Christopher McCulloc

主演：David Wain,Teddy Cohn,Christy Karacas,Christopher McCulloch
简介：《暴力监狱第二季》相关信息 一、基本信息 1. 名称：《暴力监狱第二季》（Superjail! Season 2） 2. 首播时间：2011年4月3日 3. 导演：Ben Gruber 4. 编剧：Ben Gruber、Christy Karacas、Steve Warbrick 5. 主演：Teddy Cohn、David Wain、Richard Mathar等 6. 类型：喜剧、动作、动画、奇幻 7. 官方网站：http://augenblickstudios.com/home/superjail.php 8. 制片国家/地区：美国 9. 语言：英语 10. 季数：2 11. 集数：10 12. 单集片长：10分钟 13. 又名：超级监狱、暴力监狱 14. IMDb编号：tt1859293 二、剧情简介 故事发生在一个超现实的世界中，存在着一座大型的最高安全级别的监狱。这座监狱里关押着成千上万的危险囚犯，由一位古怪的监狱长和他同样奇特的工作人员管理运作。监狱中的生活充满了各种荒诞、暴力和奇幻的元素，囚犯们的经历以及他们与监狱管理者之间的互动构成了剧情的主要内容。不过，由于剧情细节在提供的网页中未详细展开，仅能从这一概述性的描述知晓其大致的故事背景和设定方向，更多情节可能需要观看剧集才能深入了解。

主演：David Wain,Teddy Cohn,Christy Karacas,Christopher McCulloch
简介： 《暴力监狱第三季》（Superjail! Season 3）于2012年首播，是一部美国动画剧集。由Christy Karacas、Stephen Warbrick等执导编剧，众多演员参与配音。类型涵盖剧情、喜剧、动画与犯罪，共10集，单集片长11分钟。该剧讲述发生在一所特别监狱中的故事，以迷幻的场景与情节转换、极端的暴力画面为特色，其动画画面复杂精美，制作团队人员多有参与其他热门卡通系列制作的经历。 剧情讲述 故事发生在一座名为“Superjail”的奇特监狱中，这座监狱充满了荒诞与疯狂。监狱的管理者们性格各异且行事极端，囚犯们更是千奇百怪。每一集都会呈现各种离奇的事件，比如监狱内突然出现的怪异生物或超自然现象，囚犯们时常陷入混乱的争斗与冲突，而狱警们则以极端暴力的方式维持秩序。情节在现实与幻想间不断切换，场景也随之发生各种意想不到的变化，例如监狱可能瞬间从阴森的牢房变成充满奇幻色彩的空间。在这一季中，可能会有新囚犯的加入带来新的故事线，或是监狱的管理制度发生奇特的变革，导致一系列令人咋舌的连锁反应，囚犯和狱警们都在这个疯狂的环境中不断经历着各种极端且无厘头的事件。

主演：Christopher McCulloch,詹姆斯·乌尔班尼亚克,米夏埃尔·桑泰尔尼克拉斯,帕特里克·沃伯顿,Doc Hammer
简介：　　Life goes on after the tragic deaths of Hank and Dean. Meanwhile, the Monarch deals with life "inside" but you can't keep a good criminal mastermind down. But will King Gorilla prove to be his greatest ally, or his worst betrayer?

