人工智能技術(shù)是通過對(duì)人的大量行為和思維數(shù)據(jù)進(jìn)行分析進(jìn)而得出結(jié)果，這項(xiàng)技術(shù)現(xiàn)在也在多個(gè)行業(yè)發(fā)揮了作用，但是在人工智能的創(chuàng)造性和想象力方面，人工智能也存在局限。對(duì)抗性網(wǎng)絡(luò)的出現(xiàn)，則屬于這方面研究的進(jìn)步。

對(duì)抗性神經(jīng)網(wǎng)絡(luò)的介紹

創(chuàng)造一個(gè)全新的東西需要想象力。這也一直困擾著AI。

解決方案首先出現(xiàn)于2014年在蒙特利爾大學(xué)博士生Ian Goodfellow的學(xué)術(shù)論證中。該方法被稱為生成對(duì)抗性網(wǎng)絡(luò)(generative adversarial network，GAN)，它采用兩個(gè)神經(jīng)網(wǎng)絡(luò)(支持大多數(shù)現(xiàn)代機(jī)器學(xué)習(xí)的人腦的簡(jiǎn)化數(shù)學(xué)模型)，并在“貓捉老鼠”的數(shù)字游戲中讓它們彼此對(duì)抗。

兩個(gè)網(wǎng)絡(luò)都使用相同的數(shù)據(jù)集進(jìn)行訓(xùn)練。其中一個(gè)被稱為生成網(wǎng)絡(luò)，負(fù)責(zé)為它已經(jīng)看到的圖像創(chuàng)建變化，比如可能是一個(gè)帶有額外手臂的行人圖片;第二個(gè)被稱為判別網(wǎng)絡(luò)，被要求判斷它所看到的例圖是像它被訓(xùn)練過的圖像還是生成網(wǎng)絡(luò)產(chǎn)生的虛假圖片，例如，讓它判別那個(gè)三臂人是不是真實(shí)的?

隨著時(shí)間的推移，生成網(wǎng)絡(luò)可以很好地生成圖片，判別網(wǎng)絡(luò)無(wú)法識(shí)別該“假貨”。實(shí)際上，經(jīng)過訓(xùn)練之后，生成網(wǎng)絡(luò)已經(jīng)可以識(shí)別并創(chuàng)建逼真的行人圖片了。

該技術(shù)在過去十年中已成為人工智能領(lǐng)域最具潛力的技術(shù)突破，能夠幫助機(jī)器產(chǎn)生“欺騙”人類的結(jié)果。

對(duì)抗性神經(jīng)網(wǎng)絡(luò)是極具潛力的技術(shù)

判別網(wǎng)絡(luò)，就是對(duì)生成網(wǎng)絡(luò)所生成的假的圖像進(jìn)行辨別，判別網(wǎng)絡(luò)會(huì)準(zhǔn)確的判別出生成網(wǎng)絡(luò)所生成的圖像是否是真實(shí)的，并且會(huì)鑒別其與真實(shí)事物的相似程度，然后將數(shù)據(jù)反饋給生成網(wǎng)絡(luò)，之后，生成網(wǎng)絡(luò)再次模擬生成一副假的圖像，在這個(gè)反復(fù)的過程中，生成網(wǎng)絡(luò)所生成的圖像會(huì)越來越逼真，直到判別網(wǎng)絡(luò)無(wú)法識(shí)別為止。此時(shí)，生成網(wǎng)絡(luò)所生成的圖像，已經(jīng)足以亂真了。說得通俗一點(diǎn)，通過對(duì)抗性神經(jīng)網(wǎng)絡(luò)，機(jī)器可以產(chǎn)生足以欺騙人類的成果，當(dāng)然，對(duì)抗性神經(jīng)網(wǎng)絡(luò)屬于新興的人工智能技術(shù)，還需要不斷發(fā)展。

然而可喜的是，即使是現(xiàn)在，對(duì)抗性神經(jīng)網(wǎng)絡(luò)所生成的語(yǔ)音以及圖片已經(jīng)完全可以達(dá)到以假亂真的地步，這足以證明這項(xiàng)技術(shù)是極具潛力的。未來機(jī)器會(huì)變得更為強(qiáng)大。除了對(duì)抗性神經(jīng)網(wǎng)絡(luò)，還有另外一項(xiàng)人工智能技術(shù)非常值得我們關(guān)注，這項(xiàng)人工智能技術(shù)的主旨就是讓機(jī)器能夠復(fù)制人腦的學(xué)習(xí)方式。對(duì)人工智能有所了解的人都知道，人工智能技術(shù)中，機(jī)器學(xué)習(xí)和深度學(xué)習(xí)是人工智能的核心，但是這些不過只是一種算法編程，其與真實(shí)人腦的學(xué)習(xí)方式是截然不同的，然而要讓機(jī)器人變得足夠強(qiáng)大，擁有自主意識(shí)就必須讓機(jī)器人擁有近似于人腦的運(yùn)行方式。

對(duì)抗性神經(jīng)網(wǎng)絡(luò)的應(yīng)用介紹

生成式對(duì)抗網(wǎng)絡(luò)(GAN, Generative Adversarial Networks )是一種深度學(xué)習(xí)模型，模型通過框架中(至少)兩個(gè)模塊：生成模型(Generative Model)和判別模型(Discriminative Model)的互相博弈學(xué)習(xí)產(chǎn)生相當(dāng)好的輸出。原始 GAN 理論中，并不要求 G 和 D 都是神經(jīng)網(wǎng)絡(luò)，只需要是能擬合相應(yīng)生成和判別的函數(shù)即可。但實(shí)用中一般均使用深度神經(jīng)網(wǎng)絡(luò)作為 G 和 D 。一個(gè)優(yōu)秀的GAN應(yīng)用需要有良好的訓(xùn)練方法，否則可能由于神經(jīng)網(wǎng)絡(luò)模型的自由性而導(dǎo)致輸出不理想。

在年齡估計(jì)中，GAN能通過攻守互搏，基于給定的人臉圖像實(shí)現(xiàn)對(duì)其人衰老或年輕時(shí)的樣貌生成。

在多視角人臉識(shí)別、跨視角步態(tài)識(shí)別領(lǐng)域，采用類似的機(jī)理，實(shí)現(xiàn)對(duì)人臉角度和步態(tài)角度的自動(dòng)旋轉(zhuǎn)，從而有效提高了多視角、跨視角人臉和步態(tài)識(shí)別的精度。

在自動(dòng)駕駛領(lǐng)域，需要對(duì)智能汽車進(jìn)行復(fù)雜環(huán)境下的虛擬訓(xùn)練。此時(shí)，就可以利用GAN來實(shí)現(xiàn)與實(shí)際交通場(chǎng)景分布一致的圖像生成。具體來說，可以先給GAN輸入一張隨機(jī)噪聲圖像，通過其生成器來最小化與真實(shí)場(chǎng)景接近的圖像，同時(shí)判別器最大化生成場(chǎng)景與真實(shí)場(chǎng)景間的差異。經(jīng)過反復(fù)迭代的攻守博弈，從而獲得與真實(shí)環(huán)境一致的交通場(chǎng)景。

如果能夠讓機(jī)器復(fù)制人的學(xué)習(xí)方式，機(jī)器人的研究和制造難度將會(huì)直接降低。在一些特殊領(lǐng)域都能夠使用人工智能技術(shù)，人工智能所能發(fā)揮的作用也將增加。