可以穿得過任何盾的矛與可以阻擋任何武器的盾,相互撞擊的結果會是如何?

那麼,最強的AI跟另一個最強的AI在相對的勝利條件下對決,結果又是如何?

1.深度學習的啟蒙

深度學習開始變得如此有名,發端可以說是在2012年的ImageNet Large ScaleVisual Recognition Challenge。加拿大的多倫多大學的團隊使用深度學習在1200萬張圖片與1000項分類,達到壓倒性的精確度而拿到冠軍。

過了幾年後,深度學習在圖像的分辨領域急速擴大發展,也有了革命性的突破。Facebook、Microsoft,Apple,Google,Amazon,百度等資訊企業也開啟了你死我活的深度學習開發大戰。

然而,新的技術出現了:生成對抗網路(Generative Adversarial Network, GAN)。這個技術帶來了什麼樣的巨變呢?

2.過去的機器學習

向來的機器學習的方式是同時給予答案與問題。例如會給「狗狗的圖片」也會同時給「這是狗狗」的答案。讓電腦學習這張照片是一隻狗狗,然後電腦再萃取特徵量。重複這樣的步驟,學習擁有這項特徵量的就是狗。但是,如果學習量太少,下一張狗的圖片與學習過的狗狗不大像的時候,電腦就會無法辨別這是隻狗了。所以過去的方式是,提高學習量,一個一個輸入圖片與答案的監督式學習(Supervised Learning)。

3.Ian Goodfellow的生成對抗網路(GAN)

然而生成對抗網路則是非監督式學習(Unsupervised Learning),是寫了「深層學習(Deep learning)」一書的Ian Goodfellow提出的模式。非監督式學習跟監督式學習最大的不同的地方是有沒有事先給答案。例如圖片判別的來說,非監督式學習不會事先給圖片的答案,會讓電腦萃取情報量,再定義有這些情報量的圖片是什麼。所以反其道而行,如果情報量夠多,可以製造多張類似情報量的圖片。

生成對抗網路裡面有Generator與Discriminator兩種系統。拿我的圖片當例子來說,Generator致力於產生與本尊相似的仿造圖片,Discriminator判別本尊與仿造圖片。

兩者相互較勁,Discriminator判別得越來越厲害,Generator產生仿照品越來越厲害,互相競爭。有點類似軍備競賽或是抗生素與細菌的抗藥性,相互切磋提升各自的性能。

4.生成對抗網路(GAN)的衝擊

2016年12月在西班牙的Neural Information Processing Systems (NIPS) 裡面,中國百度人工智慧研究所長Andrew Ng提到機器學習的潮流。「圖片辨識與聲音辨識等,帶來諸多革新技術的深層學習技術向來以Convolutional Neural Network或是Recurrent Neural Network的監督式學習為主。但可以從最近的研究論文看來,未來的深層學習技術會以生成對抗網路GAN來帶頭發展。」

GAN的登場可以說人工智慧已經脫離分析的作業,還可以做產生新的東西的作業。今後這個威力應該會在眾多領域上應用了。

5.生成網路(GAN)的應用範圍

GAN現在被應用在圖片修復,監測預測系統,新藥開發等領域。實際上,利用GAN技術研發的Insilico Medicine,測試了320萬人的遺傳資訊與650萬人份的血液樣本,查出了候選藥物。

應用在圖像預測系統也有幾個研究正在進行。比如說畫完骨架與基本配色後,剩下的由GAN來負責執行。或是從一張圖片前後預測1.5秒的狀況,這項技術對於監視器或是自動駕駛的應用範圍也很多。

GAN的出現讓我們多了對人工智慧的應用,但到能真正幫助到我們的生活,可能還需要幾年的時間。