主演：Christopher McCulloch,詹姆斯·乌尔班尼亚克,米夏埃尔·桑泰尔尼克拉斯,帕特里克·沃伯顿,Doc Hammer
简介： 对人工智能领域来说，2015年是值得纪念的一年。不仅计算机「学」得更多更快了，我们也学到了更多关于如何改进计算机系统的知识。一切都在步入正轨，因此，我们正目睹着前所未有的重大进步：我们有了能用图片来讲故事的程序，有了无人驾驶汽车，甚至有了能够创作艺术的程序。如果你想要了解2015年的更多进展，请一定要读一读这篇文章。ai技术已逐步成为许多技术的核心，所以，理解一些常用术语和工作原理成为了一件很重要的事。 人工智能是什么？ 人工智能的很多进步都是新的统计模型，其中绝大多数来自于一项称作「人工神经网络」（artificial neural networks）的技术，简称ann。这种技术十分粗略地模拟了人脑的结构。值得注意的是，人工神经网络和神经网络是不同的。很多人为了方便起见而把「人工神经网络」中的人工二字省略掉，这是不准确的，因为使用「人工」这个词正是为了与计算神经生物学中的神经网络相区别。以下便是真实的神经元和神经突触。 " 我们的ann中有称作「神经元」的计算单元。这些人工神经元通过「突触」连接，这里的「突触」指的是权重值。这意味着，给定一个数字，一个神经元将执行某种计算（例如一个sigmoid函数），然后计算结果会被乘上一个权重。如果你的神经网络只有一层，那么加权后的结果就是该神经网络的输出值。或者，你也可以配置多层神经元，这就是深度学习的基础概念。 它们起源何处？ 人工神经网络不是一个新概念。事实上，它们过去的名字也不叫神经网络，它们最早的状态和我们今天所看到的也完全不一样。20世纪60年代，我们把它称之为感知机（ perceptron），是由mcculloch-pitts神经元组成。我们甚至还有了偏差感知机。最后，人们开始创造多层感知机，也就是我们今天通常听到的人工神经网络。 " 如果神经网络开始于20世纪60年代，那为什么它们直到今天才流行起来？这是个很长的故事，简单来说，有一些原因阻碍了ann的发展。比如，我们过去的计算能力不够，没有足够多的数据去训练这些模型。使用神经网络会很不舒服，因为它们的表现似乎很随意。但上面所说的每一个因素都在变化。如今，我们的计算机变得更快更强大，并且由于互联网的发展，我们可使用的数据多种多样。 它们是如何工作的？ 上面我提到了运行计算的神经元和神经突触。你可能会问：「它们如何学习要执行何种计算？」从本质上说，答案就是我们需要问它们大量的问题，并提供给它们答案。这叫做有监督学习。借助于足够多的「问题－答案」案例，储存在每个神经元和神经突触中的计算和权值就能慢慢进行调整。通常，这是通过一个叫做反向传播（backpropagation）的过程实现的。 " 想象一下，你在沿着人行道行走时看到了一个灯柱，但你以前从未见过它，因此你可能会不慎撞到它并「哎呦」惨叫一声。下一次，你会在这个灯柱旁边几英寸的距离匆匆而过，你的肩膀可能会碰到它，你再次「哎呦」一声。直到第三次看到这个灯柱，你会远远地躲开它，以确保完全不会碰到它。但此时意外发生了，你在躲开灯柱的同时却撞到了一个邮箱，但你以前从未见过邮箱，你径直撞向它——「灯柱悲剧」的全过程又重现了。这个例子有些过度简化，但这实际上就是反向传播的工作原理。一个人工神经网络被赋予多个类似案例，然后它试着得出与案例答案相同的答案。当它的输出结果错误时，这个错误会被重新计算，每个神经元和神经突触的值会通过人工神经网络反向传播，以备下次计算。此过程需要大量案例。为了实际应用，所需案例的数目可能达到数百万。 既然我们理解了人工神经网络以及它们的部分工作原理，我们可能会想到另外一个问题：我们怎么知道我们所需神经元的数量？以及为什么前文要用粗体标出「多层」一词？每层人工神经网络就是一个神经元的集合。在为ann输入数据时我们有输入层，同时还有许多隐藏层，这正是魔法诞生之地。最后，我们还有输出层，ann最终的计算结果放置于此供我们使用。 " 层级本身是神经元的集合。在多层感知机的年代，我们起初认为一个输入层、一个隐藏层和一个输出层就够用了。那时是行得通的。