趙海城 陳昌業(yè)

從大數(shù)據(jù)到人工智能，“算法”背后的可量化、可預(yù)測、可“模仿”甚至對人工的可取代都在對電影的創(chuàng)作、生產(chǎn)、發(fā)行、營銷的各個(gè)領(lǐng)域產(chǎn)生影響，也給行業(yè)的未來帶來豐富的想象。特別是創(chuàng)作方面，藝術(shù)的個(gè)人化表達(dá)通常被認(rèn)為是以“復(fù)制”為代表的機(jī)器最難侵入的領(lǐng)地，但人工智能對這一領(lǐng)域的“學(xué)習(xí)”正在以不可阻擋的趨勢發(fā)生著。

一、機(jī)器學(xué)習(xí)：人工智能最先進(jìn)的領(lǐng)域

隨著2016年3月谷歌的阿爾法狗（Alpha Go）在圍棋對弈上完勝人類，這一曾經(jīng)只是科幻電影里想象的事物前所未有地逼近了我們的現(xiàn)實(shí)。中國的互聯(lián)網(wǎng)影視公司隨后也紛紛躍躍欲試，對外發(fā)布或介紹了各自在人工智能方面或正在研發(fā)或已初步應(yīng)用的產(chǎn)品。在一定程度上，可以將這一輪人工智能的浪潮看作是2013年在全球掀起的“大數(shù)據(jù)”產(chǎn)業(yè)浪潮的繼續(xù)。

一方面是觀眾能夠“享有”或選擇的電影量越來越大，另一方面是內(nèi)容可以觸達(dá)的觀眾在規(guī)模上越來越大，內(nèi)容所能依托的視聽媒介也變得越來越多。這些“大”和“多”看上去令產(chǎn)業(yè)的容量和體量不斷擴(kuò)展，也令積累在電影行業(yè)里的可供分析的數(shù)據(jù)量在不斷增大，甚至是幾何級地膨脹。但“大數(shù)據(jù)”面對的重要問題隨之而來，“大”就是有意義的嗎？在“大”之后，該如何處理和顯現(xiàn)出“大數(shù)據(jù)”的意義、價(jià)值和神奇？德國巴伯爾斯貝格大學(xué)教授蘇珊妮?斯圖莫（Susanne Sturmer）博士于2016年在德國舉辦的“大數(shù)據(jù)，大電影”（BigData.BigMovie）論壇上曾指出，“不僅僅是收集所有的數(shù)據(jù)，更重要的是需要以有意義的方法去處理數(shù)據(jù)，這非常必要，行業(yè)因此才能有所突破?！?span id="j5i0abt0b" class="footnote_content" id="jz_1_20" style="display: none;"> BigData.BigMovies:,2016,http://media.think.tank.2016人工智能（AI）似乎為“大數(shù)據(jù)”指出了新的方向。目前包括電影行業(yè)在內(nèi)的幾乎所有領(lǐng)域的數(shù)據(jù)來源和內(nèi)容量都達(dá)到了空前水平，無論是學(xué)術(shù)領(lǐng)域還是工業(yè)領(lǐng)域，都將目光投向了大數(shù)據(jù)的挖掘與知識發(fā)現(xiàn)——從海量數(shù)據(jù)中提取揭示隱含的、先前未知的并具有潛在價(jià)值或規(guī)律性的信息與知識的過程。在方法上，則正由數(shù)學(xué)統(tǒng)計(jì)方法向機(jī)器學(xué)習(xí)演進(jìn)。

