當AI有了常識...

深度學習領域的巨擘，同時也是Facebook的AI研究院長楊立昆（Yann LeCun）,director of Facebook’s AI research group ,曾表示對抗訓練是有史以來最酷的技術（Adversarial training is the coolest thing since sliced bread），對於GAN他也說：「它為創建無監督學習模型提供了強有力的算法框架，有望幫助我們為AI加入常識（common sense）。我們認為，沿著這條路走下去，有不小的成功機會能開發出更智慧的AI。」link1 link2

電影情節-好人與壞人合作

如同警察與小偷, 軍情局與白帽駭客 (https://zh.wikipedia.org/wiki/%E9%BB%91%E5%AE%A2） 。

1999年4月30日，CIH病毒(又叫 車諾比 Chernobyl 病毒) 第一次發作後4天，台灣警方追查出此病毒的原創者，當時在軍隊服役中的陳盈豪，便被刑事警察局約談，由於當時中華民國沒有任何對於電腦病毒的刑事法令，陳盈豪獲不起訴處分，民事部份也無受害者提出告訴。

2000年4月25日，在任職公司美商網虎陪同之下，發布「CIH」的免疫程式,曾經在美商網虎及技嘉科技公司工作過，並與刑事局定時連絡，協助開發過濾詐騙電話的預警功能。他也固定到軍情局、刑事局講授網路犯罪課程。

link
軍情局與白帽駭客合作, 競爭得更好結果的概念, 一起找出最佳方式。

生成對抗網路 Generative Adversarial Network GAN

WIKI

Generative Adversarial Network 生成對抗網絡（英語：Generative Adversarial Network，簡稱GAN）是非監督式學習的一種方法，通過讓兩個神經網絡相互博弈的方式進行學習。該方法由Ian Goodfellow等人於2014年提出, link。生成對抗網絡由一個生成網絡與一個判別網絡組成。

• 生成網絡從潛在空間（latent space）中隨機取樣作為輸入，其輸出結果需要盡量模仿訓練集中的真實樣本。
• 判別網絡的輸入則為真實樣本或生成網絡的輸出，其目的是將生成網絡的輸出從真實樣本中盡可能分辨出來。而生成網絡則要盡可能地欺騙判別網絡。
• 兩個網絡相互對抗、不斷調整參數，最終目的是使判別網絡無法判斷生成網絡的輸出結果是否真實。

突破

以往訓練神經網路常是透過人類提供大量標記資料供機器分析練習（即監督式學習）比如知名的圍棋人工智慧AlphaGo前期的訓練，便是針對人類輸入的大量棋譜進行監督式學習（後期開始自我對弈的訓練則是非監督式學習，某種層面上也有點對抗訓練的概念）
而GAN透過自己相互對抗的生成與鑑別網路，大幅減少資料量的需求，也為非監督式學習提供了更為進步的方法。

• Nvidia公司的GAN則是將白天的街景轉為夜晚，作為自動駕駛車輛的訓練樣本，解決夜晚圖像資料不足的問題
• 除了生成資料降低企業成本之外，GAN也可以作為非監督學習的重要訓練方法，儘管還有許多問題需要改良修正，GAN在未來依舊可能真正實現「完全不靠人類就能自主學習的AI」，其技術上的突破將會是人工智慧的發展趨勢。

註:本文是搜尋數個網站及各種不同來源之結果,著重在學習,有些內容已難辦別出處,我會儘可能列入出處,若有疏忽或出處不可考,請聯絡我, 我會列入, 尚請見諒。