目前，人工智能（AI）領(lǐng)域正在快速發(fā)展，每隔一段時間就取得新的突破。最近突出的一個詞是Generative Adversarial Network（GAN） - 但這是什么意思？

名詞解釋：究竟什么是生成對抗網(wǎng)絡(luò)（GAN）？

GAN背后的理念最初是在2014年提出的，在最基本的層面上將，它描述了一個系統(tǒng)，這個系統(tǒng)中將兩個AI系統(tǒng)（神經(jīng)網(wǎng)絡(luò)）相互對立，以提高模型輸出結(jié)果的質(zhì)量。

為了理解GAN是如何工作的，可以想象一個盲人偽造者試圖仿造一幅大師的畫作。首先，他并不知道這幅畫應(yīng)該是什么樣子的，但他碰巧有一位朋友對所有大師的杰作都有照片般的記憶。

這位朋友相當(dāng)于一名偵探，必須確定他的朋友所展示的畫作是與真正偉大大師創(chuàng)作的畫作一致，還是明顯的贗品。

這是GAN運(yùn)行的基本機(jī)制——只不過這位偽造者他的朋友都是AI，行事速度超快，每秒可以制造和檢測數(shù)千件贗品。然后兩人都從結(jié)果中進(jìn)行“學(xué)習(xí)”，以改善在未來的表現(xiàn)。偵探在檢測贗品方面的能力越來越強(qiáng)，要求偽造者必須要把贗品做的更逼真才行。

近年來，由于GAN能夠基于現(xiàn)有的真實信息建立的規(guī)則制造出“新”信息，因此在人工智能開發(fā)領(lǐng)域引起了廣泛關(guān)注。編寫說明書可能是一個典型的例子。開發(fā)人員在成千上萬的指導(dǎo)手冊的內(nèi)容作為訓(xùn)練數(shù)據(jù)對GAN進(jìn)行訓(xùn)練，有朝一日可以創(chuàng)建一個可以查看任何工具，設(shè)備或軟件的系統(tǒng)，再為這個系統(tǒng)生成一份使用說明書。

如何設(shè)計了解你感覺的AI

接下來，讓我們更深入地研究一下GAN的工作機(jī)制。負(fù)責(zé)創(chuàng)建虛假數(shù)據(jù)的“偽造”網(wǎng)絡(luò)被稱為生成網(wǎng)絡(luò)，它的工作是閱讀并理解訓(xùn)練數(shù)據(jù)的特征屬性。然后嘗試通過生成遵循相同規(guī)則的“候選”數(shù)據(jù)集來復(fù)制這些訓(xùn)練數(shù)據(jù)。

“偵探”網(wǎng)絡(luò)的作用是識別生成網(wǎng)絡(luò)的輸出數(shù)據(jù)是（人工生成的）假數(shù)據(jù)，還是真實的（訓(xùn)練）數(shù)據(jù)，這個“偵探”稱為判別網(wǎng)絡(luò)。因為判別網(wǎng)絡(luò)與生成網(wǎng)絡(luò)進(jìn)行對抗性競爭，所以整個系統(tǒng)被描述為“對抗性網(wǎng)絡(luò)”。

對于GAN的應(yīng)用實例，最典型的就是“假臉生成工具”。為網(wǎng)站提供動力的網(wǎng)絡(luò)已經(jīng)學(xué)會了制作人臉的超逼真圖像，雖然這些人臉圖像幾乎完美再現(xiàn)了真實人臉圖像的一切細(xì)節(jié)特征和規(guī)則，但無一例外都是計算機(jī)程序生成的，現(xiàn)實世界中并不存在。

人們可能存在這樣的固有印象，即計算機(jī)是將人們的眼睛、耳朵、嘴巴和頭發(fā)的數(shù)據(jù)庫中的碎片數(shù)據(jù)組合在一起，來構(gòu)建面部圖像的，但事實并非如此。生成網(wǎng)絡(luò)的“輸入”數(shù)據(jù)只是一串?dāng)?shù)字，只有判別網(wǎng)絡(luò)才能看到訓(xùn)練數(shù)據(jù)。生成網(wǎng)絡(luò)需要完全基于判別網(wǎng)絡(luò)的輸出來改善自己的輸出。

作為判別網(wǎng)絡(luò)給出的唯一反饋，是對生成網(wǎng)絡(luò)輸出是否與訓(xùn)練數(shù)據(jù)匹配的“是或否”的判斷，這個生成—判斷—再生成的過程要循環(huán)多次，生成網(wǎng)絡(luò)和判別網(wǎng)絡(luò)的性能不斷提升后，才可能產(chǎn)生與訓(xùn)練輸入足夠相似的人臉圖像輸出。

（這個例子實際上借用了去年由Nvidia開發(fā)的proGAN模型，該模型在與運(yùn)行過程中會逐漸增加生成網(wǎng)絡(luò)輸出的圖像分辨率，從4*4超低分辨率開始，最終生成逼真的人臉。）

用于訓(xùn)練對抗性網(wǎng)絡(luò)的數(shù)據(jù)不必為標(biāo)記數(shù)據(jù)，因為判別網(wǎng)絡(luò)可以完全基于訓(xùn)練數(shù)據(jù)本身的特征來對生成網(wǎng)絡(luò)的輸出做出判斷。所以，GAN既可以用于監(jiān)督學(xué)習(xí)，也可以用于無監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)。

GAN的另一個用處是為其他AI應(yīng)用程序高效地創(chuàng)建訓(xùn)練數(shù)據(jù)集。大多數(shù)當(dāng)前的AI技術(shù)，特別是深度學(xué)習(xí)技術(shù)，都依賴于海量的訓(xùn)練數(shù)據(jù)。

GAN可以生成遵循“自然”數(shù)據(jù)集的所有規(guī)則的數(shù)據(jù)集，因此理論上可以用于深度學(xué)習(xí)模型的訓(xùn)練。這一點對于醫(yī)學(xué)成像領(lǐng)域非常有用，收集真實數(shù)據(jù)成本高、耗時久，而且需要患者同意，以及大量的醫(yī)學(xué)專業(yè)知識才能對其進(jìn)行數(shù)據(jù)標(biāo)記。利用GAN可以有效克服這些障礙。

GAN可用于創(chuàng)建虛構(gòu)的圖像，移動視頻，文本甚至是音樂。雖然近期對GAN存在著大量炒作，但它顯然是近年來從AI領(lǐng)域出現(xiàn)的最有趣的新概念之一，我們可以期待在不久的將來看到更多基于GAN的令人興奮的新應(yīng)用。