输入几个数字，你仅需要一组计算，就能得到结果。如果ann的计算结果不正确，你再往隐藏层上加上更多的神经元就可以了。最后我们终于明白，这么做其实只是在为每个输入和输出创造一个线性映射。换句话说，我们了解了，一个特定的输入一定对应着一个特定的输出。我们只能处理那些此前见过的输入值，没有任何灵活性。这绝对不是我们想要的。 如今，深度学习为我们带来了更多的隐藏层，这是我们如今获得了更好的ann的原因之一，因为我们需要数百个节点和至少几十个层级，这带来了亟需实时追踪的大量变量。并行程序的进步也使我们能够运行更大的ann批量计算。我们的人工神经网络正变得如此之大，使我们不能再在整个网络中同时运行一次迭代。我们需要对整个网络中的子集合进行批量计算，只有完成了一次迭代，才可以应用反向传播。 有几种类型？ 在今天所使用的深度学习中，人工神经网络有很多种不同的结构。典型的ann中，每个神经元都与下一层的每个神经元相连接。这叫做前馈人工神经网络（尽管如此，ann通常来说都是前馈的）。我们已经知道，通过将神经元与其他神经元按特定模式相连接，在处理一些特定情景的问题时，我们就会得出更好的结论。 递归神经网络 递归神经网络（rnn）的设计初衷是为了解决神经网络不能基于过去知识做出决策的缺陷。典型的ann已经在训练中学会了基于文本做出决策，但是一旦它开始为实用做决策，这些决定之间就是彼此独立的。 " 为什么我们会想要这样的东西？好吧，想一想玩21点游戏。如果一开始你得到4和5，你就会知道2以下的牌都不在牌堆中。这种信息会帮助你决定是否要拿牌。rnn在自然语言处理中十分有用，因为前文的字词有助于理解文中其他词语的含义。虽然有不同类型的实现方式，但是目的都是一样的。我们想要保留信息。为了达到这一目的，我们可以通过双向递归神经网络（ bi-directional rnn）或执行一个能根据每次前馈来进行调整的递归隐藏层。如果你想学习更多有关rnn的知识，可以查阅这篇博客： https://karpathy.github.io/2015/05/21/rnn-effectiveness/。 说到这里，就不得不提到记忆网络（ memory networks），这一概念是说，如果我们想要理解诸如电影或者书中那些构筑于彼此之上的事件时，就必须记住比一个rnn或lstm（长短期记忆人工神经网络，一种时间递归神经网络）更多的信息。 sam走进厨房。 sam拿起苹果。 sam走进卧室。 苹果掉到了地上。 问：苹果在哪儿？ 答：卧室里。 这是这篇论文（ https://arxiv.org/pdf/1503.08895v5.pdf）中的例子。 卷积神经网络 卷积神经网络（cnn）有时被称为lenets（以yann lecun命名），是层间随机相连的人工神经网络。然而，以这样的方式设置突触是为了有助于减少需要优化的参数量。通过标记神经元连接的某种对称性，你能「重新使用」神经元以得到完全相同的副本，而不需要同等数量的突触。由于cnn能识别出周围像素的模式，因此它通常用于图像处理。当你将某一像素与其周围的像素进行比较时，会包含冗余信息。由于存在对称性，你可以压缩类似信息。这听起来像是cnn的完美情况，christopher olah也有一篇关于理解 cnns和其他类型的anns的优质博客（ https://colah.github.io/posts/2014-07-conv-nets-modular/ ）。还有一篇关于cnn的博客： https://www.wildml.com/2015/11/understanding-convolutional-neural-networks-for-nlp/ 。 强化学习 我想要探讨的最后一种 ann的类型是强化学习（reinforcement learning）。强化学习是一个专业术语，用来描述计算机在尝试将某种回报最大化时所表现出来的行为，这意味着它本身不是一个人工神经网络的结构。然而，你能用强化学习或遗传算法来构建你以前从没想过要用的人工神经网络结构。 youtube用户sethbling上传的用强化学习系统来构建可以自己玩mario游戏的人工神经网络的视频就是个很好的例子。另一个强化学习的例子是deepmind公司的视频中展示的能教程序玩各种atari游戏。 " 结论 现在，你应该对目前最先进的人工智能有了一定的了解。神经网络正在驱动你能想到的几乎所有事情，包括语言翻译、动物识别、图片捕捉、文本摘要等等。在未来，你将越来越多地听到它的名字。 机器之心，最专业的前沿科技媒体和产业服务平台，每日提供优质产业资讯与深度思考，欢迎关注微信公众号「机器之心」（almosthuman2014），或登录机器之心网站www.almosthuman.cn查看更多精彩内容。

