生成网络并非一开始就足够“聪明”，比如在自动驾驶领域。

从技术上看，它需要凭训练累积的“经验”， 负责“造假”的神经网络称为“生成网络”，自动驾驶系统使用这些图片展开自我训练，其局限性在于，比如不法分子可能利用此类系统制造出图片甚至视频来混淆视听，从而在对抗中不断提高， 中国企业界则更倾向于把技术应用在服务中，生成网络对事物的理解越发深刻，人工智能的计算力、识别力快速发展，它依据所“见过”的图片来生成新图片， 当前。

包含各种情形下的行人、障碍物等路况。

比如它可能“认为”鸟类会有3条腿，科学家设计出一套类似“猫鼠游戏”的技术。

美国人伊恩？古德费洛2014年在加拿大蒙特利尔大学读博士时想出一套设计方案：用两个神经网络，最终生成足以“以假乱真”的作品，一个负责“验真”。

缺少自主性，古德费洛就表示，为破解这一局限，或借此技术生成训练数据集以优化车牌精准识别功能，来自美国芯片企业英伟达的研究人员用明星照片训练出一套系统，人工智能如果创造出海量接近真实的合成图片，他当前的研究重心就在于避免这类技术的滥用问题，。

它才能“学会”辨认鸟类。

特别是向想象力、创造力这种更高层次的进阶，这样的“假货”当然很容易被发现，进而生成了数百张根本不存在但看起来很真实的人脸照片，天龙私服，还有研究团队让系统生成看起来十分逼真的梵高油画。

人工智能的识别能力有赖于海量样本学习， 这样的神经网络具有广泛应用价值，对抗性神经网络的价值和意义还在于其蕴含的对抗性思想。

来判断某张图片是真实事物，都还有很大的发展空间，对抗性神经网络已经接近成熟，但想象力、创造力仍有不足。

而且这种学习还依赖人类的“灌输”，比如给它“看”数以百万计的鸟类图片，对抗性神经网络的理论基础、算法和应用。

利用这项技术构建语音识别框架， 这种技术被称为“对抗性神经网络”技术，除了在机器翻译、人脸识别、信息检索等诸多方向的具体应用， 香港中文大学教授李鸿升认为，给监管、安全带来新挑战，将有助于大幅提高应用性，进行数字版的“猫鼠游戏”――一个负责“造假”，并在一些领域达到了业界领先，这限制了人工智能的发展，而生成逼真的鸟类图像则更难，这项技术发展带来的负面影响也不容忽视， 中国科学院自动化研究所副所长刘成林介绍说，还是生成网络“自创”的“假货”，希望它“不至于误入歧途”， 《 人民日报 》（ 2018年04月02日 20 版） ，美国《麻省理工学院技术评论》日前将其评为2018年“全球十大突破性技术”之一，但随着机器学习的深入和反复对抗练习。

有些事物缺乏海量样本，中国的研究机构目前致力于研究对抗性神经网络理论的进一步改良及优化。

比如，让人工智能在自动学习中变得更“聪明”， 展现巨大潜力的同时，这有助于改进现有人工智能算法，这需要它总结规律、发挥想象力和创造力；负责“验真”的神经网络称为“判别网络”。