DIGITIMES Research：GAN技術為AI數據不足困境提解方 自我優化機制加速體現非監督式學習目標

面對AI應用缺乏訓練數據量的難題，「生成對抗網路」(Generative Adversarial Network；GAN)技術能將少量數據，生成更多擬真數據，可望滿足神經網路模型訓練所需；其架構中所蘊含的自主學習能力，有助提升AI系統自我優化性能。整體而言，GAN技術的擴充數據資源及實現自主學習二大特點，可望強化AI產業鏈根基，以發展出更多元的智慧化應用項目。

GAN技術自2014年被提出後，就一直是AI領域中的研究熱點，其基本概念是利用二組神經網路模型，一組負責生成數據，另一組根據真實數據評判其逼真程度，反覆對抗循環後，最終生成與真實數據相似的擬真數據，以豐富模型訓練所需數據資源。GAN架構中二組神經網路模型相互對抗機制，將有助實現非監督式(unsupervised)學習自主學習能力，可望加速達成AI系統智慧化目標。

由於GAN技術具有擴充數據資源及實踐非監督式學習二大特性，自問世至今已衍生出上千種相關技術項目，專利數量也不斷增加，其中最關鍵的「對抗訓練神經網路」技術已由Google取得專利權，這表示Google已具備GAN技術商轉的有利條件。

DIGITIMES Research分析師陳辰妃認為，縱使GAN技術仍需面臨成熟化過程中的種種挑戰，但基於GAN技術的擴充數據資源及實現自主學習二大特點，可緩解訓練數據量不足困境並增進系統自主優化性能，可望加強AI產業發展基礎能力，迎接即將而來的AI爆發期。