第一节 文字与图像的异质和互渗

文字与图像作为人类认识与表达世界的两种主要手段，既有相互对立的一面，又有相互联系的一面。相互对立的一面表现为二者的异质，相互联系的一面表现为二者的互渗。异质性表现在二者反映世界的方式、二者对人们展示出来的形式、二者与思想的关系三个方面。互渗性表现在二者的相互支撑性、相互渗透性和相互转化性三个方面。弄清二者的对立与联系，是把握、研究文字与图像关系的基础。

一 文字与图像的异质性

德国批评家莱辛曾在《拉奥孔》中探讨过文字与图像的关系。他认为，虽然“说画是一种无声的诗，而诗是一种有声的画”有一定的道理，但“画和诗无论是从摹仿的对象来看，还是从摹仿的方式来看，却都有区别”。[1]莱辛的观点是正确的。就二者关系来看，文字与图像既有相互对立的一面，也有相互联系的一面，我们可以分别将它们称为异质性与互渗性。但是在《拉奥孔》中，莱辛的重点是讨论诗与画的界限，对于诗画之间的异质与互渗则关注不多。

日本学者浜田正秀将文字与图像视为人类两种不同的“精神武器”：“语言是精神的主要武器，但另有一种叫做‘形象’的精神武器。形象是现实的淡薄印象，它同语言一样，是现实的替代物。形象作为一种记忆积累起来，加以改造、加工、综合，使之有可能成为精神领域中的代理体验。然而它比语言更为具体、更可感觉、更不易捉摸，它是一种在获得正确的知识和意义之前的东西。概念相对于变化多端、捉摸不定的形象而言，有一个客观的抽象范围，这样虽则更显得枯燥乏味，但却便于保存和表达，得以区分微妙的感觉。形象和语言的关系，类似于生命与形式、感情与理性、体验与认识、艺术与学术的那种关系。”[2]浜田正秀的论述涉及了文字与图像的异质性，可惜没有深入下去。

本书认为，“异质性”指的是文字与图像的不同的质的规定性。这种规定性决定了文字与图像不同的性质、特点和艺术生产与消费的方式。这种异质性主要表现在三个方面。

其一，就存在与反映世界的方式而言，图像以具象的形式存在，它对世界的反映是直接的、直观的，而文字则是以符号的方式存在，它对世界的反映是间接的、抽象的。黑格尔曾经指出：“诗人所给的不是事物本身而只是名词，只是字，在字里个别的东西就变成了一种有普遍性的东西，因为字是从概念产生，所以字就已带有普遍性。”[3]因此他认为，“我们把我们所意谓的一个感性存在用语言说出来是完全不可能的”[4]。严歌苓认为，文学与影像“最大的差异是文学可以描写那些不可言说的东西，比如人物的内心活动，而影像只能展现出表面的东西”[5]。语言的核心是概念，概念没有直观性，而语言的能指也没有直观性，它只是一些声音（语音）与线条（文字），因此，文字（语言）不能像图像那样直观地表现世界的“感性存在”，而只能将其间接地表现出来。作者先将世界文字化，读者再根据相关的文字还原作者所感受的世界。读者如果不识字或者没有相关的还原能力，就无法感受到作者所感受的世界。[6]另一方面，图像的物质存在形式与世界的“感性存在”是一致的。它用线条、色彩、光线、固体材料（体积）或人体构成图像的物质存在，本身就是形象的。梅兰芳先生的“黛玉葬花”无论是在舞台上表演，还是照片照下来，或者绘成图画，塑成雕塑，它都是形象的物质存在。而文字的物质存在形式则只是干巴巴的符号，不经过心灵的转换，人们是无法直接在这符号中看到形象的。图像与文字的这一区别造成了图像的易接受性、拟真性和文字的难接受性、间离性。就传达的信息与思想的丰富而言，图像要多于文字，然而，就传达的信息与思想的清晰与条理而言，图像又不如文字。浜田正秀认为：“在一个概念里面有好几个形象，但即便使用好几个概念也不能充分地说明一个形象。”[7]一个概念可以用多个形象来表达，而一个图像中隐含的信息，却不是几个概念（文字）就能说明的。这正好说明了文字与图像之间的这种关系。

