GAN（Generative Adversarial Network，生成對抗網路） 是由 Ian Goodfellow 於 2014 年提出的生成式人工智慧技術。它的目標是讓機器學會「創造」新的資料，這些資料在外觀或特徵上與真實資料非常接近，例如逼真的圖片、音樂、語音甚至影片。

架構與原理

GAN 由兩個主要部分組成：

1. 生成器（Generator）
   接收隨機噪聲作為輸入，生成看似真實的資料（如圖片、音訊、影像）。
2. 判別器（Discriminator）
   接收來自真實資料集與生成器的輸出，判斷其來源是真實還是偽造。

訓練過程中，生成器不斷嘗試「欺騙」判別器，而判別器則努力識破生成器的偽造資料。這種零和博弈的過程會持續進行，直到生成器能產出幾乎無法與真實樣本區分的內容。

主要應用

• 影像生成與編輯：根據文字描述或原始影像進行創作，例如將照片轉換為藝術風格、生成虛擬角色或動物形象。
• 資料增強：在機器學習中生成合成資料，如製造欺詐交易樣本以提升檢測模型的精準度。
• 缺失資訊補全：根據已知數據推測缺失部分，例如利用地形圖推測地下結構，用於地熱探勘或碳捕集。
• 2D 轉 3D：由平面影像生成立體模型，應用於醫療成像、遊戲建模與虛擬實境。

GAN 的變體

• Vanilla GAN：最原始的架構，為各種變體奠定基礎。
• 條件式 GAN（cGAN）：在生成過程中引入額外條件（如類別標籤），以生成更具目的性的資料。
• 深度卷積 GAN（DCGAN）：利用卷積神經網路（CNN）提升影像生成品質與訓練穩定性。
• 超解析度 GAN（SRGAN、LAPGAN 等）：專注於將低解析度影像轉換為高解析度版本。

優勢與挑戰

GAN 能生成高度擬真的多媒體內容，不需明確建模資料分佈，特別適合處理影像與高維度資料。然而，其訓練過程容易出現不穩定性與模式崩塌（Mode Collapse）等問題，且需要大量的資料與運算資源。

總結

GAN 的出現標誌著人工智慧從「理解世界」邁向「創造世界」的重要一步。它不僅改變了影像與多媒體創作方式，也為醫療、娛樂、教育及科學研究帶來新契機。然而，隨著技術的普及，如何在創新與倫理間取得平衡，將是未來發展的重要課題。