https://www.facebook.com/share/p/1ZQeEor9WB/ Netflix 的演算法邏輯，早已不只是單純的「推薦內容」，而是直接介入「內容的生成方 式」。這篇衛報的評論提出了所謂的 「algorithm movie」（演算法電影），一種被平台 的數據邏輯所規訓出的影像形式。「演算法電影」被設計成「可置入背景觀看」的產品： 即使觀眾並非全神貫注，也能在邊滑手機、邊煮飯時輕易理解劇情。為了維持這種「不中 斷的理解」，劇本往往要求角色清楚說出自己的動機，敘事結構明確、節奏平均、風格中 性，整體被壓平為一種可被演算法「辨識」的常態，避免任何偏鋒或突兀。 這類電影的生成，受到「數據–演算法–推薦機制」三位一體的邏輯所主導。Netflix 將 觀眾行為標籤化，發展出成千上萬個 alt-genres（子類型），並以機器學習分析「哪些 子類型的組合，最能留住觀眾的眼球」。結果是：平台不只是判斷觀眾想看什麼，而是藉 由內容的生產，反過來塑造觀眾「應該如何觀看」，創作者也因此被迫在這種邏輯下自我 馴化，在企劃階段就預想數據的接受度，而非創作的必要性。 如何維繫觀眾的「注意力」，如何確保閱聽人不「放棄追劇」，變成比以往電視台即時收 視率更強制的創意枷鎖。於是，「演算法電影」成為一種文化現象，它的任務不再是開創 形式，而是維持平台流暢運作的「注意力機器」。影像被優化為「可背景播放的舒適串流 」，不再要求觀眾思考、專注，或面對難以歸類的情感與形式。 當然，電影工業在前期募資、pitching 及籌備階段試圖預測觀眾反應的現象並非新鮮事 。從好萊塢黃金時代起，片廠便習慣透過焦點團體試映、問卷調查，甚至更極端的觀眾心 率測量等方式，在「上片前」就不斷修正作品內容，甚至更動電影結構乃至於「結局」。 換言之，觀眾反應一直是電影工業的重要指標，只是過去這種控制仍侷限於樣本化、片段 式的，有點類似於「補漏洞」的測量。 而Netflix 的不同在於，它將這套制約邏輯推進為一種即時、全面、數據化的預測模型。 觀眾的點擊、暫停、跳出、重看次數，全都被轉化為可運算的行為向量，並即時反饋至最 前端的內容生產鏈。換言之，演算法電影不再被動等待焦點團體的「意見」，而是從構想 階段起就被模型訓練來滿足統計上的偏好。它預設觀眾的注意力模式，並以預期的「反應 」去生產最符合「留存率」的敘事。這正是為什麼演算法電影的「預測性」遠比傳統片廠 更具結構性暴力：它不僅根據觀眾反應進行修正，而是在影片尚未誕生之前，就預先且大 幅度地刪除了絕大多數的不確定性。 因此，我們面對的不只是電影風格的改變，而是一個更深層的問題：當串流媒體以數據定 義何謂「可理解」、「可測量」與「可見」，藝術中的模糊、停頓與歧義，是否正被系統 性地刪除？ 在這樣的脈絡下，我覺得David Lynch 晚年的幾個計畫屢遭 Netflix 拒絕，最終的作品 無法完成，成為影迷心中遺憾，便成了某種象徵事件。Lynch 的作品語義模糊、節奏突兀 、心理晦暗，拒絕任何可預測或可解析的敘事，正好違背演算法電影的全部前提。他拍攝 的是潛意識、陰影與語言崩解的瞬間；他要觀眾經驗的，是未知、不安與失序。凡此種種 ，正是演算法最無法「預測」與「量化」的部分。 在藍絲絨裡，Dennis Hopper 扮演的 Frank Booth 對那個乾淨、可控、虛假的世界不斷 地咆哮：「Fuck that shit!」。雖然粗鄙俗氣，但那或許正是面對演算法電影時，所有 仍相信電影是關於神祕、風險與自由的創作者，唯一誠實的回應。只是如今的演算法，大 概會把 Booth 罵完這句話後，接上的那句「Pabst Blue Ribbon」，誤讀成一個「豪氣暢 飲」的幽默迷因梗，並貼上幾個 alt-genres 標籤：binge-drinking、alcoholism、 mid-80s nostalgia、甚至誤標為 feel-good movie。然後，推薦給演算法裡，潛在符合 這幾個子類目的所有用戶們。 --

※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 219.71.168.102 (臺灣) ※ 文章網址: https://webptt.com/m.aspx?n=bbs/Video/M.1762652074.A.82B.html