2014年，Ian Goodfellow提出生成對抗網絡(GAN)的概念, 從那之后，生成對抗網絡就一直是學術界的研究熱點, Yann LeCun還稱之為”過去十年間，機器學習領域最讓人激動的點子”。GAN目前的發展如何，能做到什么，未來又有哪些展望？本文編譯自hackernoon的原題為“The New Neural Internet is Coming”的文章。

GAN是什么 -?生成對抗網絡的發展過程

神經網絡是最近很流行的科技熱詞，其核心用途是分類。分類器是自動對輸入值進行分類的機器。分類器輸入的是一個數值向量，叫做特征（向量）。分類器的輸出也是數值，代表分類的結果。分類器的目標就是讓正確分類的比例盡可能高。而生成對抗網絡（GAN）由一個生成網絡與一個判別網絡組成，通過讓兩個神經網絡相互博弈的方式進行學習。是非監督式學習的一種方法。

生成網絡從潛在空間（latent space）中隨機采樣作為輸入，其輸出結果需要盡量模仿訓練集里的真實樣本。

判別網絡的輸入則為真實樣本或生成網絡的輸出，其目的是將生成網絡的輸出從真實樣本中盡可能分辨出來。

生成網絡則要盡可能地欺騙判別網絡。

兩個網絡相互對抗、不斷調整參數，最終目的是使判別網絡無法判斷生成網絡的輸出結果是否真實（直至達到納什均衡）。

如果我們將典型的神經網絡（如圖像分類器）當作神經網絡“大腦”的左半球，那么生成對抗網絡就類似大腦的右半球 ——負責創造力的一個半球。

GAN是培養神經網絡“創造力”的第一步。典型的GAN從隨機噪聲或者潛在變量中，根據特定的關鍵字生成圖像。目前，GAN生成的圖像質量不好，分辨率也有限。但最近NVIDIA取得了新進展：在高分辨率下生成逼真的圖像是可以實現的，他們開放了這項技術的權限。

條件GAN和變分自編碼器

GAN種類繁多，復雜程度、架構和簡稱各有不同。人們最感興趣的是條件GAN和變分自編碼器。條件GAN不僅能夠模仿“臥室”，“臉”，“狗”等大分類的圖像，它生成的圖像分類還可以更細。例如，Text2Image網絡能將對圖像的文字描述，轉換成圖像。

GAN生成的“假房間”、“假狗 ”、“假名人 ”和“假藝術品 ”結果

通過設置“含義”向量的隨機種子，我們能夠產生無限個匹配描述的鳥類圖像。

輸入文字描述“這只小鳥有白色的胸部、淺灰色的頭、黑色的翅膀和尾巴”文字轉化為向量加入隨機種子完成訓練的GAN給出結果

我們眼前的機遇

想像一下兩年后的世界。NVIDIA這樣的公司會將GAN技術發展到成熟的行業水準，就像現在我們能看到的名人頭像生成那樣。這也就意味著，GAN隨時可以按照要求生成任何圖像，你只需要給出文字描述就行了。那么很多攝影和設計相關的產業就會過時。請看下圖分解。

給出不同的隨機種子，這個神經網絡能生成無限個圖像結果。

左邊為輸入的文字描述，右邊為GAN生成的結果。

輸入“我需要牛和海豚合體的照片。 ” 得到圖一。

輸入“我需要牛和海豚分開的照片。”?得到圖二。

輸入“我需要牛和海豚分開，享受生活的照片。 ” 得到圖三。

超級個性化

讓人寒毛直豎的地方在于，這樣的一個網絡不僅輸入它需要生成的目標的描述，還能接收到一個用來描述你，目標消費者，的向量。這個廣告能深度描繪出你的個性，你的網頁瀏覽歷史、最近的交易記錄和地理位置。所以GAN一次性生成的結果，是為你專門打造的。用戶點擊率一定會爆棚。

輸入“穿著我們品牌服裝的女孩兒 ”+金發、加州、夢幻紅色法拉利、優先白色，結果是左下角的圖。輸入“穿著我們品牌服裝的女孩兒 ”+紅棕色頭發、最近搜索過香奈兒、計劃去摩納哥旅行，結果是右下角的圖。

“測量”你的反應之后，神經網絡會進行調整，讓廣告越來越準確的符合你的品味，刺激讓你最興奮的點。

泡沫趨勢

所以，總有一天，網絡上會到處都是完全個性化定制的內容。

所有人看到的內容，都是結合自己生活方式、觀點看法和個人歷史，經過個性化調整的。在美國總統大選中，我們已經目睹了這種泡沫格局的激化，但未來的情況只會越來越糟。GAN可以將為個人生成各種內容，且不受媒體的限制 -從簡單的圖像廣告，到機器生成的復雜觀點，帖子和出版作品，從而創建出一個持續的反饋循環，根據人機交互不斷改進。不同的GAN之間會出現競爭——全面的自動化戰爭，而我們人類就是戰場。 這一趨勢背后的驅動力非常簡單——利潤。

這可不是什么嚇唬人的末日言論，戰爭的號角早已吹響，只是我們還沒看到硝煙。

是好是壞？

我不知道。 但是有些事情已經刻不容緩：這種技術的到來已經不可避免，必須展開廣泛的公眾討論，以及做好喊停的準備。 所以，我們最好現在就開始思考 - 如何能夠在對抗這個過程的同時，從中受益？

技術方面

出于某些技術上的限制，以上描述的未來還沒有成真。 目前，由GAN生成的圖像質量還很差，很容易被發現是假的。 但NVIDIA已經向世界展示，生成1024x1024的逼真面孔是可行的。 如果技術要進一步發展，我們需要更快，更大型的GPU，更多關于GAN的理論研究，更多的訓練GAN的巧妙方法，更多的標記數據集...

注意: 我們不需要新的能源，量子處理器（但這可能有幫助）或者人工智能，來幫我們實現技術進步。 我們所需要的資源在幾年內就能完成，而一些大公司可能已經擁有這些資源。

另外，我們需要更智能的神經網絡。GAN的進展會首先應用于超分辨率技術，給超分辨率技術的進步帶來極大的好處。