主演：Christopher McCulloch,詹姆斯·乌尔班尼亚克,米夏埃尔·桑泰尔尼克拉斯,帕特里克·沃伯顿,Doc Hammer
简介： 对人工智能领域来说，2015年是值得纪念的一年。不仅计算机「学」得更多更快了，我们也学到了更多关于如何改进计算机系统的知识。一切都在步入正轨，因此，我们正目睹着前所未有的重大进步：我们有了能用图片来讲故事的程序，有了无人驾驶汽车，甚至有了能够创作艺术的程序。如果你想要了解2015年的更多进展，请一定要读一读这篇文章。ai技术已逐步成为许多技术的核心，所以，理解一些常用术语和工作原理成为了一件很重要的事。 人工智能是什么？ 人工智能的很多进步都是新的统计模型，其中绝大多数来自于一项称作「人工神经网络」（artificial neural networks）的技术，简称ann。这种技术十分粗略地模拟了人脑的结构。值得注意的是，人工神经网络和神经网络是不同的。很多人为了方便起见而把「人工神经网络」中的人工二字省略掉，这是不准确的，因为使用「人工」这个词正是为了与计算神经生物学中的神经网络相区别。以下便是真实的神经元和神经突触。 " 我们的ann中有称作「神经元」的计算单元。这些人工神经元通过「突触」连接，这里的「突触」指的是权重值。这意味着，给定一个数字，一个神经元将执行某种计算（例如一个sigmoid函数），然后计算结果会被乘上一个权重。如果你的神经网络只有一层，那么加权后的结果就是该神经网络的输出值。或者，你也可以配置多层神经元，这就是深度学习的基础概念。 它们起源何处？ 人工神经网络不是一个新概念。事实上，它们过去的名字也不叫神经网络，它们最早的状态和我们今天所看到的也完全不一样。20世纪60年代，我们把它称之为感知机（ perceptron），是由mcculloch-pitts神经元组成。我们甚至还有了偏差感知机。最后，人们开始创造多层感知机，也就是我们今天通常听到的人工神经网络。 " 如果神经网络开始于20世纪60年代，那为什么它们直到今天才流行起来？这是个很长的故事，简单来说，有一些原因阻碍了ann的发展。比如，我们过去的计算能力不够，没有足够多的数据去训练这些模型。使用神经网络会很不舒服，因为它们的表现似乎很随意。但上面所说的每一个因素都在变化。如今，我们的计算机变得更快更强大，并且由于互联网的发展，我们可使用的数据多种多样。 它们是如何工作的？ 上面我提到了运行计算的神经元和神经突触。你可能会问：「它们如何学习要执行何种计算？」从本质上说，答案就是我们需要问它们大量的问题，并提供给它们答案。这叫做有监督学习。借助于足够多的「问题－答案」案例，储存在每个神经元和神经突触中的计算和权值就能慢慢进行调整。通常，这是通过一个叫做反向传播（backpropagation）的过程实现的。 " 想象一下，你在沿着人行道行走时看到了一个灯柱，但你以前从未见过它，因此你可能会不慎撞到它并「哎呦」惨叫一声。下一次，你会在这个灯柱旁边几英寸的距离匆匆而过，你的肩膀可能会碰到它，你再次「哎呦」一声。直到第三次看到这个灯柱，你会远远地躲开它，以确保完全不会碰到它。但此时意外发生了，你在躲开灯柱的同时却撞到了一个邮箱，但你以前从未见过邮箱，你径直撞向它——「灯柱悲剧」的全过程又重现了。这个例子有些过度简化，但这实际上就是反向传播的工作原理。一个人工神经网络被赋予多个类似案例，然后它试着得出与案例答案相同的答案。当它的输出结果错误时，这个错误会被重新计算，每个神经元和神经突触的值会通过人工神经网络反向传播，以备下次计算。此过程需要大量案例。