一句話說明
GAN（Generative Adversarial Network，生成對抗網路）是一種讓兩個神經網路互相競爭來學會生成逼真資料的技術，曾經是 AI 生成圖片的主流方法。
核心概念：偽造者與鑑定師
GAN 的原理可以用偽鈔的比喻來理解。
想像有一個偽鈔製造者（生成器，Generator）和一個銀行驗鈔員（判別器，Discriminator）。一開始，偽鈔製造者的技術很爛，驗鈔員一眼就能分辨真假。但每次被識破，偽鈔製造者就會改進技術；同時，驗鈔員也在不斷提升辨識能力。
這個互相較勁的過程持續下去，偽鈔製造者的技術會越來越好，最終能做出連驗鈔員都難以分辨的假鈔。
對應到技術上：
生成器（Generator）：接收一組隨機噪音（一串亂數），試圖產生看起來像真實資料的假資料。這串亂數可以想像成是「靈感」——不同的隨機輸入會產生不同的結果。生成器的工作就是學會把這些隨機的數字「翻譯」成有意義的圖片、音訊、或其他資料格式。
判別器（Discriminator）：接收一張圖片，判斷它是真的（來自訓練集）還是假的（來自生成器）。判別器是一個二元分類器，它的輸出是一個介於 0 到 1 之間的數字——越接近 1 代表越可能是真的。
訓練目標：生成器想騙過判別器，讓判別器的輸出接近 1（判斷為真）。判別器想正確區分真假，對真圖輸出接近 1、對假圖輸出接近 0。兩個網路交替更新，直到達到平衡。
這個「對抗」的設計，就是 GAN 名字中 Adversarial（對抗）的由來。在數學上，這是一個 minimax 賽局——生成器在最小化判別器的成功率，判別器在最大化自己的成功率。
訓練過程
GAN 的訓練是交替進行的，像是兩個棋手輪流下棋：
第一步，固定生成器，訓練判別器。把真實圖片和生成器產生的假圖片混在一起，讓判別器學會分辨。這一步讓判別器變得更厲害。
第二步，固定判別器，訓練生成器。讓生成器產生假圖片，目標是讓判別器判斷為「真」。生成器根據判別器的回饋調整自己的參數，學習怎麼產出更逼真的圖片。
重複以上步驟幾萬到幾十萬次。隨著訓練進行，生成器產出的圖片品質會逐漸提升——從最初的噪音慢慢變成模糊的輪廓，再到清晰的圖片。
訓練 GAN 是出了名的困難，常見的問題包括：
模式崩塌（Mode Collapse）：生成器只學會產生少數幾種圖片，因為這幾種圖片剛好能騙過判別器。就像偽鈔製造者只學會做一種面額的假鈔——技術上成功了（騙過驗鈔員），但多樣性極低。例如要生成人臉，最後只會生成同一種臉型、同一種表情。
訓練不穩定：兩個網路的學習速度必須匹配。如果判別器學得太快，它幾乎每次都能正確識破假圖，生成器得不到有用的回饋（梯度消失），等於在黑暗中摸索而沒有方向指引。如果生成器學得太快，判別器跟不上，生成器就停止進步（因為「考試太簡單」了）。
梯度消失和爆炸：在訓練的早期階段，判別器很容易區分真假（因為生成器的輸出還很差），這時候回饋給生成器的梯度非常小，訓練幾乎停滯。
這些問題催生了大量的 GAN 變體，每個變體針對不同的穩定性問題提出改進：
DCGAN（Deep Convolutional GAN）：用卷積神經網路取代原始 GAN 的全連接層，讓生成器能產出空間結構合理的圖片，是第一個真正能穩定產出像樣圖片的 GAN 架構。
WGAN（Wasserstein GAN）：用 Wasserstein 距離取代原始的判別器損失函數，大幅改善了訓練穩定性。最大的改變是判別器不再輸出 0-1 的機率，而是輸出一個分數，讓訓練信號更連續。
StyleGAN：由 NVIDIA 提出，最重要的創新是在生成器中加入「風格控制」機制。不同的層級控制不同尺度的特徵——粗糙層控制臉型和膚色，精細層控制頭髮紋理和皮膚細節。這讓使用者可以獨立調整圖片的不同屬性。
主要應用
圖片生成
GAN 最知名的應用。StyleGAN 能生成逼真的人臉照片——thispersondoesnotexist.com 這個網站每次重新整理都會顯示一張 GAN 生成的、不存在的人臉，品質好到肉眼幾乎無法區分。