機(jī)器學(xué)習(xí)（Machine Learning）是近年來再次大熱的人工智能的一種技術(shù)手段，也是人工智能的一種研究領(lǐng)域，即從有限的觀測數(shù)據(jù)中學(xué)習(xí)（或“猜測”）出具有一般性的規(guī)律，并將這些規(guī)律應(yīng)用到未觀測樣本上的方法。深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)子問題，其主要目的是從數(shù)據(jù)中自動(dòng)學(xué)習(xí)到有效的特征表示，是人工智能最先進(jìn)的領(lǐng)域。在大數(shù)據(jù)時(shí)代，適應(yīng)數(shù)據(jù)分析需求由常規(guī)分析向深度分析的轉(zhuǎn)變，智能分析（Intelligent Analysis）成為大數(shù)據(jù)分析發(fā)展的必然趨勢，其核心技術(shù)是文本智能分析和機(jī)器學(xué)習(xí)。值得一提的是，近年來人工智能得以再次勃興，很重要的一個(gè)原因是因?yàn)樗懔Φ奶嵘?，即圖形處理器（Graphics Processing Unit，簡稱GPU）的技術(shù)突破。算力的顯著提升，為處理大量的數(shù)據(jù)提供了可能性，也因此將過去大量基于深度學(xué)習(xí)的研究成果的落地和演進(jìn)提供了更大的可能。

人工神經(jīng)網(wǎng)絡(luò)（簡稱神經(jīng)網(wǎng)絡(luò)），是一種受人腦神經(jīng)系統(tǒng)的工作方式啟發(fā)而構(gòu)造的數(shù)學(xué)模型。從生物學(xué)角度來講，人的神經(jīng)系統(tǒng)是通過神經(jīng)元的不斷傳輸連接的。它的結(jié)構(gòu)有很多層，這些深層結(jié)構(gòu)使人具有強(qiáng)大的學(xué)習(xí)能力。與計(jì)算機(jī)的結(jié)構(gòu)不同，人腦神經(jīng)系統(tǒng)是一個(gè)由生物神經(jīng)元組成的高度復(fù)雜的網(wǎng)絡(luò)，是一個(gè)并行的非線性信息處理系統(tǒng)。人腦神經(jīng)系統(tǒng)可以將聲音、視覺等信號經(jīng)過多層編碼，從最原始的低層特征不斷加工、抽象，最終得到原始信號的語義表示。由于神經(jīng)網(wǎng)絡(luò)模型一般比較復(fù)雜，從輸入到輸出的信息傳遞路徑一般較長，所以復(fù)雜神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)可看成是一種深度的機(jī)器學(xué)習(xí)，即深度學(xué)習(xí)?，F(xiàn)如今，技術(shù)允許我們建造更大、更深的神經(jīng)網(wǎng)絡(luò)，這推動(dòng)了深度學(xué)習(xí)的新一輪發(fā)展，可供機(jī)器學(xué)習(xí)的數(shù)據(jù)規(guī)模也越來越大。

二、機(jī)器“閱讀”劇本：自然語言處理中的高難度課題

電影的開發(fā)工作通常需要制片企業(yè)建立專門的部門并配相當(dāng)數(shù)量的編輯團(tuán)隊(duì)去閱讀大量的劇本，篩選后對可供備選的劇本形成審讀報(bào)告。而人工智能的神奇很容易讓人聯(lián)想到如果這些審讀的工作由計(jì)算機(jī)來完成會(huì)是什么效果。雖然這在目前以及較近的將來仍然是無法實(shí)現(xiàn)的，但基于深度學(xué)習(xí)的人工智能技術(shù)在長文本的閱讀方面，當(dāng)下確實(shí)已經(jīng)取得了一些令人可以向更遠(yuǎn)處眺望的進(jìn)展。

機(jī)器閱讀理解是自然語言處理（NLP）研究領(lǐng)域當(dāng)中的一個(gè)重要分支，該領(lǐng)域有一項(xiàng)世界頂尖的賽事，文本理解挑戰(zhàn)賽（Stanford Question Answering Dataset），通常被簡稱為SQuAD，是機(jī)器閱讀理解領(lǐng)域公認(rèn)的標(biāo)準(zhǔn)水平測試。這一賽事由斯坦福大學(xué)于2016年9月發(fā)起，在2018年1月3日以前，人類始終保持著領(lǐng)先的優(yōu)勢，還沒有任何一個(gè)團(tuán)隊(duì)能夠設(shè)計(jì)出一種答題正確率超過人類的算法。然而，微軟亞洲研究院自然語言計(jì)算組提交的新模型在這一天獲得了82.650的精確匹配分?jǐn)?shù)，超過了人類得分82.304。兩天后，阿里巴巴的iDST-NLP團(tuán)隊(duì)也拿到了82.440的精確匹配分?jǐn)?shù)。微軟亞洲研究院院長洪小文在接受媒體采訪時(shí)談到：“這對微軟和自然語言處理（NLP）研究領(lǐng)域來說，是一個(gè)重要的里程碑。計(jì)算機(jī)文本理解能力首次超越人類，預(yù)示著該領(lǐng)域的研究將會(huì)有更大的突破。”這一里程碑的突破是一次質(zhì)的突破，為機(jī)器繼續(xù)接近人類的閱讀理解水平提供了一個(gè)積極的信號。