为了实际应用，所需案例的数目可能达到数百万。 既然我们理解了人工神经网络以及它们的部分工作原理，我们可能会想到另外一个问题：我们怎么知道我们所需神经元的数量？以及为什么前文要用粗体标出「多层」一词？每层人工神经网络就是一个神经元的集合。在为ann输入数据时我们有输入层，同时还有许多隐藏层，这正是魔法诞生之地。最后，我们还有输出层，ann最终的计算结果放置于此供我们使用。 " 层级本身是神经元的集合。在多层感知机的年代，我们起初认为一个输入层、一个隐藏层和一个输出层就够用了。那时是行得通的。输入几个数字，你仅需要一组计算，就能得到结果。如果ann的计算结果不正确，你再往隐藏层上加上更多的神经元就可以了。最后我们终于明白，这么做其实只是在为每个输入和输出创造一个线性映射。换句话说，我们了解了，一个特定的输入一定对应着一个特定的输出。我们只能处理那些此前见过的输入值，没有任何灵活性。这绝对不是我们想要的。 如今，深度学习为我们带来了更多的隐藏层，这是我们如今获得了更好的ann的原因之一，因为我们需要数百个节点和至少几十个层级，这带来了亟需实时追踪的大量变量。并行程序的进步也使我们能够运行更大的ann批量计算。我们的人工神经网络正变得如此之大，使我们不能再在整个网络中同时运行一次迭代。我们需要对整个网络中的子集合进行批量计算，只有完成了一次迭代，才可以应用反向传播。 有几种类型？ 在今天所使用的深度学习中，人工神经网络有很多种不同的结构。典型的ann中，每个神经元都与下一层的每个神经元相连接。这叫做前馈人工神经网络（尽管如此，ann通常来说都是前馈的）。我们已经知道，通过将神经元与其他神经元按特定模式相连接，在处理一些特定情景的问题时，我们就会得出更好的结论。 递归神经网络 递归神经网络（rnn）的设计初衷是为了解决神经网络不能基于过去知识做出决策的缺陷。典型的ann已经在训练中学会了基于文本做出决策，但是一旦它开始为实用做决策，这些决定之间就是彼此独立的。 " 为什么我们会想要这样的东西？好吧，想一想玩21点游戏。如果一开始你得到4和5，你就会知道2以下的牌都不在牌堆中。这种信息会帮助你决定是否要拿牌。rnn在自然语言处理中十分有用，因为前文的字词有助于理解文中其他词语的含义。虽然有不同类型的实现方式，但是目的都是一样的。我们想要保留信息。为了达到这一目的，我们可以通过双向递归神经网络（ bi-directional rnn）或执行一个能根据每次前馈来进行调整的递归隐藏层。如果你想学习更多有关rnn的知识，可以查阅这篇博客： https://karpathy.github.io/2015/05/21/rnn-effectiveness/。 说到这里，就不得不提到记忆网络（ memory networks），这一概念是说，如果我们想要理解诸如电影或者书中那些构筑于彼此之上的事件时，就必须记住比一个rnn或lstm（长短期记忆人工神经网络，一种时间递归神经网络）更多的信息。 sam走进厨房。 sam拿起苹果。 sam走进卧室。 苹果掉到了地上。 问：苹果在哪儿？ 答：卧室里。 这是这篇论文（ https://arxiv.org/pdf/1503.08895v5.pdf）中的例子。 卷积神经网络 卷积神经网络（cnn）有时被称为lenets（以yann lecun命名），是层间随机相连的人工神经网络。然而，以这样的方式设置突触是为了有助于减少需要优化的参数量。通过标记神经元连接的某种对称性，你能「重新使用」神经元以得到完全相同的副本，而不需要同等数量的突触。由于cnn能识别出周围像素的模式，因此它通常用于图像处理。当你将某一像素与其周围的像素进行比较时，会包含冗余信息。由于存在对称性，你可以压缩类似信息。这听起来像是cnn的完美情况，christopher olah也有一篇关于理解 cnns和其他类型的anns的优质博客（ https://colah.github.io/posts/2014-07-conv-nets-modular/ ）。还有一篇关于cnn的博客： https://www.wildml.com/2015/11/understanding-convolutional-neural-networks-for-nlp/ 。 