其二，就图像而言，人们用感官把握到的形式与其最终在脑海中形成的形式是一致的；而就文字而言，人们用感官把握到的形式与其最终在脑海中形成的形式是不一致的。一幅画，它在我们眼前是什么形式，我们最终把握到的也是这种形式；而一篇小说，比如鲁迅的《阿Q正传》，读者最终把握到的，或者说读者阅读的最终结果肯定不是它呈现在其眼前的形式即那几十页文字，而是阿Q从出生到中兴到死亡的人生经历，他的性格，有关的人物与场景。自然，阿Q的形象是靠这些文字塑造出来的，但是这些文字能够塑造这些形象，不是因为它们本身的物质形式，而是它们表达的概念或者说它们承载的意义。维特根斯坦认为，符号“在使用中才是活的”，“命令和它的执行之间有一道鸿沟。它必须由理解的动作填平”。“‘学会它’的意思是：使他能够做它。”[8]读者必须能在那几十页文字中把握到阿Q的形象和相关的生活，才能说是把握了这部小说。如果他只是认识字，却无法形成相应的形象，则不能说把握了这部小说。而把握图像则不存在这个问题，看到了某个图像，也就把握了这个图像。因此，相对于文字，图像更容易把握与消费，更能给观众带来感官的刺激与感性的愉悦。而文字则更能在知解力与想象力的运作与和谐中给读者带来美的愉悦。

比如黛玉的形象。《红楼梦》用了很多文字，对黛玉的外貌进行了描写，但读者对黛玉的长相仍然不甚了了。而梅兰芳扮演的黛玉，一张图片便将黛玉的形象在观众脑海中固定下来（图2-1）。[9]

图2-1 梅兰芳扮演的葬花时的黛玉

其三，图像与思想的关系是间接的、分离的；而文字与思想的关系是直接的、同一的。语言的核心是概念，概念则是思想最重要的组成部分。索绪尔认为，语言是思想的直接现实，思想与语言是不可分割的。它们就像纸的正反两面，“思想是正面，声音是反面。我们不能使声音离开思想，也不能使思想离开声音”[10]。对于人类来说，并不是先存在某种思想，然后再寻找一定的语言来表达。两者实际上是同时形成的。思想由语言构建，思想形成的过程也是语言运用的过程。这里的关键是思想需要清晰、明确，而能够承担清晰、明确、系统、复杂地保存、表达、交流思想的任务的只能是语言。因为思想是抽象的，语言也是抽象的，思想由概念组成，语言的核心也是概念，两者之间有着天然的一致性。而图像由于其形象、具体的品质，无法构成与思想的天然的一致性，因而也就不可能与思想形成直接、同一的关系。思想只能含蕴在图像之中，两者之间没有直接、固定的联系，更不是同一的关系。如果强行将某种思想与某种图像固定搭配起来，比如用鸽子表示和平，那么这些图像也就部分地符号化了。人们在观看这些图像的时候，更多的不是感受其中的形象，而是在领会其中的意义，而这种接受实际上已有运用文字的性质了。自然，这不是说图像中没有思想，或者通过图像不能保存、表达、交流思想，而是说，当我们要将思想抽象出来，作为思想来保存、表达和交流的时候，只能运用语言。图像只能将思想蕴含在表象里面，再由读者、批评家挖掘出来。而在挖掘图像的思想时，还少不了语言的运用。

