當(dāng)AI浪潮襲來(lái)，谷歌、Facebook、微軟等幾個(gè)山頭恨不得把自己都浸沒(méi)在潮水里，可勁打滾兒的時(shí)候，蘋(píng)果這座孤島卻始終有一種不愿被沾濕的姿態(tài)。

12月初，在灑滿陽(yáng)光的西班牙NIPS大會(huì)上，蘋(píng)果AI研究團(tuán)隊(duì)負(fù)責(zé)人Russ Salakhutdinov曾興奮地宣布，蘋(píng)果將允許其AI研究人員對(duì)外發(fā)布論文。那之后，眾人都在翹首以待，巴巴等著這個(gè)這個(gè)世界上市值最高的公司（截至12月23日市值6172.34億美元）的第一篇AI論文將以何種面目出現(xiàn)。

今天，這篇論文出來(lái)了。蘋(píng)果伸出了手指，試探了一下海水。

這篇題為《通過(guò)對(duì)抗訓(xùn)練從模擬的和無(wú)監(jiān)督的圖像中學(xué)習(xí)》（Learning from Simulated and Unsupervised Images through Adversarial Training）的論文于12月22日提交給了arXiv.org，一經(jīng)發(fā)布迅速點(diǎn)燃了媒體頭條。

蘋(píng)果這篇圖像識(shí)別領(lǐng)域的論文，提出了一個(gè)所謂“模擬+無(wú)監(jiān)督學(xué)習(xí)”（simulated + unsupervised learning），使用了如今最炙手可熱的深度學(xué)習(xí)“對(duì)抗訓(xùn)練”。

而有著“GANs之父”之稱的Ian Goodfellow在推特里直接評(píng)論道：“蘋(píng)果第一份機(jī)器學(xué)習(xí)論文是關(guān)于GANs的?！?/p>

于是，GANs又借勢(shì)火了一把。

生成對(duì)抗網(wǎng)絡(luò)（GANs）的經(jīng)典過(guò)程

所謂的GANs模型，就是讓兩個(gè)網(wǎng)絡(luò)相互競(jìng)爭(zhēng)，玩一個(gè)“貓鼠游戲”。

• 一個(gè)叫做生成器網(wǎng)絡(luò)G（ Generator Network），它不斷捕捉訓(xùn)練庫(kù)里真實(shí)圖片的概率分布，將輸入的隨機(jī)向量轉(zhuǎn)變成新的樣本。一句話，G負(fù)責(zé)生成假圖片。

• 另一個(gè)叫做判別器網(wǎng)絡(luò)D（Discriminator Network），它可以同時(shí)觀察真實(shí)和假造的數(shù)據(jù)，判斷這個(gè)圖片到底是不是真的。

G嘗試用自己的贗品來(lái)“蒙騙”D，而D也不斷提高自己鑒別贗品的水平。這樣G的造假能力和D的鑒別能力都會(huì)越來(lái)越高超。

在機(jī)器學(xué)習(xí)領(lǐng)域，需要海量的數(shù)據(jù)來(lái)訓(xùn)練模型，而海量數(shù)據(jù)本身的獲取都成問(wèn)題。AI界常有這么個(gè)說(shuō)法：

“誰(shuí)手握了數(shù)據(jù)，誰(shuí)就占據(jù)了人工智能的制高點(diǎn)。”

南京大學(xué)周志華教授也曾經(jīng)在演講中提到機(jī)器學(xué)習(xí)應(yīng)用的限制因素：

機(jī)器學(xué)習(xí)雖然能力很強(qiáng)，但它并不是一個(gè)萬(wàn)能的東西。至少有兩件事，我們經(jīng)常都要提醒自己，機(jī)器學(xué)習(xí)可能是做不了的。

第一種情況，如果我們的拿到的數(shù)據(jù)特征信息不夠充分，那么機(jī)器學(xué)習(xí)可能就幫不上忙；第二種情況，如果數(shù)據(jù)樣本的信息非常不充分，那么這種情況也基本上解決不了問(wèn)題。

所以，GANs最具革命性的地方在于，它的生成器G自己產(chǎn)出數(shù)據(jù)，而人只需要最初輸入一些隨機(jī)向量。無(wú)怪乎，Yann LeCun曾評(píng)價(jià)說(shuō)：

“對(duì)抗訓(xùn)練是切片面包以來(lái)最酷的事情（Adversarial training is the coolest thing since sliced bread）?！?/p>

蘋(píng)果的SimGAN訓(xùn)練方法

但是蘋(píng)果這份論文里提到的模型，與GANs還是有些微不同的。他們想要解決的問(wèn)題就是：提升合成圖像的質(zhì)量。他們對(duì)GANs稍加修改，提出了“SimGAN”訓(xùn)練方法，其中的“Sim”指的就是單詞“模擬器”。論文摘要里提到：

“我們的模擬+無(wú)監(jiān)督學(xué)習(xí)方法，使用的對(duì)抗網(wǎng)絡(luò)跟GANs很類(lèi)似。但是，輸入值是合成圖像，而不是隨機(jī)向量。”

蘋(píng)果的SimGAN其實(shí)包括三部分：模擬器（Simulator）和精制器（Refiner），然后再加上一個(gè)判別器（Discriminator）。模擬器合成圖像，再用精制器優(yōu)化，最后喂給判別器訓(xùn)練。

有學(xué)術(shù)圈內(nèi)人士對(duì)這篇論文的“含金量”表示懷疑，然而蘋(píng)果這份論文“試水”的意義其實(shí)遠(yuǎn)大于論文本身的意義。Forbes評(píng)論道：這篇AI論文，是蘋(píng)果標(biāo)志性的一步。

對(duì)于AI業(yè)界來(lái)說(shuō)，這表明蘋(píng)果要邁開(kāi)步子、扛著大旗來(lái)攪動(dòng)海水了。

這篇論文的第一作者是Ashish Shrivastava，其個(gè)人主頁(yè)上顯示為馬里蘭大學(xué)計(jì)算機(jī)視覺(jué)博士。

其它共同作者還有5人，分別是Tomas Pfister, Oncel Tuzel, Wenda Wang（華裔）, Russ Webb 和Josh Susskind。但是蘋(píng)果的“秘密文化”并沒(méi)有一下子就敞開(kāi)大口，這6名研究人員，除了Tomas Pfister之外，雷鋒網(wǎng)在Twitter上很難找到其它5人的蹤跡，而Tomas Pfister這位劍橋、牛津雙名校的高材生，至今發(fā)過(guò)的推文也只有5條而已。

PS：關(guān)注雷鋒網(wǎng)（微信公眾號(hào)：雷鋒網(wǎng)）

相關(guān)文章：

百度硅谷 AI 實(shí)驗(yàn)室主任 Adam Coates：企業(yè)級(jí) AI 的未來(lái)展望及人才競(jìng)爭(zhēng)

AI+時(shí)代，產(chǎn)品經(jīng)理如何做才能獲得機(jī)會(huì)突破？

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見(jiàn)轉(zhuǎn)載須知。