这一切是怎么开始的?

生成式对抗网络进展

将典型的和经过良好研究的神经网络(如图像分类器)看作是神经网络技术的大脑左半球。考虑到这一点，很容易理解什么是生成式对抗性网络。它就是大脑右半球——声称对创造力负责的那个半球。

生成式对抗网络(GAN)是神经网络技术学习创造力的第一步。典型的GAN是一个经过训练的神经网络，它使用图像数据集和一些随机噪声作为种子来生成特定的主题图像。到目前为止，GAN所创建的图像质量很差，分辨率也很有限。英伟达最近的研究表明，在高分辨率的情况下，它能够生成逼真的图像，并在open-access中发布了这项技术。

GAN图像的例子。有些是好的，有些是不好的

带条件的GAN（Conditional GAN）和变分自动编码器

有许多各种各样的复杂的GAN类型。我们主要关心的是有条件的GANs和变分自动编码器。带条件的GAN不仅可以模仿“卧室”、“脸”、“狗”等宽类型的图像，还可以深入到更具体的类别中。例如，Text2Image网络能够将文本图像描述转换为图像。

通过被连接到“意义”向量的不同的随机种子，我们能够产生无限数量的鸟类图像，以匹配描述。

机会

GAN将能够根据文本描述生成任意图像。这将淘汰一些摄影和设计相关行业。下面是它的工作原理。

GAN可以通过随机的种子产生无限数量的图像。

个性化

这是让人可怕的部分。这样的网络不仅可以接收它需要生成的目标对象的描述，还可以接收描述你作为广告消费者的信息，可以对你的个性、网页浏览历史、最近的交易和地理定位有一个非常深刻的描述，所以GAN会产生一次性的，独特的，并且非常适合你的图像。CTR正在飞速发展。

通过测量你的反应，GAN将针对你的弱点打造更适合你的广告。

泡沫趋势

所以，在一天结束的时候，我们将会在互联网上看到一个完全个性化的内容。

每个人都将看到所有内容的完全定制版本，这是根据他的生活方式、观点和历史来定制的。在最近的美国大选之后，我们都目睹了这种泡沫格局的激化，情况将变得更糟糕。GAN将能够精确地将内容定位给你，并且不受任何媒体的限制——从图像广告开始，到复杂的观点和出版物，这些都是由机器产生。这将创建一个持续的反馈循环，根据你的交互不断进行改进。而且会有不同的GAN之间的竞争。这是一场完全自动化的战争，以人类为战场。这种趋势背后的驱动力极其简单——利润。

这不是一个可怕的末日场景，而是在今天实际发生的。

这是好是坏?

我也不知道。但是，我们确实需要一些东西:对这一技术不可避免的到来的广泛公众讨论和一个阻止它的备份计划。所以，最好现在就开始思考——我们如何能与这个过程抗争，同时从中获益。

技术

最近遇到了一些技术上的限制，GAN所生成的图像质量都很差，而且很容易被发现是假的。英伟达表示，它实际上可以生成1024x1024个非常真实的面部。为了推动技术发展，我们需要更快更大的GPU，更多关于GAN的理论研究，更多的关于GAN训练的技巧，更多的标记数据集等等。

请注意，我们不需要新的动力源，量子处理器（但是他们确实有帮助），一般人工智能满足需求和其他一些纯理论的东西。我们所需要的只是几年时间，大公司就可能已经拥有了这样的资源。

此外，我们还需要更智能的神经网络。我肯定希望Hinton等人在胶囊方法上取得进展，当然，我们将会率先在超分辨率技术中实现这一目标，这将极大地受益于GAN的进步。