名词解释 / 07

生成对抗网络

第 101 / 127 个名词进一步了解 AI 原理

英文名称：Generative Adversarial Network（缩写 GAN） 常见别名：GAN；指代一类方法时也写作 GANs 所属分类：进一步了解 AI 原理

一句话解释

生成对抗网络是一种让两个 AI 程序互相较量、从而学会"制造数据"的技术。它内部有一个负责生产的生成器，照着真实内容的规律不断造出新图片、新声音等数据；还有一个负责把关的判别器，专门判断收到的数据是真是假。生成器想骗过判别器，判别器想识破生成器，两者在反复对抗中都越来越强，最后生成器造出的东西和真实内容几乎难以区分。它常被通俗地描述成"让造假者和验假者一起练，互相逼着对方进步"。

工作中什么时候会遇到

普通员工基本不会直接操作它，更多是在两类场合间接接触。一是参加 AI 原理培训、看科普资料时，讲到"让两个 AI 互相竞争生成内容"，指的就是它；二是作为背后的技术起作用——当系统需要大量样本来训练识别模型，而真实样本凑不齐时，技术团队可能用这类方法补充数据，比如质检模型需要的缺陷图片、设备异常数据。

另一个场合是面对造假。现在网上逼真的假图片、假视频，背后多是生成式技术，生成对抗网络是其中重要一支。了解"机器能造得多像"的原理，有助于你不轻信"眼见为实"。需要说明的是，目前办公软件里"输入一句话生成图片、美化图片"这类功能，底层更多用的是更新一代的生成技术，生成对抗网络更偏历史性的里程碑，判断具体产品能力以当前版本和官方说明为准。

能解决什么问题

补充训练数据：真实样本不足时，用少量真实资料生成大量接近真实的样本，让识别模型有的可学。
制造难以采集的样本：罕见故障、异常形态这类平时很难碰到的数据，可以先造出来给模型练手。
提升低质量资料：让模糊、带噪点的旧图片变清晰，或补全残缺的画面。
提供仿真素材：为系统测试、方案演示生成接近真实的模拟数据，减少对真实数据的依赖。
帮助识别伪造：理解生成内容的原理，为判断假图、假视频提供依据。

举个例子

一条产品线用视觉系统做外观检验，需要识别一种很少出现的缺陷。问题是一整月也攒不下几张真实缺陷照片，识别模型学不到位。技术团队就把这几张真实缺陷图当作种子，训练一个生成对抗网络：生成器不断画出新的缺陷图，判别器不断判断"这张是真缺陷还是机器画的"。反复对抗后，生成器能产出大量形态有差异的缺陷图，用来扩充训练数据。整个过程里，普通员工通常不参与训练，但有经验的质检人员要在每一批生成图里抽查：明显失真、缺陷形态不对的剔除，确认像真实情况的才允许加入训练素材。人工确认点始终不能省——生成图只是"教材"，真实产线上的抽样复检照常进行。

怎么使用

普通员工不需要自己训练它。生成对抗网络属于底层算法，通常由公司的算法工程师或数据团队负责搭建、训练和调优。业务侧要做的是提供少量真实样本，并给出验收标准，例如"生成图必须经过有经验的人抽查后才能用"这类判断规则。对大多数职场人来说，真正的使用方式是"听得懂"：当供应商或内部方案提到"用 AI 生成补充数据"时，你能明白它的原理和局限，而不是只听结论。

此外，日常办公里那些生成图片、美化图片的功能，底层未必是生成对抗网络，产品能力以当前版本和官方说明为准。想了解生成技术的原理，可以把它当作入门参照。

使用时要注意什么

生成对抗网络产出的是仿真数据，不是真实记录。凡是涉及质量、安全、合规的用途，生成的样本必须经过人工抽查验证才能投入使用，更不能用生成内容冒充真实证据，或对外展示成"实际案例"。它的训练以不稳定著称，同一个做法换个数据效果可能差别很大；还可能出现"模式崩塌"，看似在生成新样本，实际反复产出少数几种相近形态，对模型帮助有限，甚至放大原有偏差。因此对宣传中"无所不能"的说法要打折扣。生成技术同时也是假图、假视频的源头之一，用它制作或传播造假内容有法律和伦理风险。

容易混淆的词

扩散模型：同样用于生成图片、视频，是目前主流生成产品更常用的底层技术，原理与生成对抗网络不同，目标类似。
AIGC：泛指"用 AI 生成内容"这一大类，生成对抗网络只是其中一个技术来源，不等于 AIGC 本身。
大语言模型：擅长理解和生成文字、执行问答，靠在海量文本上学习规律，不走"造假—验假"的对抗路线。
深度伪造（Deepfake）：用生成技术做换脸、伪造视频的具体手法。生成对抗网络等是它的实现基础之一，但技术本身不等于造假，不能因此认定这类技术只用于坏事。