产品经理思路打造的爆款电影:《网络谜踪》 超神经HyperAI

简介: 产品经理思路打造的爆款电影:《网络谜踪》超神经HyperAI

by 超神经

「If I see your screen, I see your
soul.
如果我看到你的屏幕,我就能看到你的灵魂。」                                   ——提莫·贝克曼比托夫(电影《网络谜踪》制片人)

上面这句话来自提莫·贝克曼比托夫,是今年大热电影《网络谜踪(Searching)》的制片人,而这部电影目前本片正在国内上映,上映的三天里已经收获了不错的成绩。

故事讲述了:一个身为硅谷软件工程师的单身父亲,通过网络工具,寻找自己失踪的 16 岁女儿的悬疑故事。


这部电影在今年大获好评的原因,其中之一是大胆的尝试,影片也就是整部电影中,没有一个摄像机拍摄出的实拍镜头而是只有各种屏幕的记录视角,由:手机屏幕、电脑屏幕、监控镜头、电视直播镜头组成的。

d.png

整部电影,就像是一个巧妙设计、适时推出的优质产品,恰好也在最近占据了「Movie Store」的前几位。


口碑、票房双双爆棚的小成本电影

《网络谜踪》先是在圣丹斯电影节小范围放映,就收获了两项大奖得到了索尼影业的青睐,开始在全球发行上映,从此口碑爆棚。

aaa.png

在各大评分网站上,《网络谜踪》受到了一片好评:烂番茄热度 92%,IMDB 评分7.8,METASCORE 评分达到了 71。


而在豆瓣上,它的评分高达 8.5,好于 96% 的悬疑片,截至目前,这部电影的全球票房已经达到了 8000 万美元。


用百万预算撑起千万票房的导演是谷歌前员工

最了不起的是,这部电影仅仅用了 13 天进行拍摄,花了不到 100 万美元的制作预算,所以目前的票房成绩对这部小成本电影来说,无疑是名利双收。


这个来势汹汹的光环背后,有着一个才华横溢的导演 Aneesh Chaganty 阿尼什·查甘蒂 ,他最早引起轰动是在 2014 年,那时他还没有大学毕业。

ssss.jpg

当时在南加州大学电影学院,阿尼什和搭档塞弗·奥哈尼安(也是《网络谜踪》的编剧)一起,使用 Google Glass 拍摄了一部 2 分钟左右的短片《种子(Seeds)》,该短片上传到 Youtube 后, 24 小时内就突破了 100 万的点击 。


这个事件让他受到了 Google 的关注,没多久就入职了 Google Creative Lab。入职 Google 后,阿尼什的主要工作是策划、拍摄和制作 Google 产品相关广告。

据说他擅长以「荧幕影像录制」手法发挥广告创意。他曾说过:「我试图以冷酷、平凡的荧幕画面,作为传递情感的画布,尝试通过轻点鼠标,就让人感动落泪。」

和制片人提莫·贝克曼比托夫认识后,两人都热衷于只用屏幕制作电影,于是开发了叫「屏幕人生」的电影项目,这才有了电影《网络迷踪》,这是阿尼什执导的第一部长片,也是「屏幕人生」概念下的产物。


拍电影之前,用产品思路做了个 Demo

起初,《网络谜踪》只是一个 8 分钟的构想,但在投资人的鼓励支持,以及编剧的头脑风暴之下,它最终扩展成了一部电影长片,为了专心拍摄这部影片,阿尼什果断辞去了谷歌的工作。


阿尼什也充分运用了设计互联网产品的思路,在电影开拍之前,他自己做了一个这部电影的 demo。


在传统的影视项目中,一些精致大投资的项目,也会设计用来融资和选角的预演片,但往往是分镜头脚本的动画呈现。

qqqq.jpg

但是阿尼什更加大胆,为了邀请到更大牌的演员,同时又能接受「屏幕表演」这一超前的创作:阿尼什亲自上阵,扮演了电影中的所有角色,拍摄完了这部电影的 demo,寄送给了投资人和想要邀请的演员。


