造假者与鉴定师：GAN
Goodfellow, Pouget-Abadie, Mirza, Xu, Warde-Farley, Ozair, Courville, Bengio · NIPS 2014 · arXiv:1406.2661
让两个神经网络互相欺骗，直到假的骗过真的——这听起来像歪理，却是十年来生成式 AI 最优雅的思想之一。论文里那些吓人的词——极小极大博弈、纳什均衡、JS 散度——你一个都不用记。你只需要会做一件人人天生就会的事：分辨真假。来，先试试你的眼力。
你来当鉴定师
桌上放着八张钞票，四真四假。你是鉴定师。为了能画在一张图上，我们把一张钞票压缩成一个数：墨色深浅（0 最淡，100 最浓）。真钞出自同一台印钞机，墨色稳定；假钞嘛……你看了就知道。
点出你认为是假钞的圆点（再点一次可以取消），然后按「揭晓」——没什么大不了的，凭直觉点就行。
然而，被你识破的造假者不会认输。麻烦在于：它连真钞长什么样都没见过——它手里只有一台掷骰子的机器，和你刚打出的分数。这样也能学会造假？
造假者的车间
造假者（Generator，生成器，下文叫造假者 G）的车间里没有真钞样本，只有一个噪声源：每次吐一个随机数，你可以想成掷一把很多面的骰子。G 做的事是给噪声变形——把骰子点数乘一个「胖瘦」、加一个「中心」，变成一张钞票的墨色。造一万张，就得到一条红色的分布曲线。变形参数对了，红曲线就会盖住绿曲线。
先替它干一次活。拖动「中心」和「胖瘦」两个滑块，把红色的假钞曲线贴到绿色的真钞曲线上。拖的时候盯着右上角那个数字。
注意那个正确率：两条曲线一重合，它就从九十多一路往 50% 跌——曲线盖住的区域里，一张钞票既可能是真的也可能是假的，再火眼金睛的鉴定师也只能掷硬币。造假的目标不是造出"一张"以假乱真的钞票，是让假钞的整体分布盖住真钞的分布。
然而你能拖对，是因为你看得见绿线。G 看不见——真实分布对它是黑箱，它连自己造得像不像都无从知道。它唯一能拿到的信号，是鉴定师打出的那个分数。一个看不见答案的学生，一个不停打分的老师——把这两位锁进同一个房间，会发生什么？
锁进同一个房间
零件齐了：你在第一节亲手当过的鉴定师 D，你在第二节替它拖过滑块的造假者 G。GAN（Generative Adversarial Network，生成对抗网络）就是把两者锁在一起轮流出招。一回合 = D 先进化一步（拿最新的假钞重新校准打分曲线），再轮 G 进化一步（顺着 D 的打分曲线，往分数更高的方向挪自己的分布）。
图里那条蓝色虚线就是 D 的打分曲线——对 G 来说，它是一张登山地图：哪边分数高，就往哪边爬。连按「下一回合」，看红线一步步爬向绿线；每隔几回合，按「抽 6 张考考我」，亲自验收造假者的手艺。
第 0 回合你随手满分；第四、五回合你开始犹豫；到第 8 回合，你和世界上最强的鉴定师一样，正确率被钉死在 50%——只能掷硬币。不是你变笨了，是假分布和真分布重合了。再注意一个奇妙的分工：G 从头到尾没见过一张真钞，它对"真"的全部知识，都是从 D 的打分里一回合一回合偷学来的。D 越是努力抓假，就越是把"真钞长什么样"泄露给了对手。
论文里的那一行公式，其实就是这个房间的规则（可跳过）
minG maxD V(D,G) = Ex[log D(x)] + Ez[log(1−D(G(z)))]
中括号里的 V 是鉴定师的总成绩：给真钞（x）打高分、给假钞（G(z)）打低分，成绩就高。D 想把成绩推到最大（max），G 想把它压到最小（min）——"你压我一头，我再扳回来"，这就是极小极大（minimax）博弈。看一个数值例：