海德格尔在20世纪30年代曾经预言“世界图像时代”的来临。但他认为：“从本质上来看，世界图像并非意指一幅关于世界的图像，而是指世界被把握为图像了。”[11]海德格尔将“关于世界的图像”与“世界被把握为图像”区别开来，是很有意义的。它说明，事物以图像的方式呈现出来和我们以图像的方式来把握事物，并不是一回事。所谓“关于世界的图像”，也就是说世界以图像的方式向人们呈现出来，但世界以图像的方式向我们呈现出来，并不意味着我们就能将世界把握为图像。而且，即便把世界把握为图像，也不等于用图像的方式把握世界。把世界把握为图像只是一种结果，也就是说，世界最终以图像的形式对我们存在，而以图像的方式把握世界则不仅指把握的结果，而且指把握的方式，把握的过程也完全是图像在运作，这实际上是做不到的。把握世界的感性存在和以感性的方式把握世界只是人类把握世界的一个方面，另一个方面而且可能是更重要的方面则是以理性的方式把握世界以及把握感性存在背后所隐含的本质与规律，而这些则很难通过图像和图像的运作来实现。如果进一步分析，我们可以发现，对于世界的感性存在的把握也有两种方式。一种是用感性的方式（主要是图像）将感性存在以其本来面貌表现出来，一种是将感性存在语言化，以文字的形式表现出来。[12]由此可见，由于语言与思想的直接和同一，即使在图像时代，它仍然有着不可取代的地位。因此，阿恩海姆尽管力挺图像，强调视觉在思维中的作用，认为“语言并不是思维活动之不可缺少的东西”，但他也不得不承认，语言“的确有助于思维”[13]。

由此可见，语言的艺术作品更能清晰地表达复杂深邃的思想，图像的艺术作品则更能表现世界的感性存在。文字表达意义更加准确、清晰、直接，也更能表达系统、复杂的意义；图像相对而言则要含混、模糊、间接一些，很难表达特别系统、复杂的意义。美国批评家道利斯·A.格拉博（Doris A.Graber）曾批评电视对美国政治和美国民众的不良影响，认为“在许多方面，电视时代已经反拨了人类学习知识的时钟，回到了只能眼见为实时代的学习。电视让人们即刻或稍后就能看到事件的发生，无须再依靠文字的描述。自从有了文字印刷的新闻，即使运用照片和图解，也不可能全然捕捉事件的发生。人们原本指望电视时代的公众能够比以前更好地把握现实，包括政治现实世界。这个指望已经显然落空。目前的研究者大多数都指出，尽管电视新闻的政治内容多多，但大多数美国人认识政治的水平却是令人失望”[14]。这段论述涉及了图像的形象具体的长处和在思想表达方面的不足，是有道理的。图像用表象表征世界，人们把握了表象，就一定程度上完成了对图像的把握，并不一定要深入到图像的思想。如果这些表象是零碎的、片断化的，就更会使人远离思想，从而使人走向浅薄。而文字的能指是抽象的，人们如果停留在对文字能指的把握上，没有任何意义，他只能进而把握文字的所指，才能说是把握了文字。而文字的所指也即思想。因此，把握文字的同时也就把握了思想，从而使人走向深刻。

异质性决定了文字与图像的竞争与对抗，决定了二者各有存在的理由。从艺术欣赏的角度看，它们各自满足了人类的特定要求，无法互相取代，也不能二者合一。

二 文字与图像的互渗性

陈平原2007年在《新史学》创刊座谈会上发言时说，他在做图像研究时碰到的最大的困难就是，“没有相关的文字我们几乎没有办法解读图像，或者说没办法阐发图像。但是带进了文字以后，我们如何保持图像的完整性，最后不要变成只是用图来做说明，我觉得这是一个比较大的困难。结果如何将图像和文字联合，我不知道。我自己的感觉是，到目前为止，我们看到的研究图像的论文，尤其中文系和历史系写的论文都碰到这个问题，我自己的著作也是这样，包括黄克武他们编的也是这样，以前的郑振铎，都有这个问题。我们其实都是用配图的办法来读，而没想到图像本身可能伸展出一种文字涵盖不了说明不了的问题”[15]。陈平原的研究经验一方面说明图像与文字的异质，图像有“文字涵盖不了说明不了的问题”，另一方面也肯定了两者之间的互渗，文字可以“解读图像”“阐发图像”。