對于人類而言，小學(xué)生就能夠完成的語言學(xué)習(xí)過程在計(jì)算機(jī)上的實(shí)現(xiàn)卻是十分復(fù)雜和困難的。因?yàn)槿祟愓Z言有其特殊性，它是一個(gè)離散的、象征性的、絕對的信號系統(tǒng)，這意味著人們可以通過使用不同的方式傳達(dá)相同的含義，例如演說、手勢、信號等。人類大腦對這些符號的編碼是持續(xù)激活的模式，在這個(gè)模式中，符號通過聲音和視覺的連續(xù)信號實(shí)現(xiàn)傳輸。正是由于其復(fù)雜性，使計(jì)算機(jī)理解人類語言成為了一項(xiàng)艱難的任務(wù)。直到20世紀(jì)90年代之前，人們還在試圖讓計(jì)算機(jī)學(xué)會(huì)人類語言的規(guī)則，從而理解其背后的含義。但由于人們?nèi)粘Ｊ褂谜Z言時(shí)往往并不嚴(yán)格按照規(guī)則，而機(jī)器則無法處理偏離規(guī)則的內(nèi)容。后來，人們開始嘗試讓機(jī)器自己進(jìn)行學(xué)習(xí)，獲取語言知識。發(fā)展到今天，自然語言處理領(lǐng)域的研究已經(jīng)基本達(dá)到可以應(yīng)付單個(gè)句子，以及理解句子成分的水平。近十年來，計(jì)算機(jī)性能的大幅度提升和機(jī)器學(xué)習(xí)理論的興起使得計(jì)算機(jī)已經(jīng)能夠編寫短新聞、創(chuàng)作詩詞，并且能夠與人類對話。各大手機(jī)及智能電子產(chǎn)品的人工智能語音系統(tǒng)已經(jīng)可以識別并完成用戶的指令，并且能夠進(jìn)行簡單的對話與交流。

然而，機(jī)器對于中文（漢語）文本的閱讀理解比對英文的閱讀理解更加困難，有關(guān)長文本的機(jī)器閱讀理解所取得的進(jìn)展也幾乎都是在英文領(lǐng)域。這在很大程度上是由于表義（字形）系統(tǒng)的中文與表音（字音）系統(tǒng)的英文這兩種語言系統(tǒng)截然不同所造成的。如何正確地根據(jù)語義完成中文句子切分就是一個(gè)具有挑戰(zhàn)性的任務(wù)，一旦分詞發(fā)生失誤，會(huì)導(dǎo)致后續(xù)的文本處理產(chǎn)生連鎖問題，給正確理解語義帶來障礙。如“乒乓球拍賣了”，將語句切分為“乒乓/球拍/賣了”和“乒乓球/拍賣/了”都是可行的。因此，就要通過上下文語境來選擇正確的語句切分方法。

除了切分詞語之外，還有語素提取、詞性標(biāo)注、標(biāo)點(diǎn)符號、詞匯粒度等多個(gè)方面都是中英文在自然語言處理上存在較大差異的關(guān)鍵。中文盡管是世界上使用人數(shù)僅次于英文的語言，但英文自然語言處理的研究由于在技術(shù)積累和科研力量方面均領(lǐng)先于對中文自然語言處理的研究，因此中文機(jī)器閱讀理解方面的進(jìn)展目前還達(dá)不到英文機(jī)器閱讀理解的技術(shù)發(fā)展高度。因此，就閱讀劇本而言，無論是英文還是中文，人工智能目前能夠?qū)崿F(xiàn)機(jī)器閱讀的程度還非常有限。目前較為集中的技術(shù)突破是對長、短文本進(jìn)行情感分析方面的機(jī)器學(xué)習(xí)研究。全球的軟件工程師目前都在機(jī)器翻譯和情感分析方面做著不懈努力。所謂情感分析，是指識別出文本所反映的情緒，例如機(jī)器能夠很容易地判斷出一條關(guān)于電影的微博評論是積極還是消極的，這在營銷領(lǐng)域里對于分析輿情有著重要的應(yīng)用價(jià)值。但是像人類那樣能夠理解復(fù)雜文本，現(xiàn)在的計(jì)算機(jī)技術(shù)還遠(yuǎn)遠(yuǎn)做不到。