CycleGAN 可以做無配對的圖片風格轉換——你不需要同一個場景的兩種版本（例如夏天和冬天的同一張照片），CycleGAN 可以學會從一個風格域轉換到另一個風格域。經典範例包括把照片轉換成莫內畫風、把馬變成斑馬。
Pix2Pix 做的是有配對的圖片轉換——你需要成對的訓練資料（例如建築立面圖和對應的照片），它可以學會從一種圖片格式轉換成另一種。應用包括把草圖轉成照片、把衛星圖轉成地圖。
圖片超解析度
SRGAN 和 ESRGAN 可以把低解析度的圖片放大，同時補充合理的細節。傳統的放大方法（雙線性插值）只會讓圖片變模糊，GAN 可以「想像」出合理的細節來填補。
這在監視器畫面增強和老照片修復上有實際應用。不過要注意：GAN 補充的細節是「合理的猜測」，不是真實的資訊。在監視器畫面中，GAN 可能生成看起來合理但不是真實的臉部特徵——這在鑑識用途上是一個嚴重的問題。
資料增強
當訓練資料不足時，用 GAN 生成額外的訓練樣本。在醫療影像領域特別有價值：X 光和 CT 掃描的標註資料很少（需要專業醫師標註、且受隱私法規限制），GAN 可以生成合成樣本來擴充訓練集，幫助訓練出更好的診斷模型。
但使用合成資料訓練時要小心：如果 GAN 生成的樣本有偏差（例如某種病灶的表現方式單一），用這些資料訓練的模型也會繼承這個偏差。
影片和音訊
早期的 AI 影片生成嘗試（如 MoCoGAN）基於 GAN 架構，但生成品質和時間一致性仍然有限——連續的畫格之間會出現閃爍和不連貫。
在音訊領域，GAN 被用於語音合成（WaveGAN）和音樂生成。將一個人的聲音轉換成另一個人的聲音（Voice Conversion）也是 GAN 的應用之一。
歷史定位
GAN 由 Ian Goodfellow 在 2014 年提出。據說靈感來自一次酒吧聚會中的學術討論，Goodfellow 回家後當晚就寫出了第一版程式碼。這篇論文被深度學習先驅 Yann LeCun 稱為「過去十年機器學習中最有趣的想法」。
GAN 的時代可以大致分成幾個階段：
2014-2016 年是探索期。原始 GAN 產出的圖片很模糊（32x32 像素），DCGAN 的出現才讓 GAN 能產出看起來像樣的圖片。
2017-2019 年是爆發期。ProGAN 和 StyleGAN 把圖片品質推到了 1024x1024 的逼真人臉，BigGAN 展示了 GAN 在大規模訓練下的潛力。這個時期幾乎每週都有新的 GAN 變體論文發表。
2020-2021 年是巔峰與轉折。StyleGAN3 解決了紋理黏著（texture sticking）的問題，但同時期 DDPM（Denoising Diffusion Probabilistic Models）的出現暗示了新方向。
2022 年至今是擴散模型時代。Stable Diffusion、DALL-E 2、Midjourney 等基於擴散模型的工具快速普及，GAN 的主流地位被取代。
GAN vs. 擴散模型
擴散模型取代 GAN 的原因包括：
訓練穩定性。擴散模型的訓練過程是學習去噪——給一張圖片逐步加上噪音，然後訓練模型學會逆轉這個過程。這比 GAN 的雙網路對抗訓練穩定得多，不會有模式崩塌的問題。
生成多樣性。GAN 容易陷入模式崩塌，只生成少數幾種結果。擴散模型從隨機噪音開始去噪，天然地具有更高的多樣性。
可控性。擴散模型和文字描述的配合更自然（透過 CLIP 等技術），你可以用文字精確描述你要的圖片。GAN 要做到類似的控制需要更多的工程工作。
但 GAN 在某些方面仍有優勢：
生成速度。GAN 只需要一次前向傳播就能生成圖片，擴散模型需要幾十到幾百步的去噪過程。在需要即時生成的場景（影片通話的背景替換、遊戲中的即時紋理生成），GAN 的速度優勢仍然重要。
模型大小。GAN 的模型通常比同品質的擴散模型小，適合在資源有限的裝置上運行。
Deepfake 與 GAN
Deepfake 是 GAN 最具爭議的應用。透過 GAN 技術（特別是 Face Swap 相關的架構），可以把一個人的臉替換到另一個人的影片上，效果足以騙過肉眼。
具體的威脅場景：
