0
当AI浪潮袭来，谷歌、Facebook、微软等几个山头恨不得把自己都浸没在潮水里，可劲打滚儿的时候，苹果这座孤岛却始终有一种不愿被沾湿的姿态。
12月初，在洒满阳光的西班牙NIPS大会上，苹果AI研究团队负责人Russ Salakhutdinov曾兴奋地宣布，苹果将允许其AI研究人员对外发布论文。那之后，众人都在翘首以待，巴巴等着这个这个世界上市值最高的公司（截至12月23日市值6172.34亿美元）的第一篇AI论文将以何种面目出现。
今天，这篇论文出来了。苹果伸出了手指，试探了一下海水。
这篇题为《通过对抗训练从模拟的和无监督的图像中学习》（Learning from Simulated and Unsupervised Images through Adversarial Training）的论文于12月22日提交给了arXiv.org，一经发布迅速点燃了媒体头条。
苹果这篇图像识别领域的论文，提出了一个所谓“模拟+无监督学习”（simulated + unsupervised learning），使用了如今最炙手可热的深度学习“对抗训练”。
而有着“GANs之父”之称的Ian Goodfellow在推特里直接评论道：“苹果第一份机器学习论文是关于GANs的。”
于是，GANs又借势火了一把。
所谓的GANs模型，就是让两个网络相互竞争，玩一个“猫鼠游戏”。
一个叫做生成器网络G（ Generator Network），它不断捕捉训练库里真实图片的概率分布，将输入的随机向量转变成新的样本。一句话，G负责生成假图片。
另一个叫做判别器网络D（Discriminator Network），它可以同时观察真实和假造的数据，判断这个图片到底是不是真的。
G尝试用自己的赝品来“蒙骗”D，而D也不断提高自己鉴别赝品的水平。这样G的造假能力和D的鉴别能力都会越来越高超。
在机器学习领域，需要海量的数据来训练模型，而海量数据本身的获取都成问题。AI界常有这么个说法：
“谁手握了数据，谁就占据了人工智能的制高点。”
南京大学周志华教授也曾经在演讲中提到机器学习应用的限制因素：
机器学习虽然能力很强，但它并不是一个万能的东西。至少有两件事，我们经常都要提醒自己，机器学习可能是做不了的。
第一种情况，如果我们的拿到的数据特征信息不够充分，那么机器学习可能就帮不上忙；第二种情况，如果数据样本的信息非常不充分，那么这种情况也基本上解决不了问题。
所以，GANs最具革命性的地方在于，它的生成器G自己产出数据，而人只需要最初输入一些随机向量。无怪乎，Yann LeCun曾评价说：
“对抗训练是切片面包以来最酷的事情（Adversarial training is the coolest thing since sliced bread）。”
但是苹果这份论文里提到的模型，与GANs还是有些微不同的。他们想要解决的问题就是：提升合成图像的质量。他们对GANs稍加修改，提出了“SimGAN”训练方法，其中的“Sim”指的就是单词“模拟器”。论文摘要里提到：
“我们的模拟+无监督学习方法，使用的对抗网络跟GANs很类似。但是，输入值是合成图像，而不是随机向量。”
苹果的SimGAN其实包括三部分：模拟器（Simulator）和精制器（Refiner），然后再加上一个判别器（Discriminator）。模拟器合成图像，再用精制器优化，最后喂给判别器训练。
有学术圈内人士对这篇论文的“含金量”表示怀疑，然而苹果这份论文“试水”的意义其实远大于论文本身的意义。Forbes评论道：这篇AI论文，是苹果标志性的一步。
对于AI业界来说，这表明苹果要迈开步子、扛着大旗来搅动海水了。
这篇论文的第一作者是Ashish Shrivastava，其个人主页上显示为马里兰大学计算机视觉博士。
其它共同作者还有5人，分别是Tomas Pfister, Oncel Tuzel, Wenda Wang（华裔）, Russ Webb 和Josh Susskind。但是苹果的“秘密文化”并没有一下子就敞开大口，这6名研究人员，除了Tomas Pfister之外，雷锋网在Twitter上很难找到其它5人的踪迹，而Tomas Pfister这位剑桥、牛津双名校的高材生，至今发过的推文也只有5条而已。
PS：关注雷锋网（微信公众号：雷锋网）
相关文章：
百度硅谷 AI 实验室主任 Adam Coates：企业级 AI 的未来展望及人才竞争
雷峰网原创文章，未经授权禁止转载。详情见转载须知。
