GAN對于人工智能的意義是什么？

GAN對于人工智能的意義，可以從它名字的三部分說起：Generative Adversarial Networks。為了方便講述，也緬懷過去兩周在某論壇上水掉的時間，我先從Networks講起。

Networks：(深度)神經(jīng)網(wǎng)絡(luò)

自從12年AlexNet橫空出世后，神經(jīng)網(wǎng)絡(luò)儼然已成為現(xiàn)在learning的主流。比起貝葉斯學(xué)派的強先驗假設(shè)(priori)，SVM在核函數(shù)(kernel)上的反復(fù)鉆研，神經(jīng)網(wǎng)絡(luò)不需要科研者過多關(guān)注細節(jié)，只需要提供好海量的數(shù)據(jù)和設(shè)置好超參數(shù)，便能達到不錯的效果。用武俠小說的方式來說，便是各大門派高手潛心十余載修煉一陽指/九陰真經(jīng)/麒麟臂等神功，比試時卻發(fā)現(xiàn)有一無名小卒內(nèi)力浩瀚如海，出手雖毫無章法可言，但在內(nèi)功的加持下，輕松打得眾人抬不起頭。

Deep系列的算法不僅在眾多benchmark上霸據(jù)榜首，其衍生應(yīng)用也給人工智能帶來了一股新的浪潮，例如創(chuàng)作藝術(shù)品(Gatys 的 Neural Alorightm for Artistic Style)，AlphaGo(CNN估值 + 蒙特卡洛剪枝)，高質(zhì)量的機器翻譯(Attention + seq2seq)等等。這些衍生應(yīng)用在部分任務(wù)上，已經(jīng)能媲美人類中的專家，讓人不禁浮想強人工智能(strong AI)的到來。然而，縱使深度網(wǎng)絡(luò)(Deep Neural Networks)再強大，它也有自己的局限，生成模型上的不盡人意便是其中之一。

Generative(Model)：生成模型

機器學(xué)習(xí)的模型可大體分為兩類，生成模型(Generative Model)和判別模型(Discriminative Model)。判別模型需要輸入變量，通過某種模型來預(yù)測。生成模型是給定某種隱含信息，來隨機產(chǎn)生觀測數(shù)據(jù)。舉個簡單的例子，

判別模型：給定一張圖，判斷這張圖里的動物是貓還是狗

生成模型：給一系列貓的圖片，生成一張新的貓咪(不在數(shù)據(jù)集里)

眾所周知的imagenet-1000圖像分類，自動駕駛的圖片語義分割，人體骨架點的預(yù)測都屬于判別模型，即給定輸入預(yù)測某種特征。實際上12～14年的大部分工作都屬于判別模型，為什么呢，原因之一便是判別模型的損失函數(shù)(loss)方便定義。

回到根源，什么是機器學(xué)習(xí)?一句話來概括就是，在訓(xùn)練過程中給予回饋，使得結(jié)果接近我們的期望。對于分類問題(classification)，我們希望loss在接近bound以后，就不要再有變化，所以我們選擇交叉熵(Cross Entropy)作為回饋;在回歸問題(regression)中，我們則希望loss只有在兩者一摸一樣時才保持不變，所以選擇點之間的歐式距離(MSE)作為回饋。損失函數(shù)(回饋)的選擇，會明顯影響到訓(xùn)練結(jié)果的質(zhì)量，是設(shè)計模型的重中之重。這五年來，神經(jīng)網(wǎng)絡(luò)的變種已有不下幾百種，但損失函數(shù)卻寥寥無幾。例如caffe的官方文檔中，只提供了八種標(biāo)準(zhǔn)損失函數(shù) Caffe | Layer Catalogue。

