生成对抗网络（generative adversarial network）
/ JEN-ur-uh-tiv ad-vur-SAIR-ee-ul NET-wurk /
生成对抗网络（简称 GAN），靠让两个网络在一场较量中彼此对抗，学会制造逼真的赝品。其中一个叫「生成器」，扮演造假者：它从随机噪声出发，力图造出以假乱真的假图像（或声音、或数据）。另一个叫「判别器」，扮演侦探：它被递上真例子和造假者的赝品混在一起的一堆，必须判断孰真孰假。造假者想骗过侦探；侦探想抓住造假者。它们一同训练，各自把对方逼着往上走。
妙就妙在，两边都不需要一个人去给每一份输出打分。侦探的学习，来自每猜一次后被告知对错——这就是寻常的监督学习。造假者从不直接看真实数据；它只从侦探的裁决里学习，不断调整自己，好让赝品蒙混过关。一轮轮下来，侦探越来越善于挑出瑕疵，这逼着造假者去补这些瑕疵，又逼着侦探去找更隐蔽的。在理想的终局里，造假者的输出逼真到侦探也只能像掷硬币一样瞎猜——一个移动的靶，追着另一个移动的靶。
GAN 于 2014 年问世，造出了第一批惊人逼真的合成人脸，掀起了图像生成、风格迁移和超分辨率的一波浪潮。但老实起见，必须说出告诫。GAN 出了名地难训练：这场两人博弈可能失衡而失控，还有一种常见的失败叫「模式坍缩」——造假者干脆放弃多样性，翻来覆去只产出那么几张以假乱真的图。它们还得小心提防被滥用——「深度伪造」（deepfake）一词就源自这门技术。而要论最顶级、最可控的图像生成，近年来扩散模型已大体把 GAN 超越，尽管「对抗」这一思想依然影响深远。
拿成千上万张名人照片去训练一个 GAN。一开始，生成器造出的脸糊成一团，判别器一眼就识破。许多轮过后，生成器画出了一些从不存在之人的肖像，逼真到判别器——常常连随意一瞥的人——都再也分不出它们和真照片的区别。
造假者对侦探：唯有竭力击败对方，各自才得以变强。
GAN 的两个网络只有通过竞争才能进步，所以训练很微妙——它可能坍缩成只产出那么几张图（即「模式坍缩」）。而那项造出惊人合成人脸的技术，与深度伪造背后是同一项；能力本身是中性的，用途却未必。