对抗生成网络（GAN）是一种近年大火的无监督机器学习方式，可以基于真实的数据集生成假图像、音频或者视频。它创建的虚构内容足以以假乱真，伪造了很多名人假视频的 DeepFake 技术就是利用了这种技术。
与大多数机器学习模型一样，GAN 非常依赖用大量数据进行训练，否则其表现无法让人满意，但海量的数据并不容易获取。
最近，麻省理工学院（MIT）的研究人员发表了一项最新研究，通过深入挖掘 GAN 的内部工作原理，找到了可以在不重新训练的前提下，重写 GAN 模型的办法。只要改变特定参数，GAN 就会生成特征完全不同的图片，可以帮助研究人员创造出更多全新模型。
更重要的是，该研究还发现了一个令人惊奇的现象：虽然参数可以调整，神经元可以抑制，甚至规则也可以被重写，但 GAN 的 “世界” 中仍然存在一些很难改变的规则，就像根深蒂固的原则一样。比如 “门不会出现在天空中” 这一条，如果强行重写，也只能得出一个“长的像门的云”。
（来源：MIT CSAIL）
这说明模型内部存在某种内在逻辑，而且很可能是人类的训练数据“教给”GAN 的，然后成为了 GAN 对世界运作规律的理解。
为了了解 GAN 内部神经网络的连接方式，该研究的主要作者，MIT 博士生 David Bau 开始深入研究深层网络结构，同时筛查算法背后数百万条数学运算。他将 GAN 的神经活动记录下来，像剥洋葱一样一层层地观察其内部结构，并将所有的算法列出。
“就像开发人员在调试代码一样，将整个系统的工作过程可视化，”Bau 表示。
经过几个月的实验，研究团队意识到，在 GAN 创造的内容中，有一些特定特征的神经元被单独编码。它们已经学会了绘制特定特征，如果直接改变它们，就能改变算法最终生成的内容，将其编辑成自己想要的样子。
打个比方，用户可以在搜索负责生成云的神经元集，然后改变其参数，从而在天空中添加更多的云，或者擦除所有的云。类似的效果还能用于添加窗户，删除前景的车和人等等。
研究人员将这个研究成果称为 GANPaint，去年就已经在网上开源。
图 | GAN 会为有窗户的房间补充光线反射（来源：MIT CSAIL）
他们最初认为，这一发现为 GAN 的使用打开了一扇新大门，创造出的内容只会受到人类想象力的限制。普通人甚至无需了解机器学习，只要更改各种参数，激活或抑制某些神经元，就会涌现出天马行空的创意。
但事情并没有这么简单，Bau 的团队很快发现，他们试图调整的某些参数似乎没有被 GAN 所接纳。
“如果让 GAN 在天空中画一扇门，它会先接受这个请求，然后再否决并拒绝执行，”Bau 解释道，“因为这不现实。”
在一个算法创造的虚拟世界里，GAN 怎么知道 “门在天上飘” 不符合人类世界的规则？
在更加深入神经网络的深层结构之后，研究团队发现神经网络中存在不同的记忆库，作为通用规则发挥作用，联系自己学到的模型。也就是说，GAN 会发展出联想记忆。
这种记忆是在接触足够多的例子（数据）之后形成的——数据之间的关联以记忆的形式储存在模型中。在输入大量的门和云的图片后，模型就会知道门是建筑物的一部分，而云是飘在天上的。
另外一个经典例子是房屋内的光线。当 GAN 为一个没有窗户的房间加上窗户后，它还会自动补上附近物体表面的漫反射，显示出对物理原理的直观理解，即使它不知道什么是光，也对人类世界的物理原理一窍不通。
定位到这些记忆库之后，研究人员就可以像之前一样操纵算法，类似于擦除和添加新的记忆。
研究人员以眉毛为例，改写了 GAN 对眉毛设定的规则，并将胡子的样子植入其中。在随后生成的人脸图片中，眉毛就变成了跟胡子差不多的样子。
图 | 改变生成图片中小孩的眉毛（来源：MIT CSAIL）
他们还设计了一个更直观的交互界面来编辑和重写 GAN 的记忆，允许用户自行剔除图片内容，改变规则，进而创造新的模型。
不过目前这一技术仍有局限性：GAN 仍然很顽固。
Bau 解释称，现在让算法在空中画一扇门，出来的结果看起来很像云。原因是它对天空中物体的几何形状的理解仍受到训练数据的影响。
这反映出 GAN 想创建一个与我们所处世界不同的环境是多么的困难。更进一步想，我们也能看出，GAN 或者其他机器学习模型，通过人类数据认识这个世界的时候，在很多方面都会生成根深蒂固的规则，也包括缺陷和偏见。
“这限制了它的能力，令我感到担忧，也是真正的挑战，”Bau 表示。他希望未来进一步突破算法的瓶颈，提高人类想法和想象力在技术中的重要性。
如果艺术家可以成为算法的老师，为它们创造一些富有想象力的不存在的世界，或许就能更好地激发其潜力。
