要是你還沒聽過「生成對抗網路」（Generative Adversarial Network，GAN）這幾個字的話，別擔心，你很快就會聽見。
深度學習領域最熱門的主題 GAN 一如其名，有機會打造出在減少人類幫助的情況下，學習更多知識的系統。
只要問問在2014年提出 GAN 概念的 Ian Goodfellow 就好。當時為蒙特婁大學博士生、現為 Google 研究科學家的 Goodfellow，上週在 GPU 科技大會對一群入迷忘神的聽眾們介紹 GAN 的研究成果及研究它的原因。
GAN 去除了推動人工智慧發展的最大阻礙之一，尤其是在推動深度學習方面，也就是需要大量人力的介入。
生成對抗網路：「過去十年間最有意思的想法」
人工智慧研究先驅，也是 Facebook 的人工智慧研究主管 Yann LeCun，稱 GAN 是「過去十年間在機器學習領域最有意思的想法。」
舉例來說，通常神經網路要先分析數萬張貓咪的照片，再從中學習如何辨識，可是這要人類仔細在每張照片上標示內容，這些照片才能用於訓練神經網路，而這是一項勞民傷財又耗時的工作。
警察 vs. 偽造者：GAN 大量刪減深度學習所需的資料量
GAN 大幅減少訓練深度學習演算法所需的資料量，解決了這個問題，且提供一套訓練深度學習演算法的獨特方法，也就是從現有資料建立加上標籤的資料（在多數情況下就是影像）。
研究人員並非訓練單一神經網路，而是訓練兩個相互競爭的神經網路。繼續以貓咪為例，生成器網路試著創作出看起來像真貓的假貓圖片，而判別器網路則是檢視貓咪圖片並試著判斷真假。
「可以把這個想像成警察和偽造者之間的角力，偽造者想要做出看起來像是真的的偽幣，而警察則是要從任何特別的紙鈔中判斷真偽。」Goodfellow 說。
弄假成真之際：相互較勁的神經網路
兩個切磋的網路相互從中學習，一個努力找出偽造的圖片，另一個則是在製作出難辨真偽的圖片方面，功力更為進步。
NVIDIA 創辦人暨執行長黃仁勳在他的 GTC 主題演講裡稱 GAN 為一項「突破性的發展」，拿製作藝術贗品的人試著冒充畢卡索畫作的限制，企圖製作出真跡般畫作的過程來對照。
「在經過訓練後，這個神經網路能畫出跟畢卡索一樣風格的作品，而另一個神經網路則能以前所未聞的鑒別能力來辨識影像和畫作。」他說。
這對於醫學等因隱私考量而無法獲得大量資料的領域來說尤為重要，GAN 可以填補缺失的資料，全面編造出病患資料，在真實度上能用來訓練人工智慧。
「你不會想要患者一而再再而三地接受測試，而是想要進行幾次測試後，就能產生出更多資料。」Goodfellow 說。
馬怎麼會變成斑馬
GAN 還有著藝術天份。
想畫畫又沒有天份嗎? 你可以使用一套由加州大學柏克萊分校研究人員發展出的 GAN，隨手粗略畫出草圖、挑選顏色，它立即將你潦草的塗鴉變成畫作。
這支研究團隊裡的博士候選人 Jun-Yan Zhu，展示如何使用 GAN將一張圖片裡的馬變成斑馬、橘子變成蘋果、梵谷變成塞尚。
GAN 還會將低解析度的圖片產生出高解析度的圖片、將航空圖變成照片，以便進行各種合成加工。
「你可以進行各種加工，像是改變唇色或髮型等臉上的各種特徵，但依舊能保證它還是一張顏色非常銳利、真實度又極高的臉孔。」Goodfellow 說
GAN 的挑戰仍然未減
Goodfellow 說還需要對生成對抗網路進行更多研究，才能充分發揮所長。偶爾產生出的影像看起來相似度不高，加上 GAN 還無法產生出複雜的資料。
「我們非常擅長於製作出能生成某類影像的 GAN，難就難在製作出能畫出狗、貓、馬和世界上各種影像的 GAN。」
如需更多 GAN 運作方式的技術資訊，請見我們的 Parallel for All 部落格上《Photo Editing with Generative Adversarial Networks》一文。