又到了每周一次的【AI随时听】时间。本期NVIDIA邀请了首先提出生成式对抗网络构思的科学家Ian Goodfellow，与大家分享被称为“过去10年机器学习领域最引人瞩目的创意”——生成式对抗网络为人工智能发展带来的变化。请点击以下音频收听。

您也许对于生成式对抗网络（generative adversarial network，GAN）还有些陌生，但作为“过去10年机器学习领域内最引人瞩目的创意”，它绝对值得关注。

生成式对抗网络清除了人工智能，尤其是深度学习向前发展的最大障碍之一，即：需要投入巨大的人力工作。

Ian Goodfellow在2014年提出生成式对抗网络的构思时还是蒙特利尔大学的一名博士生，现在已是谷歌公司的一位研究科学家。

生成式对抗网络首创者——Ian Goodfellow

警察与伪造者：GAN减少深度学习所需要的数据

一般而言，神经网络可以通过分析成千上万张猫类素材来学习识别猫的图片，但除非人类非常仔细地在每幅图像上标注所拍摄的内容，否则这些图像也无法用于训练网络。不过，生成式对抗网络能够通过减少训练深度学习算法所需的数据量来解决这个问题。它们提供了一种利用现有数据训练深度学习算法以创建标记数据（大部分情况下均为图片）的独特方法。

相对于训练单一神经网络识别图片，研究人员反过来训练两个相互对抗的网络。仍以猫为例，生成器网络尝试创建看起来像真猫的假猫图片。辨别器网络检查猫类图片，设法确定其是真是假。

Goodfellow解释说：“我们可以将这种情况看作是伪造者与警察之间的对抗。伪造者想要制造假币，让其看起来就像是真的一样，而警察则希望检查所有货币，并确定其是否为伪造。”

当伪造变为真实：对抗的神经网络

对抗的网络是相互学习的关系。例如，当其中一个网络尽力查找假图像时，另一个则变得更擅长于创建与原始图像几乎不可分辨的伪造图像。

NVIDIA创始人兼首席执行官黄仁勋，在其GPU技术大会主旨演讲中将生成式对抗网络称作一大“突破”，将其过程比作试图将毕加索绘画赝品当作真迹而出售的艺术伪造者。

他表示：“经过训练，我们将获得一个能像毕加索那样绘画的网络，另外还会获得一个以前所未有的鉴别能力来识别图像与绘画的网络。”

对于制药领域而言，这非常重要。在该领域内，隐私问题将会限制可用数据量。生成式对抗网络可以填补缺少的数据，使之生成完全编造的患者数据集，而在训练人工智能方面，这些数据集与真实数据的作用一样。

Goodfellow表示：“我们不希望让患者接受一轮又一轮的试验。我们希望获得少数试验结果，并继而生成更多结果。”

GAN与艺术创作——马如何变为斑马

生成式对抗网络也有其艺术的一面。

想要绘画但却没有天赋？利用位于伯克利的加利福尼亚大学研究人员所构建的一类生成式对抗网络，您可以绘制想要的草图，选择颜色并立即将涂鸦变为绘画。

该伯克利团队的博士研究生Jun-Yan Zhu演示了如何使用生成式对抗网络将马的图片变为斑马图片、将橘子变为苹果、将梵高绘画作品变为塞尚的作品等等。

生成式对抗网络还可以利用低分辨率图像生成高分辨率图像，将航拍图变为照片，并可以完成各类照片处理任务。

Goodfellow表示：“我们可以更改面部的各类特性——嘴唇颜色或者发型——但仍可以确保其依旧是一幅具有高锐化效果的真实面部。”

生成式对抗网络依然面临挑战

Goodfellow表示，还需要对生成式对抗网络开展更多研究，以挖掘其潜力。有时候，生成的图像缺少真实感。生成式对抗网络仍远远不能生成复杂数据。

他认为：“我们确实擅长构建能够生成单一种类图像的生成式对抗网络。真正的困难在于打造能够绘制狗、汽车、马以及世界上所有图像的生成式对抗网络。”