2017年8月，迪 士 尼 研 究 院（Disney Research）發(fā)表了一篇論文，介紹了迪士尼在短文本敘事評價(jià)上的一項(xiàng)最新研究成果，“這是針對敘事質(zhì)量自動(dòng)化評估的第一次大規(guī)模的深入研究” , Tong Wang（University of Massachusetts Boston，Disney Research）, Ping Chen（University of Massachusetts Boston） and Boyang L（iDisney Research）, International Joint Conference on Artificial Intelligence (IJCAI) 2017, https://www.ijcai.org/proceedings/2017/539.。該研究的數(shù)據(jù)集來自于從Quora（類似中國的“知乎”）上收集的54484份回答，通過主動(dòng)學(xué)習(xí)算法將其中28320個(gè)回答標(biāo)記為“故事”（stories）。為了能夠預(yù)測不受社交網(wǎng)絡(luò)特點(diǎn)所影響的點(diǎn)贊數(shù)量，研究團(tuán)隊(duì)創(chuàng)建了一種可以模擬文本區(qū)域(textual regions)以及各區(qū)域間相互依賴關(guān)系的人工神經(jīng)網(wǎng)絡(luò)（neural networks）——這是該論文發(fā)表之前針對敘事質(zhì)量自動(dòng)化評估的第一次大規(guī)模的深入研究。該研究的貢獻(xiàn)主要有兩方面：一方面是將社交媒體中的點(diǎn)贊數(shù)視作一種評價(jià)敘事質(zhì)量的替代方法，并且為評價(jià)敘事質(zhì)量創(chuàng)建了一個(gè)數(shù)據(jù)庫；另一方面，利用基于區(qū)域嵌入(regional embeddings)和區(qū)域內(nèi)部相互影響設(shè)計(jì)的神經(jīng)模型，為質(zhì)量評價(jià)的任務(wù)打下了堅(jiān)實(shí)的基礎(chǔ)。論文顯示，該研究的模型相比于“隨機(jī)森林”（random forest）的基線(baseline)，可以平均減少18.10%的誤差。

為了能夠評價(jià)敘事的質(zhì)量，就需要對敘事有充分的理解。難度之一就是缺少人工注解，即對于一個(gè)故事的審美評價(jià)，其本質(zhì)上是主觀的。所以，為了獲得可靠的大眾辨識力，就需要有大量人的判斷結(jié)論以幫助機(jī)器學(xué)習(xí)，而人工標(biāo)注會(huì)帶來高昂的成本。在Quora上的一個(gè)問題通常會(huì)被人們貼上一些話題標(biāo)簽，研究人員通過人工識別了其中21個(gè)更有可能會(huì)在回答中出現(xiàn)故事的話題，并創(chuàng)建了一個(gè)可以主動(dòng)學(xué)習(xí)的分類系統(tǒng)，將有故事性的答案與那些沒有故事性的答案分離，最終在742個(gè)問題下面，選出了28320個(gè)故事文本。難度之二是理解那些敘事中的復(fù)雜語義(semantics)。Quora中的故事往往較短，這看上去讓問題簡單了些，但并沒有完全解決這個(gè)難題。一個(gè)故事常見的算法模型是一系列事件相互影響，然后共同揭示更深層次的語義，例如人物意圖。下表1就說明了事件之間的相互影響。

