创意性工作的核心，虽然目前算法更多地呈现出优化工具的特性，但是自动化生产的愿景却让“人机互为尺度”[18]取代了人类是万物尺度的唯一性。其次，算法的可供性也让电影日益转变为算法奇观和数据景观，让观众被禁锢的程度进一步提高。安德烈·巴赞借用“本体论”这一哲学术语，在《摄影影像的本体论》一文中提出“摄影的美学潜在特性在于揭示真实”。巴赞认为，在摄影机的镜头下，原物体与它的再现物之间只有一个无生命的实物在发生作用，其本质上的客观性使电影影像可以无限接近现实世界。[19]但是算法似乎给原物体和再现物之间构建了一个准智慧主体，让电影更多地呈现出对奇观的刻画能力和美学偏好。如果说“侏罗纪公园”系列中的恐龙，是从古生物学家找到的恐龙化石的细节出发构建出来的模拟客观世界的影像画面，那么22年后重启的“侏罗纪世界”系列，已经不再满足于复制和还原原生恐龙。电子动画总监约翰·诺兰(John Nolan)和他领导的生物特效团队在该系列终章《侏罗纪世界3》中增加了10种从未在前作中出现过的恐龙。创造新“景观”的“侏罗纪世界”并不完全是居伊·德波所批判的那个由资本家操控的“景观社会”,对于已经很难离开算法渲染等一系列数码特效技术的电影行业来说，它更像是一种“算法景观”。“算法景观”指的是：当算法绘制的虚拟形象越来越远离人的“直接经历”时，它所营造的华丽景观只是一种脱离现实世界的“表现”(représentation)。[20]这些虚幻的影像可能会让观众磨灭自己的真实需要，产生虚假的欲望，而这些欲望又会继续支配生产，将观众俘获在算法景观之中。电影行业在进一步引荐算法进入生产、分发和文化共享的过程中，不得不更加严肃地面对人与非人、文化与计算结合在一起的“社会技术的集合体”对艺术表达的影响。在这个过程中，技术提高生产效率的能力毋庸置疑，但如果我们将电影视作具有审美价值和道德价值的精神作品，技术是否能够被委以凝聚社会和追求本真的文化功能，值得持续而审慎的观察。当然随着技术的大潮奔涌前行，拆毁机器的卢德主义并不可取，重要的是在深入理解技术和艺术的基础上，让技术的部署更加利于人类自由和尊严的表达和追求。这是电影发展的趋向，也是人类艺术的追求。

　　[1] T.Striphas.Algorithmic culture[J].European journal of cultural studies,2015,18(4-5):395-412.

　　[2] J.McCarthy,M.L.Minsky,N.Rochester,C.E.Shannon.A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence[J].AI magazine,2006,27(04):12-14.

　　[3] 赵瑜.人工智能时代新闻伦理研究重点及其趋向[J].浙江大学学报(人文社会科学版),2019(02):100-114.

　　[4] 李开复.AI·未来[M].杭州：浙江人民出版社，2018:21.

　　[5] [俄]列夫·马诺维奇.新媒体的语言[M].车琳，译.贵阳：贵州人民出版社，2020:29.

　　[6] 王伟，董斌.“机器绿灯系统”与“算法矩阵电影”——人工智能对电影制片业的影响[J].当代电影，2020(12):30-36.

　　[7] Dan Reilly(隋远洙，译).能提前预测票房收入，好莱坞进入“AI选片”时代[EB/OL].财富中文网，(2020-02-29)[2023-02-01].https://www.fortunechina.com/keji/c/2020-02/29/content_ 359718.htm.

　　[8] H.R.Glahn.Computer-produced worded forecasts[J].Bulletin of the American Meteorological Society,1970,51(12):1126-1132.

　　[9] 刘弢.人工智能对影视后期制作的介入以及数字剪辑师的研究[J].新媒体与社会，2018(02):141-150.

　　[10] P.Mirowski,K.W.Mathewson,J.Pittman,R.Evans.Co-writing screenplays and theatre scripts with language models:An evaluation by industry professionals[EB/OL].arXiv e-Print archive,(2022-09-29)[2023-02-01].https://arxiv.org/pdf/2209.14958.pdf.

　　[11] OneFlow社区.OpenAI掌门人Sam Altman:AI的下一个发展阶段[EB/OL].微信公众号，(2022-12-15)[2023-02-01].https://mp.weixin.qq.com/s/Ek5Xyj2gg-sA8ZIepx0PKA.

　　[12] M.Wang,G.W.Yang,S.M.Hu,S.T.Yau,A.Shamir.Write-a-video:computational video montage from themed text[J].ACM Transactions on Graphics,2019,38(06):1-13.

　　[13] J.R.Smith,D.Joshi,B.Huet,W.Hsu,J.Cota.Harnessing A.I.for Augmenting Creativity:Application to Movie Trailer Creation[EB/OL].Proceedings of the 25th ACM international conference on Multimedia,(2017-10-23)[2023-02-01].https://www.eurecom.fr/publication/5344/download/data-publi-5344.pdf.

　　[14] P.Papalampidi,F.Keller,M.Lapata.Film Trailer Generation via Task Decomposition[EB/OL].arXiv e-Print archive,(2021-11-16)[2023-02-01].https://arxiv.org/pdf/2111.08774.pdf.

　　[15] U.Singer,A.Polyak,T.Hayes,X.Yin,J.An,S.Zhang,...& Y.Taigman.Make-a-video:Text-to-video generation without text-video data[EB/OL].arXiv e-Print archive,(2022-09-29)[2023-02-01].https://arxiv.org/pdf/2209.14792.pdf?utm_source=webtekno.

　　[16] [德]安德雷亚斯·莱克维茨.独异性社会：现代的结构转型[M].巩婕，译.北京：社会科学文献出版社，2019:23.

　　[17] [法]A.Artaud.The Premature Old Age of the Cinema[A].In Susan Sontag (ed.).Antonin Artaud,Selected Writings[C].New York:The Noonday Press,1976:311.

　　[18] 彭兰.人与机器，互为尺度[J].当代传播，2023(01):1.

　　[19] [法]安德烈·巴赞.电影是什么?[M].崔君衍，译.北京：文化艺术出版社，2008:5-13.

　　[20] 董金平，蓝江.智能算法下的电影文化[J].电影艺术，2020(01):42-49.

　　注释：

　　①2015年成立于比利时的创业公司,主要通过分析剧本来预测目标受众和电影的商业表现。

　　②COmmonSense knowledge for eMotion Identification in Conversations,一种基于自然语言对话,结合诸如心理状态、事件、因果关系等不同常识元素进行情感识别的框架。

　　［作者简介］

　　赵瑜(1978—),女，浙江杭州人，浙江大学传媒与国际文化学院教授、副院长，主要研究方向为媒介技术与社会转型、传播政策、数字文化;

　　曹凌霄(1994—),女，浙江金华人，浙江大学传媒与国际文化学院新闻传播学专业2022级在读博士研究生，主要研究方向为影视与文化创意产业。