强化学习 我想要探讨的最后一种 ann的类型是强化学习（reinforcement learning）。强化学习是一个专业术语，用来描述计算机在尝试将某种回报最大化时所表现出来的行为，这意味着它本身不是一个人工神经网络的结构。然而，你能用强化学习或遗传算法来构建你以前从没想过要用的人工神经网络结构。 youtube用户sethbling上传的用强化学习系统来构建可以自己玩mario游戏的人工神经网络的视频就是个很好的例子。另一个强化学习的例子是deepmind公司的视频中展示的能教程序玩各种atari游戏。 " 结论 现在，你应该对目前最先进的人工智能有了一定的了解。神经网络正在驱动你能想到的几乎所有事情，包括语言翻译、动物识别、图片捕捉、文本摘要等等。在未来，你将越来越多地听到它的名字。 机器之心，最专业的前沿科技媒体和产业服务平台，每日提供优质产业资讯与深度思考，欢迎关注微信公众号「机器之心」（almosthuman2014），或登录机器之心网站www.almosthuman.cn查看更多精彩内容。

主演：詹姆斯·乌尔班尼亚克,帕特里克·沃伯顿,米夏埃尔·桑泰尔尼克拉斯,Doc Hammer
简介： 不知道当年大家接触到的第一款有关“马里奥”的游戏是什么游戏呢？ 在《超级玛丽》之前，其实马里奥就已经出现过很多次了，在《超级玛丽水管工》《大金刚》中都有登场，甚至还曾经当过反派。国内大部分玩家最初认识马里奥应该都是在红白机游戏《超级玛丽》中。后期该系列在各平台打造了不少的精神续作，不过对于国内的玩家来说只有初代的才是最有感觉的。 " 《超级玛丽》中出现的很多敌兵都是比较有意思的，什么蘑菇、乌龟、甲虫、猴子....当年我们为每一个小兵都取了一些绰号。不过因为fc游戏的画质无法完全将敌兵呈现出来，因此很多贴图我们都看错了。好在后期对这些敌兵进行了高清化重置，每一只曾经熟悉的小怪都清晰的呈现了出来。 那么，《超级玛丽》系列中出现的这些敌兵到底是什么样子的呢？ goomba香菇 这是游戏中最常见的小兵，但是恰恰是收走玩家人头最多的小兵。当年不知道有多少玩家出场三秒就死了，就是拜它所赐。根据游戏设计师透露，这个小怪的原型就是香菇，不过在初代的画质中看上去不是很明显而已。 后期这只小兵出现了很多能力，在不同的版本中攻击方式都是不同的，甚至还会飞。 " " koopa乌龟 这是游戏中最常见的敌兵，在游戏中有四种，分别是红色和绿色，以及飞行状态的红色和绿色，它们都拥有不同的名字。 有意思的是，乌龟被踩一次之后就可以踢走，玩家要是跟着跑的话就能顺利清除前面的所有敌兵，运气好还能奖命。而飞行的乌龟需要踩两次才能滑行。 飞行的乌龟一般都是规律的上下飞行，也有一些乌龟飞行路线是直行。 " lakitu云朵 在游戏的第四关我们会见到一只会扔刺猬（刺猬也是有名字的：spiny）的云朵。这玩意当年可是新手玩家的阴影，它会一直追杀玩家，然后一路上不停的扔刺猬下来，玩家稍微停留一下就可能被包围。有子弹还好，要是没有子弹就比较麻烦了。不过我们可以站在高处将其击落，或者踩下来，不过过一会它又会出现，很烦人。 当年我们并没有发现，原来这个云朵上面还有一只乌龟，而扔刺猬的正是这只乌龟。在《超级玛丽》初代中它是最恼人的敌兵，但是在后期部分版本中却成为玩家的帮手了。 " buzzy beetle钢盔头 游戏中最坚硬的敌兵，对主角的子弹直接免疫。玩家对付他的办法只能靠踩。只有在拥有护体的时候才能直接击败它！ 看上去像是一只乌龟，但是beetle是甲虫的意思。也就是说这是一只皮糙肉厚的甲虫。 " piranha plant食人花 当年不知道多少玩家曾经这这个植物暗算过？ 有的水管中有，而有的却没有，玩家要是把握机会射击就可以直接将其打掉，打掉之后就不会再出了。另外，玩家靠近水管之后或者站在上面的时候它也不会出现，这是比较人性化的设计。不过，在后期版本中食人花的攻击方式越来越多，甚至还会发弹。 " hammer bro.锤子兄弟 不知道大家注意到没有，这两个家伙每次出现都是成双成对。它们联手扔出来的锤子相当密集，玩家在没有子弹的情况下只能踩死或者顶死它们，难度比较大的。