这不就是在产品设计中,常常提到的 MVP (Minimum Viable Product)最小可行化产品么。

也是通过这个方式,阿尼什邀请到了著名的亚裔演员 John Zhao,用这部很有诚意的 demo 短片吸引到了他的关注。


被说服出演的亚裔演员

一个好产品,除了产品经理,更离不开技术、设计、运营、市场和其他职能部门的配合。

同样,这部电影的背后站着导演编剧团队,为电影提供了优秀的脚本和逻辑支撑,但呈现影片的是主演们对角色的深入理解和投入演出。


《网络谜踪》的主演 John Zhao 约翰·赵,他因在《星际迷航》中饰演苏鲁收获了大批粉丝,曾经的 #StarringJohnCho(#让约翰·赵当主角)的话题也掀起过一阵热潮。

他也是当今好莱坞最好的亚裔男演员,而出演《网络谜踪》的男主角,则让他成为了第一个主演好莱坞惊悚片的亚裔演员。

wwwwww.jpg

不过据他自己说,在起初被邀请参演的时候,他的内心是拒绝的。因为他觉得整部片子都用电脑屏幕的形式很奇怪,没有「电影感」,而且没有对手搭戏也是一个困难的过程。


他后来在采访时也说到:「对我来说,演戏是很双向的一件事,只有你和跟你演对手戏的演员面对面的时候,最真实的情感反应才最能够被充分激发出来。」

不过电影最终呈现还是非常流畅真实,除了剪辑的效果,也离不开约翰的精彩出演,这部电影也成了约翰·赵职业生涯中的骄傲。


电影观感:对主人公生活有真实的偷窥

最终,这部通过 13 天拍摄的电影,花了整整两年进行剪辑,最终呈现出了我们现在在电影院里看到的效果。


整部电影像是录制屏幕的一种伪纪录片,虽然这种形式并非首创,在美剧《摩登家庭》第六季的第 16集,以及近期的惊悚电影《解除好友2:暗网》中,都是同样的无实拍、全屏幕的表现手法。


在屏幕拍摄这个层面上,《网络谜踪》可谓做到了「丧心病狂」。就连电脑桌面间的过渡,也会用其他电子屏幕衔接起来,没有任何实拍。

所以会造成一种错觉,全程像是盯着别人的电脑屏幕,看了 100 分钟。这种方式搬到大荧幕上,也的确是一种复杂的体验,毕竟你平时所熟悉的 22 号字体,几乎扩大了 50 倍,呈现在了大屏幕上。


网络寻踪:从 Windows 到 Reddit 到直播网站

电影的开篇是一连串的快速剪辑,通过装着 window XP 系统的电脑的家庭记录,交代了故事的背景。

不过导演还是把 Windows 被诟病的地方「毫不客气」的拉了出来。

22222.gif

场景一:女儿想要玩网页游戏,打开了游戏「无限迷宫」之后,「当当当当当....」爆炸式的弹窗布满了屏幕。


场景二:电脑右下角扎眼的杀毒软件,当男主要从旧电脑寻找资料时,漫长的开机之后,弹出了提醒「您有694天没有运行过杀毒软件」。


这台年纪不小的旧电脑承载了家庭的记忆:Windows 启动音、经典的蓝天白云桌面,以及大颗粒的像素画质,都让人怀念 XP 时代。


极客老爸秀操作:网络无隐私

故事的转机,是女儿落在家里的 Macbook,很巧的是没有开机密码,老爸通过在电脑上的一系列操作,成功了打通了所有「关卡」。

老爸破解女儿社交账号的方式,也许很多人经历过,虽然没什么高级的,但还是画面感十足。


他用的就是密码寻回,利用关联的邮箱一层层的去找机会。几次迭代之后,就找到了能登录的邮箱。于是,女儿社交媒体的栅门在那一刻被完全打开。

相信找回过密码的你,肯定对这个操作会心一笑。

eeeee.gif

虽说这个操作是迫不得已,但还是暴露了社交账户的安全隐患。

凭借电脑加上一个账号的解锁,带来的是几乎所有账号的破解。相互绑定的常见做法,在那一刻也是破解的关键所在,就像倒掉了一块多米诺骨牌,随之而来的是一连串的倾倒。


电影中大量的画面主体是男主在Facetime上的视频通话,而他娴熟的寻找操作一直都靠着 Google 全家桶:大量的应用 Google 搜索,用 Google Drive 整理和分享案件信息,Google Map 标记下关键的位置信息。


