前言

技术发展之迅猛，不断刷新我们对时间的体验。短短一年就被生龙活虎地过成了三五年，直逼“一年一代沟”这十分尴尬又令人兴奋的现实。

早在（得说早在了）2011年年底，中科院数学研究院邀请我去作一个讲座，主题是用计算机自动生成影像的可能性，因为那年我刚刚获得电影学博士学位，这个主题与我的博士研究课题有关。当时，我给出的答案是：“目前（截至2011年底）来看还不太可能。”

今年（2017年），阿法狗毫无悬念地击败了柯洁。人类虽败犹荣，因为机器也是由人来设计并制造的，只是它的学习能力比任何个人都更强大而且从不知疲倦。

近来看到人工智能在影像方面的进展：人工智能系统可以先对某一类型的100部预告片进行学习（比如进行视觉、音频、场景构成等的分析），然后，将一部同类型完整影片Morgan导入该系统。系统迅速从中挑出10个最适合制作预告片的电影场景，并为制作人筛选出六分钟的片段，让电影预告片的剪辑时间缩减到24小时。该技术目前已有了不少实际应用场景。

那么，如果站在今天（截至2017年夏天）要来回答当年的这个问题，答案又是什么？我得说：“现在还并没有，将来仍是个未知数……”

因为，计算机强于逻辑，它目前能做到的基本都能转化为明确的参数和指令，比如画面明度、色彩、运动速度、音量、音高、音长……通过这些参数所进行的判断和选择，仍在较低的认知维度上——尽管，我们不得不承认，它的判断速度的确“秒杀”人类。

您现在手中的这本书，试图探索的是高维的影像世界。表面看来，这是一本切入点很小的书，小到了只包含着十五个“词语”。但正如马克思所说，“语言是思维的物质外壳”，这本关于“电影语言”的书（或者说，“电影语言词典”的雏形）背后，是每个词所蕴含的丰富可能性，它无疑指向更高维的认知世界。

那么，这本书是给谁看的？电影专业的学生、影像制作的初学者，甚至电影从业者，如果觉得缺少创意时，都可以看，愿你能从中找到灵感。当然，计算机也可以“看”，这可以作为神经深度网络学习的素材之一吧？

只是不知道，在这场新的人机学习竞赛中，人类能否胜出并扳回一局、在机器面前保住人类的尊严？这个答案，得交给每一位读者自己来判断。

体例说明：

1.每个电影案例，包括“图片+文字”两部分，文字在对应图片的左边或右边

2.案例标题中的“＊个镜头，段落长度＊′＊″”指的是该段落本身的相关信息，而非它在整部电影中的位置

3.图片左边或右边的文字所标注的“镜＊”也是基于该段落内部的镜号排序。如果前后几幅图的镜号一致，则表示它们来自同一个镜头，镜头运动可能使构图产生了变化