当Ian Goodfellow解释他在谷歌大脑所做的研究时，他引用了原子物理学家、加州理工学院教授兼畅销书作家的这句格言。但是，Goodfellow不是指自己，也不是Google内的任何其他人。他谈论的，是机器：“AI不能创造的，便是它不明白的（What an AI cannot create, it does not understand）”。

Ian Goodfellow在推特上转发这篇文章：

关于GAN的诞生往事

Goodfellow是世界上最重要的AI研究人员之一，在Elon Musk和Sam Altman建立的谷歌大脑竞逐对手OpenAI短暂工作后，他返回谷歌，建立了一个新的研究小组，探索“生成模型”——一个可以创造现实世界的照片，声音和其他表征的系统。 Goodfellow引用Feynman的名言，将这一努力描述成通往各种人工智能的重要途径。

他解释说：“如果AI能学习如何想象现实的图像和逼真的声音——这将鼓励AI了解世界的实际结构。它可以帮助AI理解它看到的图像或它听到的声音。”

 几杯啤酒后诞生的 

 “20年来最酷的深度学习思想” GAN 

▼

2014年，当时还在蒙特利尔大学读博士的Goodfellow，在一家酒吧微醺后，想到了一种称为“生成对抗网络（generative adversarial networks）”或GAN的AI技术。尽管这个想法来自几罐啤酒，其仍不失为一个非常优雅的设计：一个AI尝试创造它认为真实的图像，而第二个AI分析结果，并尝试确定图像是真实还是假的。 Goodfellow说：“你可以把它们当作艺术家和艺术评论家，生成模型想要愚弄艺术评论家 ——让艺术批评家把它所产生的图像当成真的”。因为第二个AI努力地识别造出来的假图像，所以第一个AI得以学会模仿真实世界。这种方式，是一个单独的AI无法完成的，。在这个过程中，这两个神经网络可以将AI推向某一天，电脑宣布独立于他们的人类老师。

监管Facebook人工智能研究的Yann LeCun将GAN称为“过去20年来最酷的深度学习思想”。深度学习是一种AI，它正在改变所有互联网最大的公司的方向，包括谷歌，微软，和亚马逊，以及Facebook。 Goodfellow的想法还在不断发展，但它们已经快速传遍AI社区。许多研究人员，包括LeCun，相信他们可以导致“无监督学习”，这是AI研究领域的巨大愿望：机器学习无需人类的直接帮助。

 做正确的事 

▼

Goodfellow得到这个灵感时，是位于蒙特利尔酒吧名为Les 3 Brasseurs，或“三个酿酒师”的酒吧。他的朋友Razvan Pascanu，现在是Google的另一个AI实验室DeepMind的研究员，彼时刚完成了他的博士学习，很多朋友聚集一堂送别他。其中一个正在描述一个新的研究项目，试图用数学方法确定进入照片的所有内容。这个想法是将这些统计信息输入一台机器，以便它可以自己创建照片。半醉中，Goodfellow说这是永远不会有效的 —— 要考虑的统计量太多，没有人能全部记录下来。就在这一刻，他想到了一个更好的方法：神经网络可以教会机器如何建立逼真的照片。

神经网络是一种比较复杂的数学思维，它通过识别照片中的人脸和口语理解分析大量数据来进行学习任务。

在酒吧里，Goodfellow决定使用现实的照片来构建神经网络学习，然后可以与其他进行对比，来试图辨别照片是否为假，实际上，这一切是依据它们第一次的感觉来判断。

他表示通过这种方式，它最终可以成为第一个使用神经网络生成并与真实事物无法分辨的虚假图像。

争议随之而来，Goodfellow的朋友们坚持认为这种方法行不通。所以当他晚上到家的时候，他开始进行这项试验。“当我回家的时候我有点喝醉了，我的女朋友也已经熟睡了。”

我坐着那儿思考：酒吧里我的朋友们他们都想错了！他回忆着说，当时我连夜在笔记本电脑里完成了GANs的代码。

按照他的说法，程序代码第一次测试就正常运行了。“这是真的，真的很幸运，”他说道，“如果不是因为第一次代码就成功，我可能已经放弃这个想法了。”

他和其他的一些研究人员在那年晚些时候发表了一篇论文，阐述了这个想法。在那之后的三年，已经有数百篇论文来探讨这一概念。

 更智能的AI 

 也许不再需要人类 

▼

在第一篇论文中表示，这两种神经网络可以产生一种能够生成手写数字的现实图像的系统。

如今，研究人员正将这个想法在从猫到火山再到整个星系的各种照片上应用。

它甚至可以帮助进行天文学试验和模拟粒子物理学试验。但这仍然是一件非常困难的事情，它不仅需要训练一个神经网络，还需要两个神经网络同时运行。

在谷歌，他成立了一个专注于GANS和相关研究的新团队，Goodfellow希望能优化这一过程，他表示道：“最重要的是，作为一名机器学习研究者，我得不断对它们进行有效的训练。”

最终的结果：神经网络系统不仅能够更好地生成图像与声音，还能识别它们，这是一种能够在人类的辅助下获得更多的信息的系统。系统模型会尝试学习并理解世界的构造。Goodfellow表示道：可以帮助系统在没有明确背景信息的情况下尽可能多的学习。

GANs甚至可能达到一项迄今未能实现的目标，即在无人监管的情况下自主学习。目前，神经网络可以通过分析上百万幅猫的图片学会对其进行识别，在此过程中，人类必须仔细对这些图片进行分析并进行标注。目前，人类仍在机器学习中不可或缺，而随之带来的个人偏见和对大量人类劳动的需求，常常正是AI训练的问题所在。诸如LeCun等AI研究学者正着力推动可显著加速AI发展进化，无须大量人类参与的学习系统研究。

然而这仅仅是开始。GANs将带来许多其他可能。David Kale,南加州大学的AI研究学者，相信这个创意可以帮助他和他的同事在不侵犯患者隐私的情况下来建立一个健康护理AI。机器学习系统可以基于假想数据替代真实数据进行训练。“比起把病人病历大规模上传到网络供人使用，为什么不创造一个向研究者开放的完全虚拟数据库以训练GANs呢？”Kale说，“如果基于该数据库的训练模型和原始数据训练结果毫无差异，我们又何乐而不为呢？”