为什么一定要打败它们呢？因为它们都是在后期才出现，而且出现的地方都是有非常难得的蘑菇或者花的。 " blooper章鱼 这是在水下出现的敌兵，在2-2和7-2、8-4都有出现，另外在一些水管中也是有可能通往水下的。章鱼是水下的霸主，移动方式很有规律，玩家一般都是敬而远之。 " cheep-cheep飞鱼 这只q版的小鱼看上去人畜无害，在水中的时候非常老实，玩家只要不惹它们就相安无事。但是在2-3、7-3这些关卡中，这些飞鱼能够在天上飞，玩家脚步放慢一点就有可能被咬住。 " 其实初代的怪物们，在后期的版本中都是得到了延续的，而且每一代的画风都不一样。虽然后期的版本中增加了大量的新敌人，但是这些“老员工”的人气一直都在。 当然了，还有很多小编没有提到的，欢迎大家补充，小编会在之后继续整理。 喜欢街机时代的文章请点击关注，粉丝都可以在第一时间查看最新内容。 小编的文章都是经过长时间整理和创作，纯手工打字，绝无水贴。 原创文章，谢绝转载 "

主演：Doc Hammer,Christopher McCulloch
简介： 1：阿甘正传 豆瓣评分9.4 " 《阿甘正传》是由罗伯特·泽米吉斯执导的电影，由汤姆·汉克斯，罗宾·怀特等人主演，于1994年7月6日在美国上映。 电影改编自美国作家温斯顿·格卢姆于1986年出版的同名小说，描绘了先天智障的小镇男孩福瑞斯特·甘自强不息，最终“傻人有傻福”地得到上天眷顾，在多个领域创造奇迹的励志故事。电影上映后，于1995年获得奥斯卡最佳影片奖、最佳男主角奖、最佳导演奖等6项大奖。 2：拯救大兵瑞恩 豆瓣评分9.4 " 影片《拯救大兵瑞恩》是梦工厂1998年出品的一部战争电影，由史蒂文·斯皮尔伯格执导，汤姆·汉克斯、汤姆·塞兹摩尔和马特·达蒙等联袂出演。影片于1998年7月24日在美国上映。 电影描述诺曼底登陆后，瑞恩家4名于前线参战的儿子中，除了隶属101空降师的小儿子二等兵詹姆斯·瑞恩仍下落不明外，其他3个儿子皆已于两周内陆续在各地战死。美国陆军参谋长马歇尔上将得知此事后出于人道考量，特令前线组织一支8人小队，在人海茫茫、枪林弹雨中找出生死未卜的二等兵詹姆斯·瑞恩，并将其平安送回后方。 3：猫鼠游戏 豆瓣评分8.8 " 《猫鼠游戏》（catch me if you can）是由梦工场电影公司出品。 斯蒂文·斯皮尔伯格执导，莱昂纳多·迪卡普里奥，汤姆·汉克斯，克里斯托弗·沃肯等主演的犯罪电影。 影片讲述了fbi探员卡尔（汤姆·汉克斯）与擅长伪造文件的罪犯弗兰克（莱昂纳多·迪卡普里奥饰）之间进行的的一场场猫抓老鼠的较量的故事。 4：绿里奇迹 豆瓣评分8.7 " 《绿里奇迹》是美国小说家斯蒂芬·金创作的监狱小说，带有魔幻现实主义的色彩。 小说讲述了州立冷山监狱死囚牢房的走廊上铺了绿色的油毡，因此这条在其他监狱称为"最后一英里"的不归路，在冷山就被叫成"绿里"。那是1932年的事，当时死囚在走过"绿里"之后要上的是电椅。正是在这最接近地狱的"绿里"上，人性的善、恶才彰显得格外清楚，其间的角斗、对人性的拷问才格外惊心动魄。 5：幸福终点站 豆瓣评分8.7 " 《幸福终点站》（the terminal）是一部2004年出品的电影，由美国斯蒂芬·斯皮尔伯格导演，主要演员有汤姆·汉克斯、凯瑟琳·泽塔-琼斯、斯坦利·塔奇和齐·麦拜特。剧本由沙查·盖华斯，谢夫·内森逊根据安德鲁·尼高尔和沙查·盖华斯的原著故事改编。 影片讲述主角前往美国途中家乡发生政变，政府被推翻，所持证件不被美国入境当局承认，被拒绝入境却又不能回国，被迫滞留肯尼迪国际机场期间的故事。 6：费城故事 豆瓣评分8.6 " 《费城故事》是由乔纳森·戴米执导，汤姆·汉克斯、丹泽尔·华盛顿等主演的剧情片。 影片讲述了一个艾滋病患者用法律维护自己权利利益的故事，它被称为"好莱坞面对艾滋病"的影片。它标志着好莱坞不再逃避社会现实，而正式向泛滥美国的艾滋病宣战了。 影片于1993年12月23日在美国上映，并获得第66届奥斯卡金像奖 最佳男主角和第44届柏林国际电影节最佳男主角奖。 7：荒岛余生 豆瓣评分8.5 " 《荒岛余生》是由罗伯特·泽米吉斯执导，汤姆·汉克斯、海伦·亨特等主演的剧情冒险片。 