随着这个过程不断继续，警察会想出越来越复杂的技术来鉴别假币，罪犯也会想出越来越复杂的技术来伪造货币，这就是生成式对抗网络中“对抗”（Adversarial）的基本理念，这个场景中警察的角色就是判别器（Discriminator），罪犯的角色就是生成器（Generator），它们其实都是在同一个过程中训练出来的，整个生成式对抗网络的基本结构如图 8-3 所示。
古德费洛只花了两周时间就将当晚酒吧中迸发的奇思妙想写成了生成式对抗网络的同名论文《生成式对抗网络》，并放到预印本网站 Arxiv<sup>○</sup>上，这个结构精妙的模型很快成为人工智能领域的热门话题。论文中古德费洛用数学技巧严格地证明了警察与罪犯对抗的游戏是一种零和博弈，当充分训练后，判别器与生成器的博弈结果将逼近纳什均衡点。根据博弈论中的最大最小值定理（Minimax Theorem）<sup>○二</sup>，此时判别器甄别训练样例图像与生成图像的准确概率趋于等同，无限接近于 1/2，生成图片与真实图片均有一半概率被判定为真，一半概率被判定为假。换言之，造假者此刻已经成功制造出警察难以有效判别、能够以假乱真的图片了。
实事求是地讲，古德费洛花费一个晚上写出来的照片生成程序，输出的人类照片效果远远称不上以假乱真。编码的时间、训练的算力和数据集的质量都限制了训练出来的模型的输出结果顶多达到“看起来勉强像个人”的程度。如图 8-4 所示，最右侧 4 个方框里面就是原始 GAN 的生成结果，没有方框标识的是 Toronto 人脸数据集中的训练样例，这些图片都是长宽均只有 90 像素的灰度正面人脸，笔者认为即便采用酒吧里其他几位同学的传统思路，也完全能够达到类似程度的生成效果。
第 8 章 从学习到创造
317
○一 https://arxiv.org/abs/1406.2661。
○二 最大最小值定理是计算机结构体系与博弈论的奠基者冯·诺依曼在 1926 年提出的。在此语境中的含义是对于零和博弈中的两个玩家而言，最小最大策略与纳什均衡是一样的。