文字与图像的互渗性，指的是二者之间的相互联系与相互渗透。这种互渗性也主要表现在三个方面。

其一，是文字与图像之间的相互支撑性。所谓相互支撑是指文字与图像在表现、交流以及效果上是互相依赖的。这方面的常见形式有传统的诗配画、现代的摄影小说等。作为人类交流与表达的两种主要手段或媒介，无论是文字，还是图像，都无法仅仅单凭自身完成人类认识与表达世界的任务。文字需要图像，以使自己的表现更加直观、具体、形象。在一段文字材料中穿插几幅图片，无疑会使已有的表达更加形象、具体，更有吸引力。而图像也需要文字，以使自己内涵的意义能够敞亮、澄明。比如1991年问世的那张为“希望工程”做宣传的“大眼睛女孩”的照片。那是一张黑白照片，照片中一位小姑娘手拿铅笔，睁着一对大眼睛，望着前方。人们从这张照片看到了贫困地区的孩子对读书的渴望，对社会的诉求。实事求是地说，这张照片在当时的确产生了轰动性的影响。据照片的拍摄者解海龙介绍，当时拍这张照片时，苏明娟正在教室里低头写字，她偶尔抬头的时候，解海龙发现，这女孩的眼睛特别大，有一种直抵人心的感染力。于是他拍下了这张照片。因为那大睁着的眼睛能够被人解读出强烈的渴望，因此这张照片被中国青少年基金会选为希望工程宣传标识。由此可见，无论是其产生的过程，还是画面本身，“大眼睛女孩”都不是必然地与“渴望读书”这样的思想联系在一起的。它之所以能让人们做这样的解读，实际上是与这张照片的标题“我要读书”以及与这张照片相关的解说分不开的。也就是说，这张照片蕴含着多种解读的可能性。如给它配上“期待团圆”这样的标题再加上相关的解说，它也可以表示农村留守儿童对于同父母一起生活的渴望；给它配上“外面的世界”这样的标题再加上相关的解说，它又可以表示落后地区的孩子对于发达地区的向往。由此可见，没有文字参与，这张照片意义的确定与澄明实际上是不可能的。照片如此，影视等图像艺术更是如此。如果没有文字（语言）的参与，影视作品的艺术表现力、意义的深广性都将大打折扣。

其二，是文字与图像之间的相互渗透性。相互渗透性是指文字与图像各自包含了一些对方的因素并且少不了对方的参与。

在美国纽约的现代美术馆里，有这样一件艺术作品。作品的创作者约瑟夫·科苏斯将一把真实的折叠椅﹑一张等大的该椅子的照片和一张放大了的关于“椅子”的词条并置在一起，命名为“一把和三把椅子”（图2-2）。真实的椅子与椅子的照片构成椅子的能指，而关于椅子的词条则提供了椅子的所指。科苏斯试图通过这种方式完成对“椅子性”的探讨，使人们全方位地理解“椅子”。真实的椅子只是为我们提供了椅子的实物，椅子的照片为我们提供了椅子的图像，但是，如果我们要真正地把握“椅子”这一客体，我们还必须在观念上把握它。我们首先得给它命名；其次得了解它的功能，椅子是人坐的；最后得掌握它的基本形式，椅子由四条腿、一个椅面、一个靠背构成。这就离不开文字。然而另一方面，要确切地把握“椅子”，我们又无法离开椅子的实物和椅子的照片。由此可见，要全面真正地把握“椅子”，我们既不能离开椅子的图像（实物和照片），也不能离开椅子的概念（文字）。两者实际上是无法分割的。椅子的图像本身就包含了相关的概念（文字），椅子的文字（概念）本身也包含了相关的图像（实物或图片）。换句话说，在一般情况下，文字与图像实际上是互相暗含的。这是文字与图像的相互渗透性的第一层意思。

