“印钞机”与“验钞机”

人工智能领域有个热词“对抗生成网络”，其实它就是大名鼎鼎的GAN网络。这个网络有意思的地方在于，它是教你“印假钞”的，我们可以把它想象成“验钞机”和“印钞机”的对抗。

这个模型是由两部分组成的，分别是判别器和生成器。生成器的任务是使用原料去生成一种无限逼近“真钱”的“假钱”，判别器的任务是从“真钱”中区分出“假钱”。这个模型之所以叫对抗生成网络，是因为，判别器和生成器在不断地对抗、进化。一开始生成器造出来的“钱”，很粗糙，判别器毫不费劲地判断它是“假钱”。慢慢地，生成器在不断地进步，判别器想要找出“假钱”变得困难了。直到最后，也就是最理想的情况，生成器可以造出足够逼真的“假钱”，而判别器无法看出这种“假钱”和“真钱”的区别。

生成器的原理虽然非常简单，但是它可以生成一些有意义的数据。比如，我们想要一批梵高风格的画，怎么办呢？这里可以用上对抗生成网络的原理。首先，用梵高的所有画作，来训练一个生成器，也就是让生成器模仿梵高画画，同时用判别器做裁判。一开始生成器画出来的是随机的涂鸦，判别器很明显就看出来模仿的画作质量很低。但是，在梵高的画作风格指引下，生成器慢慢模仿，画作越来越逼真了。直到判别器认为，它画出来的画作风格和梵高已经很接近了。这样，就可以用这个生成器去创作大量梵高风格的画作。当然，还可以用一段空白的声音，去生成一段古典音乐，听起来是不是很有意思？

这个方法在人工智能领域非常有价值。人工智能的学习算法往往需要大量标注的数据，但是标注数据非常耗费人力财力，而且有些领域根本没有大量的数据，或者存在数据不均衡等问题。因此我们可以使用这种方法去产生大量的数据，解决数据的问题。

不过，对抗生成模型也存在一些问题。最大的问题就是难以训练，以及训练过程不稳定。也就是说，想要造出足够逼真的“假币”是很难的。因为两张“真钱”的相似度是接近100%的，而用这种方法印出来的两张“假钱”，相似度能到达95%就算很不错的了。因此，这种方法只适用于对生成模型要求没有那么高的领域。

（本栏长期征集“日知录”三字篆刻，投稿邮箱：rizhilu999@163.com）