生成式對抗網路 (Generative Adversarial Network)，簡稱GAN。

generative [ˋdʒɛnə͵rətɪv] 生殖的；有生產力的
Adversarial [͵ædvɚˋsɛrɪəl] 敵手的；對手的；對抗的

近來超級火紅的Generative Adversarial Network 中文翻譯為生成式對抗網路。這種演算法被自稱是 AI 大師的人解釋成好像可以產生出更新、更高解析、更高科技的最佳發明，簡直是可以無中生有 (Create something from nothing) 的尖端科技。但事實是殘酷的，由真實的事件(比如真實的照片)產生出人類無法辨識的假照片，這些照片都是假的。

運作原理

生成對抗網路由一個生成網路與一個判別網路組成，通過兩個神經網路相互博弈的方式進行學習。該方法由 Ian(伊恩·古德費洛) 等人於2014年提出。生成網路從潛在空間（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。判別網路的輸入則為真實樣本或生成網路的輸出，其目的是將生成網路的輸出從真實樣本中盡可能分辨出來。而生成網路則要盡可能地欺騙判別網路。兩個網路相互對抗、不斷調整參數，最終目的是使判別網路無法判斷生成網路的輸出結果是否真實。

生成對抗網路常用於生成以假亂真的圖片。此外，該方法還被用於生成影片、三維物體模型等。生成對抗網路雖然最開始提出是為了無監督學習，但經證明對半監督學習、完全監督學習 、強化學習也有效。 在2016年的一個研討會上，生成式對抗網路被譽為機器學習這二十年來最酷的想法。

監督式學習

在 Yolov8 的說明中，必需標示圖片中的物件是人類，腳踏車，杯子，餐桌…… 共80種。而每一種又有上千張圖片，這些全都需要人工標識並告知是那一個種類，最後才丟進模型進行訓練，這叫監督式學習。

標識圖片的工作，通常是由美工人員負責，所以一般公司都要聘請多位美工人員標識每天上千到上萬張的圖片。

非監督式學習

美工人員每天重複無腦的動作，一天上萬張圖不斷的標識，薪水低又每天加班。Gan 就是讓這些美工人員失業的最佳方案，因為它可以應用在非監督式學習，電腦自已標識圖片，然後自已訓練。

電腦不斷學習的結果

Gan 的真正作用，是要用在非監督式學習，並不是讓電腦不斷的學習，怎麼說呢?

讓 A 模型學習 B 模型的真實的事情，進而產生新的東西。然後新的東西再學習新的東西，一直不斷的學習，不就達成魔鬼終者的世界嗎! 那為啥不直接說會進入神的領域! 一台破電腦直接變成神?

不要忘了一件事，A 模型學習 B 模型真實的事件，產生出的新東西是假的。假的東西再學習假的，只會愈學愈假，最後就是四不像。