https://www.facebook.com/share/p/1ZQeEor9WB/
Netflix 的算法逻辑，早已不只是单纯的“推荐内容”，而是直接介入“内容的生成方
式”。这篇卫报的评论提出了所谓的 “algorithm movie”（算法电影），一种被平台
的数据逻辑所规训出的影像形式。“算法电影”被设计成“可置入背景观看”的产品：
即使观众并非全神贯注，也能在边滑手机、边煮饭时轻易理解剧情。为了维持这种“不中
断的理解”，剧本往往要求角色清楚说出自己的动机，叙事结构明确、节奏平均、风格中
性，整体被压平为一种可被算法“辨识”的常态，避免任何偏锋或突兀。
这类电影的生成，受到“数据–算法–推荐机制”三位一体的逻辑所主导。Netflix 将
观众行为标签化，发展出成千上万个 alt-genres（子类型），并以机器学习分析“哪些
子类型的组合，最能留住观众的眼球”。结果是：平台不只是判断观众想看什么，而是藉
由内容的生产，反过来塑造观众“应该如何观看”，创作者也因此被迫在这种逻辑下自我
驯化，在企划阶段就预想数据的接受度，而非创作的必要性。
如何维系观众的“注意力”，如何确保阅听人不“放弃追剧”，变成比以往电视台即时收
视率更强制的创意枷锁。于是，“算法电影”成为一种文化现象，它的任务不再是开创
形式，而是维持平台流畅运作的“注意力机器”。影像被优化为“可背景播放的舒适串流
”，不再要求观众思考、专注，或面对难以归类的情感与形式。
当然，电影工业在前期募资、pitching 及筹备阶段试图预测观众反应的现象并非新鲜事
。从好莱坞黄金时代起，片厂便习惯透过焦点团体试映、问卷调查，甚至更极端的观众心
率测量等方式，在“上片前”就不断修正作品内容，甚至更动电影结构乃至于“结局”。
换言之，观众反应一直是电影工业的重要指标，只是过去这种控制仍侷限于样本化、片段
式的，有点类似于“补漏洞”的测量。
而Netflix 的不同在于，它将这套制约逻辑推进为一种即时、全面、数据化的预测模型。
观众的点击、暂停、跳出、重看次数，全都被转化为可运算的行为向量，并即时反馈至最
前端的内容生产链。换言之，算法电影不再被动等待焦点团体的“意见”，而是从构想
阶段起就被模型训练来满足统计上的偏好。它默认观众的注意力模式，并以预期的“反应
”去生产最符合“留存率”的叙事。这正是为什么算法电影的“预测性”远比传统片厂
更具结构性暴力：它不仅根据观众反应进行修正，而是在影片尚未诞生之前，就预先且大
幅度地删除了绝大多数的不确定性。
因此，我们面对的不只是电影风格的改变，而是一个更深层的问题：当串流媒体以数据定
义何谓“可理解”、“可测量”与“可见”，艺术中的模糊、停顿与歧义，是否正被系统
性地删除？
在这样的脉络下，我觉得David Lynch 晚年的几个计画屡遭 Netflix 拒绝，最终的作品
无法完成，成为影迷心中遗憾，便成了某种象征事件。Lynch 的作品语义模糊、节奏突兀
、心理晦暗，拒绝任何可预测或可解析的叙事，正好违背算法电影的全部前提。他拍摄
的是潜意识、阴影与语言崩解的瞬间；他要观众经验的，是未知、不安与失序。凡此种种
，正是算法最无法“预测”与“量化”的部分。
在蓝丝绒里，Dennis Hopper 扮演的 Frank Booth 对那个干净、可控、虚假的世界不断
地咆哮：“Fuck that shit!”。虽然粗鄙俗气，但那或许正是面对算法电影时，所有
仍相信电影是关于神祕、风险与自由的创作者，唯一诚实的回应。只是如今的算法，大
概会把 Booth 骂完这句话后，接上的那句“Pabst Blue Ribbon”，误读成一个“豪气畅
饮”的幽默迷因梗，并贴上几个 alt-genres 标签：binge-drinking、alcoholism、
mid-80s nostalgia、甚至误标为 feel-good movie。然后，推荐给算法里，潜在符合
这几个子类目的所有用户们。

感谢F大分享