IanGoodfellow详解GANs诞生始末没有重现谈何理解_[#第一枪]

发布时间：2021-06-07 14:43:43 阅读：次来源：草莓厂家

雷锋网 AI 科技评论按：Ian Goodfellow 作为当代人工智能最为瞩目的研究者之一，不论是作为 Yoshua Bengio 的得意门生，还是在 OpenAI 及谷歌间跳槽辗转，他的一举一动都饱受关注。但奠定他人工智能地位的重要一着，当属 Goodfellow 提出的生成式对抗网络（GANs）了，在 2016 年年底，他也在 NIPS 大会上分享了研究成果。日前，Wired 对 IanGoodfellow 进行了采访，了解了 GANs 的研究起源，雷锋网进行编译，并做了不改动原意的编辑和修改。

1988 年 2 月 15 日，也就是1965 年诺贝尔物理奖得主理查德·费曼因腹膜癌逝世的那一天，他教室的黑板留下了这样一句话：「我不能理解我无法创造之物。」这句名言被谷歌大脑团队的 Ian Goodfellow 用来解释人工智能的设计逻辑：「人工智能无法理解它不能创造的东西。」

「生成模型」是 Goodfellow 在谷歌建立的一个新的研究小组，系统能够创建图像、声音及其它真实世界的表征。Goodfellow 引用了费曼的话，认为这是实现人工智能的必由之路。

时间追溯到 2014 年，当 Goodfellow 还在蒙特利尔大学读博之时，他在一次醉酒的讨论中激发了构建一种名为「generative adversarial networks」，也就是 GANs 的 AI 技术。

现在，对 GANs 有粗略了解的学者都能说出这个观点的核心概念：一个生成器生成图像；一个判别器判断图像的真假。Goodfellow 表示：「你可以把两者理解为艺术家与评论家，前者想骗过评论家的眼睛，让他相信自己所呈现的画是真的。」因此，两者就能够在这个过程中不断提升各自的水平，直到摆脱人类的指导。

Facebook 首席科学家，深度学习三大巨头的 Yann LeCun 认为，「GANs 是近 20 年来深度学习领域诞生的最有意思的想法。」

深度学习作为人工智能的一个分支，改变了以谷歌、微软、亚马逊及 Facebook 为代表的互联网巨头的发展方向。虽然 Goodfellow 的想法还有待完善，但这一想法已经迅速扩展到整个 AI 界。包括 LeCun 在内的很多研究者认为 GANs 是实现无监督学习的可能路径。

而 Goodfellow 又是在怎样偶然的情况下设计出 GANs 的呢？他当时在 Les 3 Brasseurs 酒吧，和很多好友一同饯别博士毕业、如今就职于 DeepMind 的 Razvan Pascanu。其中一人谈到了他正在做的研究，即用统计学的方式将照片数据输入计算机，使之创建图片。当时 Goodfellow 认为这个想法不可能行得通，因为这涉及太多的统计学数据了。但在同时，他想到了一个更好的方法：神经网络能够教机器如何生成真实的图片。

Goodfellow 提出，可以构造两个神经网络，一个能学习生成真实图片，另一个能够判断真伪并给予反馈，通过这样的方式，他认为可以教会神经网络如何生成非常逼真的图片。

当时这个想法遭到了朋友的反驳，他们认为这个方法并不管用。而在聚会结束之后，微醺的 Goodfellow 回到家，「我感觉有点醉，而女朋友已经睡着了。我就在笔记本电脑上彻夜编出了 GANs 模型。实在是非常幸运，如果没有那晚的成功，可能我就放弃了这个想法。」

随后，Goodfellow 根据当晚的想法与几位研究者提出了 GANs 的概念，在第一篇论文里，两个神经网络通过生成式对抗学习，生成了手写数字的图片。而在接下来的三年间，上百篇论文都围绕这一概念进行探索。如今，从猫到火山再到星系，几乎任何事物都能当作生成图片的对象，甚至，它还协助了天文实验及物理学的研究。

尽管想法美好，现实却推进困难。毕竟要训练的神经网络不是一个，而是两个。Goodfellow 在谷歌建立的 GANs 研究团队目前所做的，就是尽可能地精简研究过程。「作为一名机器学习研究者，我需要研究可靠的训练方式。」

而除了生成图片与声音，系统还能够识别音画。能在少量人为干预的情况下，系统就能学到更多的知识。「模型能够理解世界如何构成，」Goodfellow 表示，「而且能在不进行明确告知的情况下进行学习。」

GANs 甚至能实现无监督的学习，实际上这一理念还没有化为现实。目前，神经网络能通过分析百万张猫的照片而成功识别，但需要人类大量进行人为标记，而且涉及人类的深度参与。人类的介入也一直成为 AI 研究者所考虑的问题。以 LeCun 为代表的研究者正在努力推进无监督学习系统，毫无疑问，这将推进人工智能的发展。

但这只是开始。GANs 将带来更多的可能性。南加利福尼亚大学的 AI 研究员 David Kale 认为，因为 GANs 能生成伪造数据，因此它能够在不侵犯用户隐私的前提下构建医疗 AI。机器学习得以在这些新生成的数据上进行训练。Kale 表示，「比起将患者数据放到互联网上（承受可能带来的隐私风险），为何我们不能训练 GANs 生成一个数据集，再用于其它领域的研究呢？」

有许多研究者在探究 GANs 背后的奥秘，而 Goodfellow 则打算在谷歌建立一个专门的团队。在离开谷歌加入 OpenAI 一年之后，他又重回谷歌，为了更好地与合作者们沟通。「花费一整天视频通话并不好玩，也不是解决工作的最佳途径。」

分享诚然重要，但密切的合作亦是如此——不论是 AI 研究者还是神经网络，都是一样。

via wired，编译

雷锋网版权文章，未经授权禁止转载。详情见转载须知。