Day 25 - 当AI有了常识之後, 超越人类? -GAN(1)

当AI有了常识...

深度学习领域的巨擘，同时也是Facebook的AI研究院长杨立昆（Yann LeCun）,director of Facebook’s AI research group ,曾表示对抗训练是有史以来最酷的技术（Adversarial training is the coolest thing since sliced bread），对於GAN他也说：「它为创建无监督学习模型提供了强有力的算法框架，有望帮助我们为AI加入常识（common sense）。我们认为，沿着这条路走下去，有不小的成功机会能开发出更智慧的AI。」link1 link2

电影情节-好人与坏人合作

如同警察与小偷, 军情局与白帽骇客 (https://zh.wikipedia.org/wiki/%E9%BB%91%E5%AE%A2） 。

1999年4月30日，CIH病毒(又叫 车诺比 Chernobyl 病毒) 第一次发作後4天，台湾警方追查出此病毒的原创者，当时在军队服役中的陈盈豪，便被刑事警察局约谈，由於当时中华民国没有任何对於电脑病毒的刑事法令，陈盈豪获不起诉处分，民事部份也无受害者提出告诉。

2000年4月25日，在任职公司美商网虎陪同之下，发布「CIH」的免疫程序,曾经在美商网虎及技嘉科技公司工作过，并与刑事局定时连络，协助开发过滤诈骗电话的预警功能。他也固定到军情局、刑事局讲授网路犯罪课程。

link
军情局与白帽骇客合作, 竞争得更好结果的概念, 一起找出最佳方式。

生成对抗网路 Generative Adversarial Network GAN

WIKI

Generative Adversarial Network 生成对抗网络（英语：Generative Adversarial Network，简称GAN）是非监督式学习的一种方法，通过让两个神经网络相互博弈的方式进行学习。该方法由Ian Goodfellow等人於2014年提出, link。生成对抗网络由一个生成网络与一个判别网络组成。

• 生成网络从潜在空间（latent space）中随机取样作为输入，其输出结果需要尽量模仿训练集中的真实样本。
• 判别网络的输入则为真实样本或生成网络的输出，其目的是将生成网络的输出从真实样本中尽可能分辨出来。而生成网络则要尽可能地欺骗判别网络。
• 两个网络相互对抗、不断调整参数，最终目的是使判别网络无法判断生成网络的输出结果是否真实。

突破

以往训练神经网路常是透过人类提供大量标记资料供机器分析练习（即监督式学习）比如知名的围棋人工智慧AlphaGo前期的训练，便是针对人类输入的大量棋谱进行监督式学习（後期开始自我对弈的训练则是非监督式学习，某种层面上也有点对抗训练的概念）
而GAN透过自己相互对抗的生成与监别网路，大幅减少资料量的需求，也为非监督式学习提供了更为进步的方法。

• Nvidia公司的GAN则是将白天的街景转为夜晚，作为自动驾驶车辆的训练样本，解决夜晚图像资料不足的问题
• 除了生成资料降低企业成本之外，GAN也可以作为非监督学习的重要训练方法，尽管还有许多问题需要改良修正，GAN在未来依旧可能真正实现「完全不靠人类就能自主学习的AI」，其技术上的突破将会是人工智慧的发展趋势。

注:本文是搜寻数个网站及各种不同来源之结果,着重在学习,有些内容已难办别出处,我会尽可能列入出处,若有疏忽或出处不可考,请联络我, 我会列入, 尚请见谅。