该片讲述了一个联邦快递公司员工在南太平洋上空遇难坠机流浪到荒岛的故事。 8：萨利机长 豆瓣评分8.3 " 《萨利机长》是根据2009年美利坚航空公司1549号航班机长切斯利·舒伦伯格的真实英雄事迹改编。由美国华纳兄弟影片公司出品的传记剧情片，由克林特·伊斯特伍德执导，汤姆·汉克斯领衔主演。 影片讲述了萨利机长在发动机失效的情况下，成功迫降拯救155名乘客和机组人员的故事。 9：华盛顿邮报 豆瓣评分8.2 " 《华盛顿邮报》根据发生于1971年的真实事件改编，由史蒂文·斯皮尔伯格执导，elizabeth hannah、乔希·辛格编剧，汤姆·汉克斯、梅丽尔·斯特里普主演的传记片。 讲述了《华盛顿邮报》前发行人凯·格拉汉姆和编辑本·布拉德利与《纽约时报》展开竞争，刊登五角大楼文件，来揭发政府大规模掩盖长达30年、牵扯4位美国总统的秘密的故事。 10：菲利普船长 豆瓣评分8.2 " 《菲利普船长》是根据发生在2009年的真实事件改编，由保罗·格林格拉斯执导的冒险剧情片，汤姆·汉克斯，巴哈德·阿布迪，法塞尔·阿迈德，凯瑟琳·基纳领衔主演。 影片讲述了美国货轮"马士基阿拉巴马"号在非洲索马里地区海域遭持ak47冲锋枪的4名海盗打劫，船长理查德·菲利普被当做人质带离商船。4天后美国海军舰队击毙其中3名劫匪，活捉1名，船长亦获救。 11：间谍之桥 豆瓣评分8.1 " 间谍之桥》是由华特·迪士尼电影工作室发行，史蒂文·斯皮尔伯格执导，汤姆·汉克斯、艾米·莱安、阿伦·阿尔达联合主演历史传记片。影片于2015年10月16日在美国上映 。 该片根据美国律师詹姆斯·多诺万真人真事改编。讲述了1960年美军侦察机执行秘密任务时被苏军击落，多诺万律师为了营救飞行员而卷入了冷战风暴的中心的故事。 12：云图 豆瓣评分8.0 " 《云图》是由华纳兄弟影片公司制作的剧情片，由沃卓斯基姐弟与汤姆·提克威联合执导，汤姆·汉克斯、哈利·贝瑞等好莱坞影星主演。 该片改编自大卫·米切尔的同名小说，由看似独立却彼此相互间存在着某种神秘的联系的六个故事组成。 13：毁灭之路 豆瓣评分7.7 " 《毁灭之路》改编自马克斯·艾伦·柯林斯的同名漫画小说，由萨姆·门德斯执导，汤姆·汉克斯、保罗·纽曼、裘德·洛、丹尼尔·克雷格等主演的惊悚冒险电影。 影片讲述了杀手迈克尔·苏利文因家人被杀害而走上复仇之路的故事 。 14：大梦想家 豆瓣评分7.7 " 《大梦想家》是由约翰·李·汉考克执导的剧情片，埃玛·汤普森和汤姆·汉克斯将领衔主演。影片于2013年12月13日在美国上映。 影片讲述了华特·迪士尼当年是如何争取到《欢乐满人间》电影改编权的故事。 15：天使与魔鬼 豆瓣评分7.3 " 《天使与魔鬼》是一部由朗·霍华德执导的惊悚电影，根据美国作家丹·布朗的同名小说改编而成，汤姆·汉克斯、阿耶莱特·祖里尔、伊万·麦克格雷格和斯特兰·斯卡斯加德等联袂出演。影片于2009年5月7日在日本率先上映。 故事主要讲述了任职于哈佛大学，专注于研究宗教符号的罗伯特·兰登教授运用他在破译密码方面的知识，粉碎了一起企图在教皇会议期间炸毁梵蒂冈城的阴谋。

主演：詹姆斯·乌尔班尼亚克,帕特里克·沃伯顿,米夏埃尔·桑泰尔尼克拉斯,Christopher McCulloch,Doc Hammer
简介：　　The past is haunting the Venture building, literally. Can a good exorcism fix everything? Meanwhile, Hank is pressured by goons to break off his relationship with their mobster boss' daughter.

主演：James Urbaniak,Patrick Warburton,Michael Sinterniklaas,Doc Hammer
简介：一个天才少年变成了一个失意的、中年的疯狂科学家Rusty Venture博士的扭曲的不幸经历;他那几个低能的十几岁的儿子;疯子的保镖;和博士的主要敌人，无能的超级恶棍君主和他的男性情人，博士女友。