在生成式 AI 的歷史中，GAN（Generative Adversarial Network，生成對抗網路） 的提出是一個重要的里程碑。2014 年，由 Ian Goodfellow 與其團隊在論文 Generative Adversarial Nets 中首次提出，GAN 透過一種 對抗式學習 的新穎概念，開啟了生成模型的黃金時代。

基本原理

GAN 的架構由兩個神經網路組成：

• 生成器（Generator, G）：負責產生新資料，例如生成一張看似真實的圖片。

• 判別器（Discriminator, D）：負責判斷輸入是「真實資料」還是「生成資料」。

兩者的關係就像「偽造鈔票者」與「驗鈔員」：

• 生成器不斷嘗試製造以假亂真的樣本。

• 判別器則努力學會分辨真偽。
  隨著訓練過程反覆進行，生成器會越來越強，最終能產生幾乎無法分辨真假的資料。

GAN 的意義

1. 生成式 AI 的突破口

• 在 GAN 出現之前，生成模型多依賴機率分布假設，效果有限。GAN 的對抗式學習，讓模型能自動學習資料分布，生成結果更加逼真。

2. 推動影像生成與藝術創作

• GAN 帶動了高擬真影像生成技術，例如 DeepFake、風格轉換（Style Transfer）、超解析度影像生成（Super Resolution）等。

3. 激發後續模型的誕生

• GAN 的成功啟發了後續的 VAE（變分自編碼器）、Diffusion Models，以及各種混合架構，成為生成式 AI 的基石。

小結

GAN 的誕生標誌著生成式 AI 的真正起飛。它不僅展現了「機器能創造」的潛力，也改變了研究社群對生成模型的看法。可以說，沒有 GAN，就不會有後來蓬勃發展的生成式 AI 生態系。