直到高潮剧情发生,除了 G Suite,更多我们熟悉的互联网产品悉数登场:Facebook、Yahoo、Reddit、Instagram、Tumblr 等等,还包括时下大热的直播网站和视频社区。

男主角失踪的爱女,在这些社交网站上留下的信息,成为了男主角去了解自己女儿唯一的途径,不断地探索,也让男主角深深震惊,也一步一步接近了真相。


《网络谜踪》:网络比家人更懂你

电影的另一巧妙在于它剧情的悬疑,整个故事经历了数次反转,导演故意在影片中铺下了很多伏笔,也布置了很多巧妙的线索。

但毫不客气的告诉你,如果自己推断,你肯定会猜错结局。

不论怎样,这部电影获得了巨大成功,无疑已经成为了事实。总体来说,《网络谜踪》是一部用心了的作品,但桌面电影在大银幕上呈现,是什么样的观感,也许要去体验一下才会知道。

相关文章
|
6月前
|
机器学习/深度学习 存储 自然语言处理
卷积神经元网络CNN基础
卷积神经元网络CNN基础
68 1
|
JavaScript 大数据 应用服务中间件
Python网络爬虫(JSON, Phantomjs, selenium/Chromedirver,豆瓣电影、斗鱼直播、京东商城爬取)
python、python爬虫、网络爬虫、爬虫框架、selenium、requests、urllib、数据分析、大数据、爬虫爬取静态网页、爬虫基础、自动化测试、json、动态加载、反爬虫
3529 0
|
6月前
|
机器学习/深度学习 传感器 自然语言处理
R语言KERAS用RNN、双向RNNS递归神经网络、LSTM分析预测温度时间序列、 IMDB电影评分情感
R语言KERAS用RNN、双向RNNS递归神经网络、LSTM分析预测温度时间序列、 IMDB电影评分情感
|
6月前
|
机器学习/深度学习 PyTorch 算法框架/工具
卷积神经元网络中常用卷积核理解及基于Pytorch的实例应用(附完整代码)
卷积神经元网络中常用卷积核理解及基于Pytorch的实例应用(附完整代码)
121 0
|
计算机视觉
基于神经气体网络的图像分割与量化(Matlab代码实现)
基于神经气体网络的图像分割与量化(Matlab代码实现)
228 34
|
机器学习/深度学习 数据挖掘
神经气体网络(NGN)和不断增长的神经气体网络(GNGN)实现(Matlab代码实现)
神经气体网络(NGN)和不断增长的神经气体网络(GNGN)实现(Matlab代码实现)
157 0
神经气体网络(NGN)和不断增长的神经气体网络(GNGN)实现(Matlab代码实现)
|
机器学习/深度学习 计算机视觉 网络架构
13层网络如何拿下83%精度?极简神经网络架构VanillaNet作者亲自解读
13层网络如何拿下83%精度?极简神经网络架构VanillaNet作者亲自解读
134 0
|
机器学习/深度学习 编解码 计算机视觉
13层网络拿下83%精度,华为诺亚新型神经网络架构VanillaNet「简约」到极致
13层网络拿下83%精度,华为诺亚新型神经网络架构VanillaNet「简约」到极致
178 0
|
存储 机器学习/深度学习 传感器
神经形态处理和自搜索存储如何降低联邦机构的网络风险
神经形态处理和自搜索存储如何降低联邦机构的网络风险
|
机器学习/深度学习 人工智能 自然语言处理
一种新的神经形态计算架构,可以更有效地运行深度神经网络
一种新的神经形态计算架构,可以更有效地运行深度神经网络
135 0
下一篇
无影云桌面