當前，人工智能的計算力、識別力快速發展，但想象力、創造力仍有不足。為(wei) 破解這一局限，科學家設計出一套類似“貓鼠遊戲”的技術，讓人工智能在自動學習(xi) 中變得更“聰明”。

這種技術被稱為(wei) “對抗性神經網絡”技術，美國《麻省理工學院技術評論》日前將其評為(wei) 2018年“全球十大突破性技術”之一。

人工智能的識別能力有賴於(yu) 海量樣本學習(xi) ，比如給它“看”數以百萬(wan) 計的鳥類圖片，它才能“學會(hui) ”辨認鳥類，而生成逼真的鳥類圖像則更難。其局限性在於(yu) ，有些事物缺乏海量樣本，而且這種學習(xi) 還依賴人類的“灌輸”，缺少自主性。這限製了人工智能的發展，特別是向想象力、創造力這種更高層次的進階。

美國人伊恩·古德費洛2014年在加拿大蒙特利爾大學讀博士時想出一套設計方案：用兩(liang) 個(ge) 神經網絡，進行數字版的“貓鼠遊戲”——一個(ge) 負責“造假”，一個(ge) 負責“驗真”，從(cong) 而在對抗中不斷提高。

負責“造假”的神經網絡稱為(wei) “生成網絡”，它依據所“見過”的圖片來生成新圖片，這需要它總結規律、發揮想象力和創造力；負責“驗真”的神經網絡稱為(wei) “判別網絡”，它需要憑訓練累積的“經驗”，來判斷某張圖片是真實事物，還是生成網絡“自創”的“假貨”。

生成網絡並非一開始就足夠“聰明”，比如它可能“認為(wei) ”鳥類會(hui) 有3條腿，這樣的“假貨”當然很容易被發現。但隨著機器學習(xi) 的深入和反複對抗練習(xi) ，生成網絡對事物的理解越發深刻，最終生成足以“以假亂(luan) 真”的作品。

這樣的神經網絡具有廣泛應用價(jia) 值。比如在自動駕駛領域，人工智能如果創造出海量接近真實的合成圖片，包含各種情形下的行人、障礙物等路況，自動駕駛係統使用這些圖片展開自我訓練，將有助於(yu) 大幅提高應用性。

香港中文大學教授李鴻升認為(wei) ，除了在機器翻譯、人臉識別、信息檢索等諸多方向的具體(ti) 應用，對抗性神經網絡的價(jia) 值和意義(yi) 還在於(yu) 其蘊含的對抗性思想，這有助於(yu) 改進現有人工智能算法。

從(cong) 技術上看，對抗性神經網絡已經接近成熟。來自美國芯片企業(ye) 英偉(wei) 達的研究人員用明星照片訓練出一套係統，進而生成了數百張根本不存在但看起來很真實的人臉照片。還有研究團隊讓係統生成看起來十分逼真的梵高油畫。

展現巨大潛力的同時，這項技術發展帶來的負麵影響也不容忽視。比如不法分子可能利用此類係統製造出圖片甚至視頻來混淆視聽，給監管、安全帶來新挑戰。古德費洛就表示，他當前的研究重心就在於(yu) 避免這類技術的濫用問題，希望它“不至於(yu) 誤入歧途”。

中國科學院自動化研究所副所長劉成林介紹說，中國的研究機構目前致力於(yu) 研究對抗性神經網絡理論的進一步改良及優(you) 化。對抗性神經網絡的理論基礎、算法和應用，都還有很大的發展空間。

中國企業(ye) 界則更傾(qing) 向於(yu) 把技術應用在服務中，並在一些領域達到了業(ye) 界領先。比如，利用這項技術構建語音識別框架，或借此技術生成訓練數據集以優(you) 化車牌精準識別功能。