| D 给某张假钞打分 | log(1−D) | 对 G 意味着 | |
|---|---|---|---|
| 改进前 | 0.10（一眼假） | −0.11 | 成绩项接近 0，D 得意 |
| 改进后 | 0.40（开始像了） | −0.51 | 把 V 压小了，G 得分 |
你按的每一下「下一回合」，就是 D 和 G 各对 V 做一步 max 和 min——论文叫交替梯度下降。
然而，"最强鉴定师也只能掷硬币"听起来像系统坏了——花这么大力气，就为把一个好好的鉴定师训练到报废？为什么论文说 D 输出 ½ 恰恰是大功告成？
一张写着 ½ 的毕业证书
关键在"最强"两个字。给定真假两条曲线，存在一个谁也超不过的最优鉴定师，而且它有公式（论文 Proposition 1）：在墨色 x 这一点，D*(x) = 真(x) ／ (真(x) + 假(x))——真钞密度占总密度的比例。这不是某个网络学出来的，是数学给出的天花板。
拖动「重合程度」滑块，从完全分开扫到完全重合，亲眼验证这个天花板在每一档的位置：
拖到头你会看到：两条曲线完全重合时，公式的分子分母处处相等，D*(x) 在每一点都等于 ½——打分曲线被压成一条死平线，正确率上限落在 50%。这不是哪个鉴定师学艺不精，是数学上不存在更好的鉴定师。所以 D 输出 ½ 不是故障报告，是毕业证书：它证明 G 的分布已经和真实分布重合。论文的 Theorem 1 说的就是这件事——整场博弈有唯一的全局最优点，当且仅当 假分布 = 真分布，此时 D* ≡ ½。判别器的失败，就是生成器的成功；整场博弈的终点线，画在 ½。
Theorem 1 还偷偷回答了一个更深的问题（可跳过）
G 的真正目标是"让假分布靠近真分布"——但"靠近"得有把尺子。麻烦在于：真实分布没有公式可查，我们手里只有一堆样本，这把尺子没法直接造。
论文证明了一件漂亮的事：当 D 达到最优时，博弈的总成绩 V 恰好等于两个分布之间的 JS 散度（Jensen–Shannon divergence，白话：一种衡量"两条曲线差多远"的距离）再加一个常数。也就是说——
D 本身就是那把尺子。G 每压低一分 V，就是在实打实地缩短与真实分布的距离。你在上图拖动"重合程度"时看到的正确率上限，就是这把尺子的读数：上限 92% 表示距离还很远，上限 50% 表示距离归零（JS 散度 = 0 当且仅当两分布相等）。训练一个鉴定师，其实是现场造了一台"距离测量仪"。
然而，这是黑板上的剧本。2014 年之后无数工程师会红着眼眶告诉你：这场博弈在现实里翻车翻得臭名昭著。第一种翻车，叫偷懒。
偷懒的造假者：模式坍缩
把设定换得更接近现实一点：真钞其实有两版——旧版墨色偏淡，新版偏浓，绿色分布有两座峰。现在想想，造假者最省力的策略是什么？只仿一版。因为 D 只回答"这张像不像真的"，从不回答"你造的花色全不全"——只要仿得像，一招鲜也能拿高分。
按「播放」，看这场猫鼠游戏怎么循环（拖动滑块可以逐帧细看）：
看红峰的走位：它扑向旧版，把旧版仿到乱真；D 察觉"旧版扎堆得可疑"，把那一带的分数压下去；红峰立刻弃旧投新，整个搬到新版；D 再追过去，它再搬回来……循环往复，右上角的覆盖率永远卡在一半上下——两座峰，它永远只占一座。这就是模式坍缩（mode collapse，白话：一招鲜）——GAN 最著名的失败模式：生成的每一张单看都像真的，但翻来覆去总是那几张。D 管"像不像"，没人管"全不全"——多样性这件事，赛场上没有裁判。
