《权力的游戏》里,是谁活成了史诗?

《权力的游戏》里,是谁活成了史诗?

没想到。

《权力的游戏》最终季中,最先倒下的竟是夜王,而且是挂在了最想不到的人手里。
如果论美剧神剧情的程度,《权力的游戏》(Game of Thrones)要是称第二,没人敢称第一,前一秒还是绝对主角,下一集就可能被砍/毒/刺/捏死了。
假如每死一个角色就贴一张纸条,原著的五本书可能会变成这样:
那么,究竟谁能活到最后呢?你可以把你的猜测留言给我,而我今天要跟你聊的一个话题是《权游》背后的精神世界。
理解了这些,相信你会对《权游》令人错愕的剧情,有着全新维度的思考。
简单说,《权游》展现的是浓浓的中世纪画风。中世纪是个魔幻的世纪:愚昧和神圣,修士和妓女,屠杀与誓言,都交织存在于一个共时性的故事里。
我们在《权游》里能看到玫瑰战争中的英国,勾心斗角的拜占庭宫廷,还有马基雅维利时代的意大利。无论是瑰丽的布景,还是精巧的台词,都勾起了我们对那个时代的想象。

而之所以对中世纪充满好奇,是因为我们从中看到的,是每一代人不断重复的“故”事。透过这层陌生的背景,也许你会发现,谁才是冰与火之歌里不死的主角。

几年前的夏天,我沿着阿尔卑斯山骑行到林茨(Linz),在市中心看到一座恢弘壮丽的石柱。一起喝酒的本地女生告诉我,这是一座中世纪建的”Pestsäule”(瘟疫之柱),是为了纪念死于黑死病的人。

石柱越高,就意味着死的人越多,而这座石柱竟然高达20米。

有人统计,《权游》里到目前一共死了2339个大小角色,大概片场的盒饭都不够吃了。但在中世纪,死亡才是生活的常态:

一个壮汉会因为手指划破感染而截肢,一条小溪也能淹死一个盔甲超重的国王。黑死病带走了欧洲一半的人口,而在血腥的三十年战争里,德意志的乡村十室九空。瘟疫,饥荒,战争,抢劫,在中世纪,总有一款死法等着你。

因为这种生死随机,未来极为不确定性的环境,人对世界会有不寻常的认识。比如,《权游》里的死神被称作陌客(Stranger)。之所以起这个名字,是因为中世纪的村民认为陌生人会给水井投毒,带来死亡。所以他们不信任从没见过的外乡人,会用陷阱而不是馅饼去招待他们。

从现代理性的视角分析,可能是异族人携带了某种病菌,而本地人缺乏免疫力,于是“陌客”就成了死神。但中世纪的人无心寻求现象背后的原理,因为在短短三十年的寿命里,他们没有时间去参透真相。

他们需要的是下一刻立即有用的指引,不管这表现为迷信的仪式,或是暴力行为。

在你看来极端的手段,在那时只是为了全力以赴去求生。

如果一种行为有一定的概率起效,就会在代代相传中被强化为某种传统。即便是今天,欧洲社会还有些奇怪的传统,父母会吓唬说吉普赛人吃小孩,法国的驱魔师生意也十分兴隆。

我们常常认为中世纪是愚昧的年代,没有理性。但实际上,中世纪呈现的是极端环境下的极端理性,是在信息匮乏和没时间迭代的情况下,做出生和死的决策。

当人生如萍,如履薄冰时,思考便让位于经验和惯例;当环境远远偏离了理性的常态时,非理性反而是一种理性。

在今天,我们不必生存在如此残忍的环境中,从而拥有了理性思考的奢侈。现代人甚至太习惯于可预测的未来,把生存视为理所应然。而这就产生了一个思维盲点——我们从来不考虑自己最终是会死的。

更多精彩,请阅读原著《冰与火之歌》

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
基于LSTM的财务因子预测选股模型LSTM (Long Short-Term Memory) 是一种特殊的循环神经网络(RNN)架构,用于处理具有长期依赖关系的序列数据。传统的RNN在处理长序列时往往会遇到梯度消失或梯度爆炸的问题,导致无法有效地捕捉长期依赖。LSTM通过引入门控机制(Gating Mechanism)和记忆单元(Memory Cell)来克服这些问题。 以下是LSTM的基本结构和主要组件: 记忆单元(Memory Cell):记忆单元是LSTM的核心,用于存储长期信息。它像一个传送带一样,在整个链上运行,只有一些小的线性交互。信息很容易地在其上保持不变。 输入门(Input Gate):输入门决定了哪些新的信息会被加入到记忆单元中。它由当前时刻的输入和上一时刻的隐藏状态共同决定。 遗忘门(Forget Gate):遗忘门决定了哪些信息会从记忆单元中被丢弃或遗忘。它也由当前时刻的输入和上一时刻的隐藏状态共同决定。 输出门(Output Gate):输出门决定了哪些信息会从记忆单元中输出到当前时刻的隐藏状态中。同样地,它也由当前时刻的输入和上一时刻的隐藏状态共同决定。 LSTM的计算过程可以大致描述为: 通过遗忘门决定从记忆单元中丢弃哪些信息。 通过输入门决定哪些新的信息会被加入到记忆单元中。 更新记忆单元的状态。 通过输出门决定哪些信息会从记忆单元中输出到当前时刻的隐藏状态中。 由于LSTM能够有效地处理长期依赖关系,它在许多序列建模任务中都取得了很好的效果,如语音识别、文本生、机器翻译、时序预测等。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值