图2-2 [美]科苏斯：《一把和三把椅子》

相互渗透性的第二层意思是从形成的过程看，文字与图像也是互相渗透的。形象思维与抽象思维作为人类思维的两种基本形式在人类思维的过程中是互相交叉、渗透的。语言是抽象的，但它又可以描写、塑造形象。语言艺术在形成过程中少不了图像的参与。很多作家往往是在形成生活的相关意象之后，再用文字将其表达出来。众所周知的故事是屠格涅夫创作《父与子》的契机。他在火车上邂逅了一个青年，这个青年的睿智与玩世不恭给他留下了深刻的印象。分手之后，这位青年的形象不断地在他脑海中浮现并且不断地清晰、完善，并最终促使他动笔写作了《父与子》这部小说，塑造了巴扎洛夫这个聪明、有思想的矛盾的虚无主义者的形象。图像艺术形成的过程，也同样有着文字的渗入。图像虽然最终以形象的形式出现，但其形成的过程，则无法排除文字的存在。一幅画的构思，对它的意义、目的、诉求的把握，对与这幅画有关的知识、背景的把握，对这幅画后面的世界的了解，更多地只能依靠语言。离开了另一方，无论是文字，还是图像，要单靠自己的运作形成艺术作品，实际上是不可能的。比如王迎春的中国画《走出雪山草地的红军》（图2-3）。这幅画创作于2011年，与国内以前比如20世纪70年代的相同画作相比，画面上的红军衣衫褴褛，疲惫不堪。为什么不像以前那样将红军画得衣帽整洁、红光满面呢？王迎春解释说，因为要尊重历史，尊重自己对历史的认识。[16]将走出雪山的红军画得穿着整洁、红光满面，好看是好看了，但与实际不符，也就不真实了。而一幅画作如果不符合历史的真实，也就失去了它应有的价值。这既是他画画时的认识，也是他对画作的解释。离开了文字，这幅画作的形成，实际上也是不可能的。

图2-3 王迎春：《走出雪山草地的红军》（中国画）

其三，是文字与图像的相互转化性。曹雪芹用文字写出了《红楼梦》，我们可以将它转化为图像（影视），《红楼梦》改编成电视剧仍然是《红楼梦》，不可能成为其他的东西。另一方面，一个图像，也可用文字进行描述，比如照片《我要读书》中的那个大眼睛姑娘。先有影视剧本，再拍成电影电视，或先拍成了电影电视，再出小说（如《手机》），更是现在常见的现象。

然而，问题不在于说明文字与图像之间的相互转化是一个客观的存在，而在于说明这种客观存在的内在机制，或者说，文字与图像之间为什么能够互相转换。

我们以为，这种内在机制首先在于文字的图像表述能力和图像的文字内蕴，其次在于文字和图像之间的同构性。

前面说过，在一般情况下，文字与图像实际上是互相暗含的。从某种意义上说，文字与图像都只是表现世界的一种形式。世界可以表现为图像，也可以表现为文字。语言并不是思维着的头脑或者说理性的产物，而是生活的凝集。卡西尔认为：“语言概念的最初功能并不在比较经验与选择若干共同属性；它们的最初功能是要凝集这些经验，打个比方，就是把这些经验融合为一点。但是，这种凝集的方式总是取决于主体旨趣的方向，而且更多地是为观察经验时的合目的性的视角，而不是经验的内容所制约的。无论什么，只要它看上去对于我们的意愿或意志，对于我们的希望或焦虑，对于我们的活动或行为是重要的，那么，它，并且唯有它，才有可能获得‘语言’意义的标记。意义的区分是表象得以固化（solidification）的前提；而表象的固化则如上述，又是指称这些印象的必要条件。”[17]语言是生活的凝集，表象的固化。语言不仅要表现世界的本质、规律等抽象的东西，它也要将世界的感性存在凝结成概念，通过概念表现出来。抽象的文字背后隐藏着感性的世界。人们在学习语言的时候，也就把握了语言背后的感性世界。如一个孩子在看到椅子的时候，他的父母就告诉他这是椅子。经过一段时间，他便能将椅子这个词与真实的椅子联系起来，不仅联系到椅子的实质，而且联系到椅子的表象。当他看到的不是真实的椅子，而是椅子的图像的时候，也就能知道这是椅子。反过来，当他看到椅子这个词时，他自然也能联想到椅子的感性形式。由此可见，文字与图像之间不是绝缘的，而是相通的。图像本身蕴含着文字的因素，文字可以描绘形象。因此，一定的图像可以用一定的语言表述出来，一定的语言也可以用一定的图像加以表现。语言的积累和成熟达到一定程度的时候，事物的表象或图像的文字化就是顺理成章的事。