然而，就算 G 不偷懒，这场博弈还有一种更隐蔽的死法：两个对手，不搭。
棋逢对手
回想第三节的登山地图：G 的每一步，都踩在 D 打分曲线的坡度上。这注定了两种死法。D 太弱，打分曲线是一团乱麻，坡度一会儿指东一会儿指西，G 跟着噪声乱飘；D 太强，它直接把假钞区的分数全打成 0——打分曲线成了"平地 + 悬崖"，而平地上没有坡度，G 站在原地一步也迈不动（论文原文就警告过这种梯度消失，还为此专门换了一版 G 的目标函数）。
最后这间实验室交给你。拖动「鉴定师功力」，按「运行 10 回合」，把三个区间都试一遍——挑战：找出能让红线真正贴上绿线的功力范围。
太弱是噪声，太强是悬崖，只有中间那一段坡度是路。对抗不是你死我活，是互相当陪练——陪练太菜或太狠，都练不出功夫。训练 GAN 的工程师每天的日常，就是想方设法让两个对手始终棋逢对手：这就是 GAN"难训练"恶名的来源，也是后来 WGAN、谱归一化这一整个小行业存在的理由。
假的骗过真的之后
这套博弈出自 Goodfellow 等人 2014 年的《Generative Adversarial Nets》。真实的 GAN 里，G 和 D 都是深度网络，样本不是一个墨色数字，而是几万维的图像——但你玩过的每一样都原封不动地在论文里：你按的「下一回合」是它的交替梯度下降，你拖到重合的两条曲线是 Theorem 1 的全局最优点，你在第五、六节亲眼看过的偷懒和悬崖，是此后十年整个领域排队要填的坑。
说句诚实的：今天你手机里的图像生成器，多半已经不是 GAN 了。2020 年代，扩散模型接过了图像生成的王座——恰恰因为它绕开了你刚撞过的那两堵墙：不用维持两个对手的微妙平衡，也不容易只学会一招鲜。GAN 交出了王座。
杠精清单：三个你可能正想问的问题
"D 最后只能掷硬币，那花力气训练它干嘛？"——D 是脚手架，不是产品。整场博弈真正要的是 G；D 的价值在过程里：它每一回合的打分，都是 G 唯一的教材。毕业典礼之后，脚手架照例拆掉。
"为什么不直接让 G 最小化'与真实分布的距离'，非要绕个对手？"——因为真实分布没有公式，只有样本，"距离"根本没处算。GAN 的狡猾正在于此（见上一节的折叠区）：训练 D 等于现学出一把量距离的尺子，量的和造的同步进化。
"一维高斯也太玩具了吧？"——承认，而且必须承认。真实 GAN 的样本是几万维的图像，坍缩的样子不是"红峰搬家"，而是"翻来覆去生成同几张脸"；平衡的难度也远比一个滑块残酷——所以才有了 DCGAN、WGAN、StyleGAN 这一整条修补链，人脸才从 2014 年的噪点马赛克进化到 2019 年的以假乱真。骨架，就是你玩过的这一套。
但"对抗"这个思想没有退场。用一个网络监督另一个网络——你在第三节里每按一次「下一回合」，扮演的就是那个不断进化、专挑破绽的对手——这个角色今天有了新名字：大模型上线前要过红队测试，一群人专职扮演骗子攻击它，逼它在对抗中变得更结实；deepfake 生成器和 deepfake 检测器正在互联网上真实上演你看过的那场追逐；"对抗样本""对抗训练"成了 AI 安全的日常词汇。鉴定师和造假者互相成就的那个循环，从论文里走出来，成了这个行业检验"真"的基本姿势。
所以，下次看到"AI 内容检测器又被新模型骗过"的新闻，你可以想起那条被你亲手考到 50% 的正确率线，并且比大多数人多懂一层：只要检测器还赢得了，就说明生成器还没毕业——而它们谁也离不开谁。