序

我在2015年首次接觸到GAN的時候，便立刻愛上了它。我確信，它就是我在機器學習其他內容中總是錯過的能自我批評的機器學習系統。人們會不斷地制訂可行的計劃，然后分辨出“莽撞地沖向一扇門”并不是最好的主意。其他機器學習系統做不到這樣，但是GAN可以。GAN真的很有意義——要進入更高層次的人工智能階段，我們就應該利用好自動學習的表達和機器學習的反饋循環。畢竟數據非常昂貴，計算卻越來越便宜。

GAN讓我為之著迷的另外一點在于它的增長曲線，盡管這一點是我在后來才意識到的。機器學習的其他內容都沒有這么“新穎”。大多數計算機視覺技術是在1998年之前發明的，而GAN在2014年才開始發揮作用。從2014年到我撰寫本文時，GAN一直保持著不間斷的指數增長。

到目前為止，我們已經取得了包括生成貓咪表情包在內的很多成就。第一篇GAN論文的引用次數是原版TensorFlow論文的2.5倍以上，而且GAN還常被麥肯錫咨詢公司（McKinsey & Company）和主流媒體討論，由此可見其影響遠遠不止于技術層面。

這是一個充滿可能性的迷人新世界，能和諸位讀者一起分享，我感到既榮幸又興奮。本書的籌劃已近兩年，希望廣大讀者見到它會和我們一樣興奮，非常期待你們的反饋！

——Jakub Langr

用著名科幻小說家Arthur C. Clarke的話來說，“任何足夠先進的技術，都與魔法無異。”——這在我早年探索計算機科學領域那些“不可能的問題”時激勵了我。然而經過在機器學習領域多年的學習和工作，我發現自己對機器智能的進步已經不敏感了。2011年，當IBM的新型智能機器人Watson在美國老牌智力問答節目Jeopardy中戰勝人類對手時，我印象深刻；然而在2016年，當谷歌的AlphaGo在圍棋中又一次戰勝人類時（從計算方面上講應是更令人驚異的成就），我幾乎沒有什么特別的感覺。這項成就讓人感覺有些平凡—— 甚至是預料之中的——魔法消失了。

此時，GAN登場了。

我最初接觸GAN是在微軟研究院的一個研究項目中。那是2017年，我和團隊成員厭倦了一遍遍地聽Despacito（當時非常流行的西班牙語歌曲），開始試著用頻譜（聲音數據的視覺編碼）對音樂進行生成建模。顯而易見，GAN的數據合成能力遠遠優于其他技術，其他算法產生的頻譜圖只不過是白噪聲，而GAN的輸出簡直和我們平時聽的音樂別無二致。看到機器在目標明確的領域取得成功是一回事（如智力問答和圍棋），而目睹一種算法獨立地創造出新穎而又真實的東西可真是另外一回事了！

希望當讀者閱讀本書時，不僅能感受到我對GAN的熱情，更能由此重新發現AI的魔力。Jakub和我力求使這一前沿領域變得更加普及和全面。我們希望讀者會發現本書有趣又豐富——而其中的幽默又恰到好處。

——Vladimir Bok