苏珊·朗格曾讨论事物之间的同构性问题：当你在商店买灯罩时，你先看中的是一个绿色的灯罩，然后你又要一个大些的紫色的同样的灯罩，无论是你自己，还是售货员，都不会弄错你要的是什么。那么，这两个灯罩的共同之处是什么呢？“这一共同之处不是别的，而是指组成这两种灯罩的各个部分之间的相互关系模式。至于这两种灯罩的空间质，那是毫不相等的，因为在它们之间没有一个地方的实际尺寸相同。然而它们的形状是相似的，这就是说，组成这两种灯罩的各个部分之间的空间关系是相同的，因此，它们才有相同的‘形状’。”[18]换句话说，两个事物只要具有这种“同构性”，不管它们其他方面如何不似，人们都会将它们看作同类事物。两个长相相似的父子之间也存在这种同构性。严格地说，父子的长相没有一处是一致的，父亲的鼻子要比孩子的大许多，父亲的眼睛也要比儿子的大许多。父亲的一切，其占据的空间都要比孩子的大。但他们身体的各个部分之间的空间关系是相同的，正是这空间关系的相同，决定了父子的相似。

文字的作品与图像的作品之间也存在这种同构性。这种同构性主要建立在核心要素与关系的相同上。一部根据《水浒传》改编的电视剧，只要它描写的是一个叫宋江的小吏领着一群好汉与官府作对，时代背景、基本情节、人物关系、主要人物的姓名性格不变，其他一些因素再怎么变，人们也会认为它是《水浒传》。因为两者之间具有同构性。一幅画中一个纤弱的古装美女荷着小锄、提着花篮，篮子盛着一些落花。熟悉《红楼梦》的人就知道这位女子是林黛玉，尽管这位女子与他想象中的黛玉或者他看到的别的画中的黛玉长得完全不同。因为这幅画与《红楼梦》中描写的黛玉葬花有着同构性。

自然，正如有学者曾经指出的：“无论是图像到语言，还是语言到图像，‘转换’不等于‘等值’，‘同构’不等于‘同步’，势必存在意义的增值或衰减。”[19]由于文字与图像之间的异质性，二者在相互转换的过程中总会丢失一些东西，使它们不可能完全同一，但只要保持了这种同构性，两者之间的转换就是成功的。人们可以凭着这种同构性将两者与其他艺术品区别开来。

互渗性决定了文字与图像并不是你死我活的关系，它们之间实际上是相辅相成的。

三 文字与图像的此消彼长

文字与图像的异质性决定了二者各自的独立性，无法相互取代；而互渗性又决定了二者之间相辅相成、无法离开对方而独立存在，由此形成二者之间的张力。如果仅从二者之间关系的角度静态地看，文字与图像应该处于一种平衡和平行的发展状态，但是历史告诉我们，文字与图像并不是平衡与平行发展，而是此消彼长的。龙迪勇认为：“语词与图像都是叙事的工具或手段，但在和语词的长期共存与竞争中，图像总是处于被贬抑的地位。”[20]这是事实。但我们也应看到，在历史漫长的发展过程中，也有很长一段时间图像处于优势的地位。

从图像与文字的角度看，人类艺术的发展大致可以分为三个时期。

第一个时期是图像为主的时期。这一时期从史前时期一直持续到文字产生之后很长一段时间，人类艺术的主要形式是“图像”。在史前时期或“前文字时代”，人类主要靠非符号化的信号、摹仿、结绳、图画、契刻、肢体语言等方式传递信息，思维方式上主要是实物—具象思维。如看见野牛，便在山洞里画上野牛，遇见朋友，便露出笑容，碰到敌人，便做出凶恶的姿态，等等。通过这种方法来传递信息，进行沟通。后来，逐渐产生了语言，大约在公元前3500年，在古埃及、克里特和中国，开始出现文字。但人类早期语言尚不成熟，加之书写材料的笨重与昂贵（如龟甲、金石、泥板、木板、竹简、锦帛、羊皮等），手工抄写的复制与传播方式的困难与耗费，文字在产生之后很长一段时间都无法大规模地传播与使用，以文字为基础的语言艺术自然也就很难大规模地展开。以图像为主的艺术如绘画、雕塑、舞蹈、戏剧等仍在人类艺术生活中占据着重要的位置。