對于判別模型，損失函數(shù)是容易定義的，因為輸出的目標(biāo)相對簡單。但對于生成模型，損失函數(shù)的定義就不是那么容易。例如對于NLP方面的生成語句，雖然有BLEU這一優(yōu)秀的衡量指標(biāo)，但由于難以求導(dǎo)，以至于無法放進模型訓(xùn)練;對于生成貓咪圖片的任務(wù)，如果簡單地將損失函數(shù)定義為“和已有圖片的歐式距離”，那么結(jié)果將是數(shù)據(jù)庫里圖片的詭異混合，效果慘不忍睹。當(dāng)我們希望神經(jīng)網(wǎng)絡(luò)畫一只貓的時候，顯然是希望這張圖有一個動物的輪廓、帶質(zhì)感的毛發(fā)、和一個霸氣的眼神，而不是冷冰冰的歐式距離最優(yōu)解。如何將我們對于貓的期望放到模型中訓(xùn)練呢?這就是GAN的Adversarial部分解決的問題。

Adversarial：對抗(互懟 )

在generative部分提到了，我們對于貓(生成結(jié)果)的期望，往往是一個曖昧不清，難以數(shù)學(xué)公理化定義的范式。但等一下，說到處理曖昧不清、難以公理化的問題，之前提到的判別任務(wù)不也是嗎?比如圖像分類，一堆RGB像素點和最后N類別的概率分布模型，顯然是無法從傳統(tǒng)數(shù)學(xué)角度定義的。那為何，不把生成模型的回饋部分，交給判別模型呢?這就是Goodfellow天才般的創(chuàng)意--他將機器學(xué)習(xí)中的兩大類模型，Generative和Discrimitive給緊密地聯(lián)合在了一起。

模型一覽

對抗生成網(wǎng)絡(luò)主要由生成部分G，和判別部分D組成。訓(xùn)練過程描述如下

在整個過程中，(火眼晶晶，不錯殺也不漏殺)。而則要使得，即讓生成的圖片盡可能以假亂真。整個訓(xùn)練過程就像是兩個玩家在相互對抗，也正是這個名字Adversarial的來源。在論文中[1406.2661] Generative Adversarial Networks ，Goodfellow從理論上證明了該算法的收斂性，以及在模型收斂時，生成數(shù)據(jù)具有和真實數(shù)據(jù)相同的分布(保證了模型效果)。

從研究角度，GAN給眾多生成模型提供了一種新的訓(xùn)練思路，催生了許多后續(xù)作品。例如根據(jù)自己喜好定制二次元妹子(逃)，根據(jù)文字生成對應(yīng)描述圖片(Newmu/dcgan_code, hanzhanggit/StackGAN)，甚至利用標(biāo)簽生成3D宜家家居模型(zck119/3dgan-release)，這些作品的效果無一不令人驚嘆。同時，難人可貴的是這篇論文有很強的數(shù)學(xué)論證，不同于前幾年的套模型的結(jié)果說話，而是從理論上保證了模型的可靠性。雖然目前訓(xùn)練還時常碰到困難，后續(xù)已有更新工作改善該問題(WGAN, Loss Sensetive GAN, Least Square GAN)，相信終有一日能克服。

從通用人工智能高層次來看，這個模型率先使用神經(jīng)網(wǎng)絡(luò)來指導(dǎo)神經(jīng)網(wǎng)絡(luò)，頗有一種奇妙的美感：仿佛是在辯日的兩小兒一樣，一開始兩者都是懵懂的幼兒，但通過觀察周圍，相互討論，逐漸進化出了對外界的認(rèn)知。 這不正是吾等所期望的終極智能么 -- 機器的知識來源不再局限于人類，而是可以彼此之間相互交流相互學(xué)習(xí)。也難怪Yann Lecun贊嘆GAN是機器學(xué)習(xí)近十年來最有意思的想法

未來智能實驗室是人工智能學(xué)家與科學(xué)院相關(guān)機構(gòu)聯(lián)合成立的人工智能，互聯(lián)網(wǎng)和腦科學(xué)交叉研究機構(gòu)。

未來智能實驗室的主要工作包括：建立AI智能系統(tǒng)智商評測體系，開展世界人工智能智商評測；開展互聯(lián)網(wǎng)（城市）云腦研究計劃，構(gòu)建互聯(lián)網(wǎng)（城市）云腦技術(shù)和企業(yè)圖譜，為提升企業(yè)，行業(yè)與城市的智能水平服務(wù)。