生成對抗網路是由 AI 學者伊恩·古德費洛（Ian Goodfellow）於 2014 年提出的一種深度學習架構。

機器學習演算法多用於「分類」或「預測」，而 GAN 則讓 AI 邁入了創造時代。AI 可以生成原本不存在的圖畫、音樂，和醫學影像的合成。

                  ┌─────────────────┐
                  │   真實數據集     │
                  └────────┬────────┘
                           │ (真實樣本)
                           ▼
┌───────────┐     ┌─────────────────┐     ┌───────────┐
│  隨機噪聲  ├────►│  生成器 (G)     ├────►│ 判別器 (D) ├──► 輸出：真 (1) / 偽 (0)
└───────────┘     └─────────────────┘     └─────▲─────┘
                      (偽造樣本)             │
                          └──────────────────┘

核心機制

GAN 的運作原理非常直覺，整個系統由兩個互相競爭的神經網路組成：

1. 生成器（Generator）

• 任務：接收隨機的雜訊（Noise），並試圖將其轉換為逼真的數據（例如一張人臉照片）。
• 目標：製造出「足以騙過判別器」的假數據。

2. 判別器（Discriminator）

• 任務：接收數據，並判斷該數據是來自「真實數據集」還是來自「生成器的偽造品」。
• 目標：精準分辨真偽，給出一個 0（假）到 1（真）的機率值。

3. 平衡

這兩個網路在訓練過程中展開動態博弈：

• 一開始，生成器產生的圖像非常粗糙，判別器一眼就能看穿。
• 判別器將失敗反饋給生成器後，生成器會修正模型、改進細節。
• 隨著生成器技術提升，判別器也必須迫使自己變得更加敏銳。
• 最終狀態（納許均衡 Nash Equilibrium）：生成器產生的數據達到極致逼真，判別器再也無法區分真偽（判斷機率接近 50%）。

GAN 的經典變體與進化歷史

GAN 經歷了多次技術迭代，衍生出許多優秀的變體：

實際應用場景：GAN 能為我們做什麼？

GAN 的應用極為廣泛，橫跨藝術、醫療、遊戲與娛樂等諸多領域：

• 人臉與角色生成：例如 ThisPersonDoesNotExist.com，每次重新整理都會透過 StyleGAN 生成一張世上不存在的高畫質人臉。
• 圖像修復與超高解析度（Super-Resolution）：將模糊的老照片、低畫質影片填補細節，還原成 4K 甚至 8K 清晰度。
• 跨領域風格遷移：將黑白照片自動上色、將白天風景照轉為夜景，或是將真人照片轉為動漫風格。
• 醫療影像增強：在醫學領域，真實病患的 MRI 或 CT 影像非常稀缺。GAN 可以生成合成醫學影像，輔助 AI 醫療模型的訓練。

GAN 發展中有待加強的點：

1. 訓練極度不穩定：生成器與判別器之間難以維持平衡，容易出現模式崩塌（Mode Collapse），即生成器只會重複輸出同一種成功的圖片。
2. 倫理與安全風險：GAN 的高度逼真度讓「Deepfake」迅速普及，假新聞、詐騙及名譽受損等社會問題。
3. 新型架構的競爭：擴散模型（Diffusion Models）在圖像生成品質與訓練穩定度上展現出優勢。