表1 一個(gè)有著復(fù)雜相互性事件的故事（A story with complex interaction among events）

看起來這個(gè)故事是關(guān)于欺騙和出賣的，但是無論移除事件一還是事件三，故事的意義都會(huì)完全改變。當(dāng)移除事件一時(shí)，這是一個(gè)復(fù)仇的故事；當(dāng)移除事件三時(shí)，又變?yōu)橘I兇殺人的故事。從這個(gè)例子中可以看出，一個(gè)故事中包含了多個(gè)文本塊(textual chunks)，并且，文本塊間的相互影響會(huì)產(chǎn)生更深層次的語義。因此，研究者打算建立一個(gè)可以理解文本區(qū)域(textual regions)的表達(dá)內(nèi)容，并根據(jù)它們之間的相互影響再來評價(jià)這些文本的人工神經(jīng)網(wǎng)絡(luò)。

敘事的質(zhì)量評價(jià)在研究故事的產(chǎn)生(story generation)和故事的理解之間架起了橋梁。研究者通過從Quora上提取故事并統(tǒng)計(jì)其點(diǎn)贊數(shù)，從而為質(zhì)量評價(jià)的任務(wù)建立起了一個(gè)數(shù)據(jù)系統(tǒng)。研究人員將從Quora上收集的28320個(gè)故事文本分為三部分：21230（75%）個(gè)故事文本屬于訓(xùn)練部分，2832（10%）個(gè)故事屬于驗(yàn)證部分，4258（15%）個(gè)故事屬于測試部分。盡管研究人員從這個(gè)復(fù)雜的任務(wù)中得到了一些積極的結(jié)果，但也注意到社交媒體中的點(diǎn)贊數(shù)量會(huì)被除了內(nèi)容質(zhì)量以外的很多其他因素影響，如Quora的排名功能等。這就需要更多的研究去識別并糾正這些由于社交媒體所引發(fā)的偏差。

雖然對于故事生成系統(tǒng)的純自動(dòng)化評價(jià)仍然是難以實(shí)現(xiàn)的課題，但是鑒于目前的研究成果以及人工神經(jīng)網(wǎng)絡(luò)的原理，應(yīng)該說基于人工神經(jīng)網(wǎng)絡(luò)對短敘事文本的評價(jià)將會(huì)有更加長遠(yuǎn)的進(jìn)展。

三、機(jī)器“創(chuàng)作”小說、劇本的可能性正在變大

基于人工智能當(dāng)下的現(xiàn)實(shí)，機(jī)器創(chuàng)作小說、劇本的可能性越來越大。斯坦福大學(xué)的計(jì)算機(jī)博士Andrej Karpathy在2015年發(fā)表了其使用循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）完成機(jī)器“書寫”小說的成果。Karpathy使用了一種所謂的“以字母為基礎(chǔ)的語言模型”(Character Based Language Model)來訓(xùn)練 RNN。簡而言之, 該模型是通過不斷閱讀大量文字,讓RNN自己可以較為準(zhǔn)確地估計(jì)下一個(gè)字母出現(xiàn)的概率（類似搜索引擎輸入框里對下一個(gè)輸入的猜測）。當(dāng)概率模型培訓(xùn)得慢慢成熟之后, RNN就逐漸可以自己寫出流暢通順的文字。

Karpathy用托爾斯泰的小說《戰(zhàn)爭與和平》來訓(xùn)練RNN。每訓(xùn)練100個(gè)回合后,讓RNN輸出一段自己創(chuàng)作的文字,檢查其學(xué)習(xí)效果。

100回合: tyntd-iafhatawiaoihrdemot lytdws e ,tfti, astai f ogoh

此時(shí)機(jī)器知道加空格,有時(shí)要加逗號,但文字都是亂碼。

500回合: we counter. He stutn co des. His stanted out one ofler that

此時(shí)機(jī)器知道區(qū)分大小寫,可以正確拼寫一些短的單詞。

1200回合: he repeated by her door. "But I would be done and quarts, feeling, then, son is people...."

