生成对抗网络（GANs）
另一个著名的生成式人工智能模型 是生成对抗网络。 我们用伪造游戏作类比， 来解释一下对抗网络如何工作。 假设一个名叫“生成者”的艺术家 想重新创作一幅作品， 让它的逼真度近似一副名画。 而另一个名叫“判别者”的艺术专家 想找到真画和仿品之间的区别。 生成者创作了图像， 而判别者进行评估并给予生成者反馈， 指导下次迭代要怎么改进。 二人一直玩这个游戏， 最后生成者创作的画越来越逼真， 判别者再也不能区分 这幅画和真画之间的差异。 同理， 对抗网络模型也由生成器和判别器组成。 这两个部分在竞争中合作。 所以它才被称为生成对抗网络。 这样，生成器不断改进创作逼真数据的能力， 随着时间推移， 生成器就越来越擅长创作逼真数据。 最后模型开始生成以前不存在的 产品、资产、面孔、任务， 就好像我们前一个部分看到的 文本转换图像技术。 但差异在于， 使用对抗网络时输入一种数据， 如图片或银行交易， 就会获得同样类型的数据。 现在我用三个真实例子说明对抗网络的应用。 首先是奥迪。 他们训练了自己的对抗网络 寻找轮胎设计灵感。 这个过程产生了很多轮胎设计方案， 这些设计是从未存在过的， 从而为奥迪设计师提供灵感， 这样， 设计师可以选择最终决策时想用的设计。 注意，人工智能没有设计最终的轮胎。 它只是轮胎设计师的工具， 帮他们在最终的设计中获得灵感。 第二个是欧洲家电品牌倍科， 他们在可持续宣传片中 利用了定制训练的对抗网络， 这也是我们公司创作和生产的世界上 第一个品牌注资的人工智能影片。 我们用对抗网络 生成闪电、树叶、根系、眼睛、花朵， 实现了从人类到自然的无缝衔接。 对抗网络就有这种卓越的衔接质量。 最后，在监测金融欺诈时， 对抗网络模型还可以生成 欺诈交易的合成版本， 这样就可以训练欺诈检测模型了。 对抗网络最让人惊讶的 是同一个生成式人工智能模型 可以应用于两个截然不同的领域中。 刚看到的是金融欺诈监测 和奥迪轮胎设计两个应用。 之后还会看到， 同样的人工智能模型 还可以为影片制作难以置信的视觉效果， 这种多功能性 就是生成对抗网络模型最大的优势。
下载课程离线学习
下载课程到移动设备，轻松离线学习。在领英学习 iOS 或安卓版 APP 下载课程