商業詐騙。2019 年有一起案例，詐騙者用 AI 生成的語音模仿一家英國公司的德國母公司 CEO，騙走了 22 萬歐元。影片版的 Deepfake 可以做到更逼真的冒充——在視訊會議中模仿高管下達匯款指令。
假訊息。製作政治人物的假影片散播不實言論，在選舉期間可能造成嚴重影響。影片比文字更容易讓人信以為真，因為多數人仍然有「眼見為憑」的直覺。
隱私侵害。未經同意生成他人的影像內容，特別是非合意的性影像（NCII），是目前 Deepfake 傷害最嚴重的類別之一。
各國正在立法因應。台灣的刑法修正案針對深偽影像增訂了相關條文，將未經同意製作或散布深偽性影像列為犯罪行為。
技術上，偵測工具（如 Microsoft Video Authenticator、Intel FakeCatcher）也在持續發展，但偵測和生成之間是軍備競賽——偵測方法公開後，生成技術會針對性地規避。C2PA（Coalition for Content Provenance and Authenticity）提出的內容認證標準，從源頭標記內容的來源和編輯歷程，可能是比「事後偵測」更可靠的長期方案。
安全與限制
訓練資料偏差會被放大。如果訓練集中某個族群的圖片較少，GAN 生成該族群的圖片品質就會較差，或者出現不合理的特徵。StyleGAN 在訓練資料以白人為主的情況下，生成其他族群的人臉時可能會出現膚色不自然、五官比例不對的問題。
生成結果無法精確控制。雖然 StyleGAN 允許調整某些屬性（如年齡、表情），但精細控制仍然困難。想要「生成一個穿紅色外套、坐在公園長椅上、背景有櫻花」這種複雜指令，GAN 的能力遠不如擴散模型。
智財風險存在。和擴散模型一樣，GAN 的訓練資料來源和生成結果的版權歸屬仍有法律灰色地帶。如果訓練資料中包含受版權保護的作品，生成的結果可能構成侵權——各國法院目前還沒有統一的見解。
技術門檻高。訓練自己的 GAN 需要大量 GPU 資源（至少一張高階顯示卡）和深度學習知識。使用預訓練模型的門檻較低，但理解輸出品質的限制和調整超參數仍需要一定的技術背景。
知識檢測
讀完文章後，測試一下你對這個主題的理解。
常見問題
GAN 和 Stable Diffusion 有什麼不同？
GAN 用兩個網路對抗學習，生成速度快但訓練不穩定。Stable Diffusion 用擴散過程（逐步去噪），訓練更穩定、生成品質和多樣性更好，但生成速度較慢。目前圖片生成領域以擴散模型為主流。選擇取決於你的需求：需要即時生成選 GAN，需要高品質和可控性選擴散模型。
GAN 現在還有人在用嗎？
有。在即時影像處理（如影片通話的背景替換、即時濾鏡）、超解析度（遊戲中的 DLSS 技術就借鑑了 GAN 的思路）、和資料增強等領域，GAN 因為推論速度快仍然實用。學術研究中 GAN 的相關論文也持續發表，特別是在把 GAN 和擴散模型結合的方向上。
學 AI 需要先了解 GAN 嗎？
如果目標是理解 AI 圖片生成的發展脈絡，了解 GAN 有助於理解「為什麼擴散模型出現後大家都轉過去了」。GAN 的對抗訓練思想對理解整個生成式 AI 領域都有幫助。如果目標是實際應用 AI 繪圖，直接從 Stable Diffusion 或 Midjourney 開始更實際，需要的時候再回頭學 GAN 的原理。
GAN 可以生成文字嗎？
理論上可以，但實際效果不好。原因是 GAN 的訓練依賴梯度的連續計算，而文字是離散的——一個字就是一個字，沒有「半個字」的概念。生成器沒辦法做微小的調整來逐步改善文字品質（不像圖片可以調整幾個像素值）。學術界嘗試過 SeqGAN 和 LeakGAN 來解決這個問題，但效果遠不如 Transformer 架構（GPT、Claude 等）在文字生成上的表現。
Deepfake 偵測做得到嗎？
目前有工具可以偵測（如 Microsoft Video Authenticator），準確率在實驗環境下可以達到 90% 以上，但在實際環境中（經過壓縮、裁切、加濾鏡的影片）準確率會下降。最可靠的長期方案不是偵測而是驗證——C2PA 內容認證標準從源頭標記影片的來源和編輯歷程，讓接收者可以確認內容有沒有被篡改。