第二个时期是文字为主的时期，人类艺术的主要形式成为“文字”。这一时期在我国大概从东汉蔡伦发明造纸术开始，欧洲大概从8世纪造纸术传入后开始。造纸术、雕版印刷以及后来的活字印刷术的发明，使文字活动的大规模展开成为可能，以文字为基础的语言艺术特别是小说的大规模展开也成为可能，文字逐渐超过并取代图像成为艺术的中心，并在18、19世纪和20世纪前半期达到其黄金时代。巴尔扎克、托尔斯泰、狄更斯、拜伦、华兹华斯、雨果、李白、杜甫、曹雪芹、罗贯中、施耐庵、吴承恩等文学家以及他们的作品，几乎是家喻户晓。

第三个时期人类艺术进入了“文字”与“图像”并立的时期。20世纪后半期之后，由于电子、网络、信息技术的迅猛发展，“图像”再度兴盛，新的图像艺术逐渐进军人类艺术的中心舞台，形成与语言艺术并峙的另一艺术高峰。新图像艺术的特点之一，是图像中占据主导地位的已不再是传统的绘画、雕塑、舞蹈、戏剧，而是由新的科学与技术手段所催生的电影、电视、摄影、图片、电子图像、三维影像、全息摄影、虚拟现实等。媒介专家麦克卢汉1964年宣称：“图画似的消费时代已经死了，图像（iconic）时代已经来临……”[21]美国学者丹尼尔·贝尔认为：“当代文化正在变成一种视觉文化，而不是印刷文化，这是千真万确的事实。”[22]波德里亚提出“拟象”理论。美国学者米歇尔认为我们已经进入 “一个不仅由图像所再现的世界，而实际上是由图像制造所构成并得以存在的世界”[23]。但是尽管如此，语言艺术仍在发展，原有的文类如小说、诗歌、散文、戏剧文学依然存在，新的文类如影视文学、网络文学迅速发展，而与新媒介结合的新的形式如手机文学、摄影文学、广告文学等更是无孔不入。

由此可见，在人类艺术史上，无论是一般意义上的文字与图像，还是艺术意义上的文字与图像，都不是平行发展的，而是此消彼长的。这其中的原因仅靠文字与图像的异质与互渗是无法解释的，我们还需要将视线从文字与图像本身移到文字与图像之外，从其他方面寻找原因。

其一，是科技的发展在文字与图像的此消彼长中的作用。毫无疑问，一方面，在自然状态下，人们把握图像比把握文字更加容易。因为与图像相联的视觉是天生的，人类先天地具有接受图像的能力。考古发现，人类最早的艺术品不是文字，而是图像，如岩洞里的壁画，各种实物如兽骨、鸟羽做成的装饰品等。而与文字相联的知识、文化等则是后天习得的。一个幼儿几乎不需多少训练便能接受图像，如妈妈的面孔、周围的实物、简单的绘画与图片等，但要掌握起码的文字，则至少得花几年的时间学习。另一方面，在纯自然状态下，人们制作图像实际上也比制作文字容易。人们运用自己的身体与实物很容易就能制造出一个图像的艺术品，进行绘画与雕塑也不是十分困难。让幼儿信笔涂鸦比让他学习文字更加容易。图像在很长一段时间内超过文字成为人类艺术的主要形式，与这两个原因有较大的关系。造纸术与印刷术产生之后，文字生产的条件大大改善，文字的制作、保存与传播更加容易。而由人的身体制造的活的形象如戏剧、舞蹈难以保存与传播。建筑、雕塑等三维立体图像难以传播。一方面，绘画、书法等二维平面图像虽然可以与文字一样保存与传播，但是图像作品的制作比文字作品困难；另一方面，在情感与叙事的容量上，它们又远不及文字作品特别是小说；而且，在原创的意义上，绘画与书法作品几乎无法复制，原作与复制品的价值可以说是有天壤之别，而文字作品则可以大规模地复制，而且不影响其价值。因此，在印刷时代，图像活动的大规模展开远不如文字容易，于是，文字取代图像成为人类艺术的主要形式，小说、诗歌、散文、剧本，成为这一时期主导的艺术形式。而在信息时代，网络、摄影、计算机、电子技术和复制技术的产生，使情况再次发生变化。图像的制作、保存与传播变得轻而易举，图像活动的大规模展开成为现实。从价值的角度看，电子图像的复制也不影响其价值，一张电子照片，无论复制多少张，复制品的价值不会低于被复制品的价值。这样，图像再次繁荣，在人类艺术中的地位也逐渐上升，成为与文字并立的另一高峰。[24]

