你见过GAN的失败案例有多蠢吗

GAN——Generative Adversarial Network，是在深度学习界出现比较晚的一类训练方式。叫做对抗生成网络，也被简称为对抗学习。

在这种训练模式下，我们会同时训练两个网络，一个用来判别样本的“真伪”——Discriminator网络，一个用来通过噪声捏造一个样本——Generator网络。最后我们希望通过训练让Generator网络生成的样本中有一半的概率能够被Discriminator网络识别为真，或者称生成能够以假乱真的样本。如果有太大比例的生成样本通过了Discriminator网络的检验，则说明Discriminator网络的判别能力还相当差；反之，则说明Generator的生成能力相当差。

这种场景就好像我们设计了一个世界范围内的乒乓球比赛，两个水平高的人同台竞技。比分基本是应该在11:9这种档次的才算是势均力敌，两者水平很高；11:1、11:2这种的就太悬殊了，至少不能说明失败的选手水平与胜利的选手水平相当。

基于这种理论，在世界范围内有数以万计的人在尝试对这种训练模型进行增强，并通过发论文的方式来表现出自己训练出来的Generator网络有多么强的生成能力。例如：

这就是凭空捏造出来的人脸，它不属于任何一个由照相设备采集的真实个人。

再比如上面这种图，把普通的马给捏造成斑马，或者反过来操作；或者把一副风景画从夏天的样子变成冬天的样子，或者反过来操作。

网上处于各种目的对GAN方式歌功颂德的软文很多，总是用各种惊艳的内容来给我们冲击感。不过只要亲自训练过GAN的人都知道，GAN生成的样本中，虽然是有一半可以通过Discriminator网络的检测，但是就这一半而言仍然不能保证里面的内容是好的。由于深度神经网络本身的“缺陷”（或者叫局限性措辞更温和一点）的问题，本身就会有一些在人看来一眼就能识别出的东西，会被它误判。比如就像下面这种情形，在图片上掺杂一些噪声，就会被神经网络误判为别的物体。

所以，GAN这种方式所产生的“意外”其实相当多，而且到目前为止还没有找到非常可靠的克服手段，我们就盘点一下GAN领域的各种“惨案”吧。

就拿前些日子吵得很火的这个由AI生成的被拍出43.2万美元的画作来说吧。

如果不是右下角写了GAN的评价函数

鬼才能知道这是什么玩意儿。不通过50%以上的脑补环节，你确定这是一个人？

还有上面这一坨一坨的稀饭，恕我实在没办法理解这种用GAN生成的艺术。我还是以善意的态度来揣测这次拍卖，是对人工智能技术的鼓励，而不是不怀好意的韭菜大棚众筹。

你觉得像鸟是吧？请告诉我，你用了几分力气脑补？这么模糊的鸟类，生成出来也无法商用吧？估计就是“视觉中国”也没胆量用这种质量的图片收钱。

再比如这种很像大象的东西，说实在的是有点像连体婴儿大象，而且鼻子也很奇怪……

一个在野外骑独轮车的家伙？好像是……然而这种图给小朋友们看是会伤害他们幼小的心灵的。

这个你看上去觉得还不错是吧？

放大了看一样惊悚啊——两个头的金鱼，黄金眼的猫咪，完全看不出纹理走向的墙壁，真是只可远观。

可怕的是，这种事情GAN网络自己是无法感知到的。想让GAN生成让人放心的内容还有很多路要走，无论是学术层面还是工程层面，都有很多问题需要不断解决。所以，GAN这个方向暂时先流程学术界当玩具好了，做产品的人们还是先用靠谱的方法做好手里的产品。