此時(shí)機(jī)器可以使用復(fù)雜的標(biāo)點(diǎn)符號,可以拼寫出較長的單詞。

2000回合: "Why do what that day," replied Natasha, and wishing to himself the fact the princess, Princess Mary was easier,

此時(shí)機(jī)器已經(jīng)可以正確拼寫復(fù)雜的語句。

在機(jī)器學(xué)習(xí)過程中,機(jī)器并不知道（被輸入）具體的語法以及標(biāo)點(diǎn)符號的使用規(guī)則，一切都是直接用原始數(shù)據(jù)訓(xùn)練的, 時(shí)間久了，機(jī)器自己就可以逐漸掌握單詞、空格、引號和括號等使用規(guī)則。Karpathy在博客中寫道：“有時(shí)我的模型的簡單程度, 和高質(zhì)量的輸出相比，反差如此之大，遠(yuǎn)遠(yuǎn)超過我的預(yù)期。”

2016年5月,斯坦福大學(xué)、CICS大學(xué)及谷歌大腦項(xiàng)目的五位研究者發(fā)表了題為《從連續(xù)空間生成句子》（

Generating Sentences from a Continuous Space

）的論文,研究者用2865部英文言情小說訓(xùn)練機(jī)器，讓機(jī)器學(xué)習(xí)言情小說的敘事和用詞風(fēng)格。 Bowman(NLP Group and Dept. of Linguistics Stanford University),Luke Vilnis(CICS University of Massachusetts Amherst),Oriol Vinyals, Andrew M. Dai, Rafal Jozefowicz & Samy Bengio(Google Brain),https://arxiv.org/pdf/1511.06349.pdf機(jī)器在學(xué)習(xí)的過程中開始創(chuàng)作輸出原創(chuàng)的文字, 具有代表性的一段文字是“Her blouse sprang apart. He was assaulted with the sight of lots of pale creamy flesh bursting out of a hot pink bra ”(作者譯“她的上衣?lián)伍_了,性感的粉色內(nèi)衣里呼之欲出的那一對白花花的胸脯讓他的視線躲閃不及。”)雖然這段文字在文學(xué)性上與人類的創(chuàng)作仍有相當(dāng)大的距離，但就其表意和基本文法來說，機(jī)器的“創(chuàng)作”已足夠令人贊嘆。在劇本寫作方面，人工智能也已在實(shí)踐上取得了突破。2016年5月，在倫敦科幻電影節(jié)（Sci-Fi London Film Festival）48小時(shí)挑戰(zhàn)賽（the 48-Hour Film Challenge）上，一部由人工智能完成編劇的短片“

Sunspring

”技驚四座。 ANNALEE NEWITZ, , 2016/06/09,https://arstechnica.com/gaming/2016/06/an-ai-wrotethis-movie-and-its-strangely-moving/該比賽事先已經(jīng)給出參賽者短片中所必須包含的設(shè)定，如臺詞、道具、情節(jié)等，要求參賽者在兩天內(nèi)完成影片的拍攝。紐約大學(xué)的羅斯?古德溫（Ross Goodwin）是一名人工智能研究人員，他為此編寫了一套長短期記憶網(wǎng)絡(luò)——遞歸神經(jīng)網(wǎng)絡(luò)（LSTM recurrent neural network），并由此來編寫比賽所需的劇本。這套人工智能系統(tǒng)名為“Benjamin”。為了訓(xùn)練Benjamin，古德溫使用了十幾個(gè)經(jīng)典科幻電影劇本（大部分是上個(gè)世紀(jì)80年代至90年代的），包括《超時(shí)空圣戰(zhàn)》（

Highlander Endgame

）、《捉鬼敢死隊(duì)》（

Ghostbusters

）、《星際穿越》（

Interstellar

）和《第五元素》（

The Fifth Element

）。Benjamin將這些劇本全部拆為字母，以學(xué)習(xí)字母與字母之間的關(guān)系和單詞與短語之間的關(guān)系，這與上文Karpathy博士的方式相類似，不是針對詞的學(xué)習(xí)，而是針對字母之間聯(lián)系的學(xué)習(xí)。