其二，文字与图像在人类艺术中地位的此消彼长，与植根于科学技术发展的人类艺术消费方式也有密切的联系。弗洛伊德认为，人类不会放弃任何可能的享受。[25]艺术消费也是如此。人们总是寻找最方便、最舒适、最能得到愉悦与享受的艺术消费方式。相对于文字来说，消费图像自然要更方便、更舒适，得到的感官愉悦与直接的快感也要更大一些。因此，在同样的条件下，人们自然更喜欢消费图像。笔者曾经在自己任教的中文系对学生做过一次调查：在小说和根据小说改编的电影中，你更愿意看小说还是电影？结果70%以上的学生选择了电影，尽管他们的专业要求他们首选小说。

不过事情总是复杂的。消费图像虽然方便、舒适，但在摄影、电子与网络技术产生之前，人们要得到欣赏图像的机会并不容易。他必须步行或坐车、骑马到剧院才能欣赏到戏剧与歌舞，必须到画廊、博物馆才能欣赏到绘画与雕塑，必须到建筑物的所在地才能欣赏到建筑。而且这些地方大都是公共场所，他不能随心所欲。如达·芬奇的油画《最后的晚餐》画在米兰的圣玛利亚感恩修道院的大厅的北墙上，要看这幅绘画的原作，得千里迢迢地跑去米兰。此外，还有较高的经济上的支出。经济相对拮据的观众，即使有心，也不一定消费得起。而文字则不同，一本书、一张桌子、一杯茶，就能供读者愉快地渡过一个晚上。因此，虽然电影在20世纪初就产生了并且得到人们的喜爱，但是由于电影公共消费的性质，它并没有对文学造成多大的威胁，两者基本上是相安无事、并行不悖的。然而，电视、录像、电脑、网络、智能手机产生之后，情况则起了变化，图像的消费不仅变得容易，而且成为家庭甚至个人消费行为。当下的青年，随便拿个终端设备如手机、iPad、电脑等，便可以欣赏图像；而家庭妇女，则往往是边做家务边欣赏肥皂剧，或者坐在沙发上，睡眼蒙眬地边打瞌睡边看电视，渴了喝喝茶，饿了吃点东西，既方便，又舒适。图像的消费比文字的消费更加方便、容易。而且，阅读文学作品需要全神贯注，否则就很难把握。而观看图像艺术，则可三心二意，虽然把握不畅，但至少不会出现丈二和尚摸不着头脑的现象，至少图像本身可以进入观者的意识并被观众部分地把握。于是，图像成为了文字强劲的竞争对手。

周宪曾经发问：“‘读图时代’的来临，是否意味着文字主因的文化已经被图像主因的文化所代替？是否可以说今天图像比文字更具魔力和吸引力？是否可以断言今天确实存在着图像对文字的霸权？”他引用罗兰·巴特的相关论述，认为巴特对此的回答是肯定的。[26]本书的回答则是中性的。本书认为，文字与图像在艺术中的地位并不是永恒不变的，二者时刻处于博弈之中。在这种博弈中，二者的此消彼长，其内因在于各自的长处与不足，外因则是人类的艺术生产与消费方式，以及与这种方式相联系的科技发展水平。谁在博弈中占据优势，归根结底取决于二者的这种长处与不足同人类的艺术生产与消费方式，以及与这种方式相联系的科技的发展水平与物质生产方式之间的关系。这种博弈现在并未结束，而且可能永远也不会结束。