什么是生成对抗网络（GAN）-以及它如何使计算机具有创造力

习中最酷的想法”。

Goodfellow的朋友们正在讨论如何使用AI来创建看起来逼真的照片。他们面临的问题是当前的AI技术和体系结构，深度学习算法和深度神经网络擅长对图像进行分类，但不能很好地创建新图像。

Goodfellow提出了一种新技术的想法，其中不同的神经网络互相挑战，以学习在递归过程中创建和改进新内容。那天晚上，他编码并测试了他的想法，并且成功了。在蒙特勒大学母校的同伴和校友的帮助下，古德费洛后来完成并将其工作汇编成著名的白皮书，标题为“生成对抗网络”。

从那时起，GAN在人工智能领域引发了许多新的创新。现在，已经33岁的伊恩·古德费洛（Ian Goodfellow）在Google Research工作，在OpenAI任职，使他成为了少数几个备受追捧的AI天才之一。

GAN解决了困扰深层神经网络的缺乏想象力的问题，深层神经网络是一种流行的AI结构，大致模仿了人脑的工作方式。DNN依靠大量标记数据来执行其功能。这意味着人类必须明确定义每个数据样本所代表的内容，DNN才能使用它。

例如，给神经网络提供足够的猫图片，它将收集定义猫一般特征的模式。然后，它将能够在以前从未见过的图片中找到猫。面部识别和癌症诊断算法具有相同的逻辑。自动驾驶汽车可以通过这种方式确定自己是在畅通无阻的道路上行驶还是撞上汽车，自行车，儿童或其他障碍物。

但是深度神经网络受到严重限制。其中最突出的是对质量数据的高度依赖。深度学习应用程序的训练数据通常确定其功能的范围和限制。

问题在于，在许多情况下（例如图像分类），您需要人工来标记训练数据，这既费时又昂贵。在其他领域，需要花费大量时间来生成必要的数据，例如训练自动驾驶汽车。在医疗保健等领域，训练算法所需的数据将具有法律和道德意义，因为它是敏感的个人信息。

当您使用神经网络生成新数据时，它们的真正局限就会显现出来。深度学习在对事物进行分类方面非常有效，但在创造事物方面却不那么擅长。这是因为从DNN摄取的数据中了解DNN并不能完全转化为生成相似数据的能力。例如，这就是为什么当您使用深度学习来绘制图片时，结果通常看起来很奇怪（尽管如此令人着迷）。

这就是GAN发挥作用的地方。

GAN如何运作？

Ian Goodfellow的“生成对抗网络”技术建议您使用两个神经网络来创建和完善新数据。第一个网络（生成器）生成新数据。简而言之，该过程与神经网络的分类功能相反。生成器没有获取原始数据并将其映射到模型中确定的输出，而是从输出追溯并尝试生成将映射到该输出的输入数据。例如，GAN生成器网络可以从噪声像素矩阵开始，然后尝试以图像分类器将其标记为猫的方式对其进行修改。

第二个网络（鉴别器）是分类器DNN。它以0到1的等级评定生成器结果的质量。如果得分太低，则生成器将更正数据并将其重新提交给鉴别器。GAN以超快速的顺序重复循环，直到它可以创建以高分映射到所需输出的数据为止。

GAN的工作过程可与猫鼠游戏相提并论，在这种游戏中，生成器试图通过欺骗鉴别器以为它提供的输入是真实的，从而越过了鉴别器。

这段视频中最好地体现了生成性对抗网络，该视频显示了英伟达的GAN在行动中创建不存在的名人的照片。并不是AI创造的所有照片都是完美的，但是其中一些看起来令人印象深刻。

GAN的应用

生成对抗网络已经显示出其在创建和修改图像方面的价值。英伟达（肯定对这种新的AI技术产生了浓厚的兴趣）最近推出了一个新的研究项目，该项目使用GAN校正图像并重建模糊的部分。

GAN有许多实际应用。例如，它可以用于创建随机的室内设计，以使装饰者有新的想法。它也可以在音乐行业，其中使用人工智能已经取得了进展通过创建各种风格，这音乐家以后可以调整和完善新型复合物。

