當前，人工智慧的計算力、識別力快速發展，但想像力、創造力仍處瓶頸。為破解這一局限，科學家設計出一套類似“貓鼠遊戲”的技術，讓人工智慧在自動學習中變得更“聰明”。
這種技術被稱為“對抗性神經網路”技術，美國《麻省理工學院技術評論》日前將其評為2018年“全球十大突破性技術”之一。
人工智慧的識別能力有賴於海量樣本學習，比如給它“看”數以百萬計的鳥類圖片，它才能“學會”辨認鳥類，而生成逼真的鳥類圖像則更難。其局限性在於，有些事物缺乏海量樣本，而且這種學習還依賴人類的“灌輸”，缺少自主性。這限制了人工智慧的發展，特別是向想像力、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：用兩個神經網路，進行數字版的“貓鼠遊戲”——一個負責“造假”，一個負責“驗真”，從而在對抗中不斷提高。
負責“造假”的神經網路稱為“生成網路”，它依據所“見過”的圖片來生成新圖片，這需要它總結規律、發揮想像力和創造力；負責“驗真”的神經網路稱為“判別網路”，它需要憑訓練累積的“經驗”，來判斷某張圖片是真實事物，還是生成網路“自創”的“假貨”。
生成網路並非一開始就足夠“聰明”，比如它可能“認為”鳥類會有3條腿，這樣的“假貨”當然很容易被發現。但隨著機器學習的不斷深入和反覆對抗練習，生成網路對事物的理解越發深刻，最終生成足以“以假亂真”的作品。
這樣的神經網路具有廣泛應用價值。比如在自動駕駛領域，人工智慧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，自動駕駛系統使用這些圖片展開自我訓練，將有助於大幅提高應用性。
香港中文大學教授李鴻升認為，除了在機器翻譯、人臉識別、資訊檢索等諸多方向的具體應用，對抗性神經網路的價值和意義還在於其蘊含的對抗性思想，這有助於改進現有人工智慧演算法。
從技術上看，對抗性神經網路已經接近成熟。來自美國晶片企業英偉達的研究人員用明星照片訓練出一套系統，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。還有研究團隊讓系統生成出看起來十分逼真的梵谷油畫。
展現巨大潛力的同時，這項技術發展帶來的負面影響也不容忽視。比如不法分子可能利用此類系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避免這類技術的濫用問題，希望它“不至誤入歧途”。
中國科學院自動化研究所副所長劉成林介紹説，中國的研究機構目前致力於研究對抗性神經網路理論的進一步改良及優化。對抗性神經網路的理論基礎、演算法和應用，都還有很大的發展空間。
中國企業界則更傾向於把技術應用在服務中，並在一些領域達到了業界領先。比如，百度利用這項技術構建語音識別框架，阿裏雲城市大腦則借此技術生成訓練數據集以優化車牌精準識別功能。（劉石磊）
(責任編輯：沈曄)