圖1 48小時(shí)挑戰(zhàn)賽給出的設(shè)定（Sunspring短片截圖）

圖2 Benjamin訓(xùn)練所用的劇本（Sunspring短片截圖）

圖3 Benjamin完成的Sunspring劇本之部分（Sunspring短片截圖）

劇本完成后，影片由奧斯卡?夏普（Oscar Sharp）執(zhí)導(dǎo)，三位演員分別是托馬斯?米德迪奇（Thomas Middleditch）、伊麗莎白?格雷（Elisabeth Gray）和漢弗萊?科爾（Humphrey Ker）。除了劇本，電影里的背景音樂也是Benjamin在學(xué)習(xí)了擁有 300 萬首流行音樂的音樂庫后創(chuàng)作出來的。但是，Benjamin在對角色名字的編造方面是一個(gè)弱項(xiàng)，三個(gè)角色的名字分別被系統(tǒng)設(shè)計(jì)為 H、H2和C。這也可以看出機(jī)器學(xué)習(xí)與人類學(xué)習(xí)的實(shí)質(zhì)差別，機(jī)器并不會(huì)從意思上去掌握和運(yùn)用，因此在名字的“想象”上才會(huì)簡單地使用字母。

驚艷之余，對人類而言仍然值得寬慰的是，盡管劇本在體例和格式上完成得還不錯(cuò)，但整體閱讀起來感覺就完全不同了。顯然，在藝術(shù)創(chuàng)作上，人工智能還有很長一段距離要走。

四、結(jié)語：新技術(shù)是電影藝術(shù)創(chuàng)新的動(dòng)力

人工智能在電影創(chuàng)作生產(chǎn)領(lǐng)域的探索和實(shí)踐當(dāng)然遠(yuǎn)不止于以上，更多的應(yīng)用正在從當(dāng)下技術(shù)水平的最大可能性上不斷萌芽，從那些近乎幼稚和初級的成果上起步，與前沿科技的迅猛發(fā)展一起探求更大膽的可能性。即便以當(dāng)前的技術(shù)條件在近幾年內(nèi)還不能看到人工智能完成對短篇小說或電影短片劇本的創(chuàng)作，但可以想象并相信，在將來，人工智能將會(huì)成為包括電影創(chuàng)作在內(nèi)的藝術(shù)創(chuàng)作的重要工具或伙伴。

藝術(shù)是人類文明這一王冠上的明珠，是人類智力的最高體現(xiàn)之一，我們都不免會(huì)將藝術(shù)作品背后那種天才的獨(dú)特性看作是冷冰冰的科技所永遠(yuǎn)無法取代的神圣領(lǐng)地，甚至是最后一塊領(lǐng)地。但不得不承認(rèn)的事實(shí)是，電影是技術(shù)推動(dòng)的藝術(shù)，從誕生之初便是如此。奧斯卡獎(jiǎng)的全稱即是美國電影藝術(shù)和科學(xué)學(xué)院獎(jiǎng)，可見在代表世界電影先進(jìn)工業(yè)水準(zhǔn)的好萊塢的電影價(jià)值觀里科技與藝術(shù)是并駕齊驅(qū)的。

人工智能早已不再只是科幻電影里的想象，人類與機(jī)器對話也不再只是對于未來的想象，如今現(xiàn)實(shí)生活中手機(jī)、智能電子產(chǎn)品、停車場的車牌攝像頭、門禁系統(tǒng)上的人像識別等設(shè)備，都已成為我們生活中的一部分。毫無疑問，人工智能也會(huì)逐漸地包圍我們的藝術(shù)創(chuàng)作。這是一個(gè)令人遐想的未來，是對藝術(shù)發(fā)展有著更大可能性想象的重要前提。

中國電影既然已經(jīng)清楚和明確地把工業(yè)升級作為新一輪電影業(yè)的發(fā)展邏輯，那么電影工業(yè)的發(fā)展就應(yīng)把科技的創(chuàng)新和應(yīng)用放在突出的位置。即使人工智能目前在電影產(chǎn)業(yè)的應(yīng)用還很初級，但是唯有更多的創(chuàng)作者和企業(yè)去擁抱新技術(shù)，才能夠與技術(shù)革命一起完成創(chuàng)作上的革新，突破過去的桎梏、藩籬和邊界，讓電影這一藝術(shù)與技術(shù)相融的表達(dá)始終有著“當(dāng)代”的質(zhì)感和“未來”的氣息。