但是，GAN的应用范围不仅仅限于创建逼真的照片，视频和艺术品。它可以帮助加快AI涉及的多个领域的研究和进展。它将也是无监督学习的关键组成部分。无监督学习是机器学习的分支，人工智能在其中创建自己的数据并发现自己的应用规则。

在难以访问或昂贵的高质量数据领域，GAN至关重要。例如，未来，无人驾驶汽车可能会使用GAN来训练道路，而无需在道路上行驶数百万英里。在积累了足够的训练数据之后，他们便可以使用该技术创建自己的假想道路状况​​和场景并学会处理它们。以同样的方式，设计用于在工厂车间中导航的机器人可以使用GAN在虚构的工作条件下创建和导航，而无需实际操纵工厂车间并遇到真正的障碍。

在这方面，GAN可能被证明是发明一种通用AI的重要步骤，这种AI可以模仿人类行为并做出决策和执行功能而无需大量数据。（从侧面来说，我的观点是，我们不应该追求通用的AI，而应该专注于增强当前的弱AI算法。GAN恰如其分地适用于这项任务。）

GAN在医学中也有应用，它可以帮助产生AI算法的训练数据，而无需收集患者的个人身份信息（PII）。这对于药物研究和发现等领域可能是一个福音，因为它们是高度依赖的数据，既敏感，昂贵又难以获得。随着新的隐私和数据保护规则对公司如何收集和使用来自客户和患者的数据的严格限制，这也是继续AI创新的关键。

这不仅在医疗保健中很重要，而且在需要个人数据的其他领域（例如在线购物，流媒体和社交媒体）中也很重要。

GAN的局限性

尽管生成对抗网络已被证明是一个绝妙的主意，但它们并非没有局限性。首先，GAN表现出一种伪想象形式。根据他们正在执行的任务，GAN仍然需要大量的培训数据才能上手。例如，如果没有足够的人脸图片，产生名人的GAN将无法提出新面孔。这意味着数据不存在的区域将无法使用GAN。

GAN不能发明全新的事物。您只能期望他们以新的方式结合他们已经知道的知识。

而且，在此阶段，处理GAN仍然很复杂。如果生成器和鉴别器之间没有平衡，结果很快就会变得很奇怪。例如，如果鉴别器太弱，它将接受生成器产生的任何东西，即使它是一只有两只头或三只眼睛的狗。另一方面，如果鉴别器比生成器强得多，它将不断拒绝结果，从而导致令人失望数据的无休止循环。而且，如果网络调整不正确，最终将产生彼此过于相似的结果。工程师必须不断地顺序优化发生器和鉴别器网络，以避免这些影响。

潜在的负面用途或GAN

与所有突破性技术一样，生成对抗网络也可以用于邪恶目的。该技术仍然过于复杂和笨拙，无法吸引恶意行为者，但这只是时间问题。我们已经看到过这种情况发生在深度学习中。广泛使用的，易于使用的深度学习应用程序可以合成图片，视频和照片，最近引发了一波由AI编写的照片和视频，这引发了人们对犯罪分子如何使用该技术进行欺诈，欺诈和假新闻的担忧。

GAN没有参与该事件，但是可以想象到他们如何通过帮助诈骗者生成他们需要的图像来增强他们的AI算法，而又无需获得太多受害者的照片，从而为这种作法做出贡献。GAN还可以用于发现其他AI算法的弱点。例如，如果安全解决方案使用AI来检测网络安全威胁和恶意活动，则GAN可以帮助找到可以越过其防御手段的模式。

GAN还会在AI与物理世界重合的区域造成真正的伤害。例如，以与该技术可以训练使无人驾驶汽车能够分析其周围环境的AI算法相同的方式，它可以发现并利用其弱点。例如，它可以帮助找到使无人驾驶汽车陷入丢失的障碍或误读路标的模式。

实际上，现为Google Research科学家的Goodfellow非常了解他的发明所带来的风险，现在正在领导一个研究团队，其任务是寻找使机器学习和深度学习更加安全的方法。在接受采访时与MIT技术评论，古德费洛警告说，AI可能在以前的后尘创新的浪潮，在安全，隐私，以及其他风险没有得到认真考虑，并导致灾难性的情况。