用神经网络产生的图片训练图像识别项目和科学软件。

火山、修道院、鸟：Jeff Clune 研究论文中的各种图像都可成为他的假期快照。但事实上，这些图片都是合成的，由深度学习神经网络生成：也就是模仿大脑中神经元连接方式的计算单元的层。

人工智能生成的星系和火山图像

近年来，神经网络在识别、解析图像、视频、语音中的信息上有了巨大的进步。但现在，Clune 这样的计算机科学家正在将脑海中的这些人工智能系统转变成创造生成式网络，从而能够大量炮制看起来真实的信息。在拉勒米市怀俄明州立大学工作的 Clune 说，「我现在有点分不清真不真实。」

纽约大学粒子物理学家 Kyle Cranmer 说生成式系统也为神经网络如何解析世界给出了洞见。尽管还不明晰虚拟神经元如何存储、解析信息，它们生成数据的近似真实表明它们对现实世界有所掌握。

人工智能研究员对使用生成式网络训练图像识别软件非常的兴奋。更普遍的是，Cranmer 说，人工智能生成的科学数据可能帮助天文学家和其他研究人员清除数据集中的噪音，从而更好的理解数据集中的模式。

人工智能对抗

在计算机科学领域，围绕生成式网络与图像识别网络一直有争论，都在研究如何改进两者的表现。据 Facebook 人工智能团队负责人 Yann LeCun 所言，这些生成式对抗网络（GAN）是「过去 20 年中深度学习领域最酷的想法」。

神经网络学习判别人类标记过的训练图像，给出『维多利亚式房屋』或者『金毛猎犬』的描述。训练的过程告诉人工智能如何调整虚拟神经元之间的连接，以便于最终能够学会自我标记，包括标记新的图片。

在 GAN 中，两个神经网络一起训练，外界给予很少的帮助。生成式网络产生虚假的图像，判别式网络尝试分别这些虚假图像的真实性。之后，判别器检查哪些图像是真实的，哪些是假的，以便于更好的进行区分。生成器从未见过真实的图像，相反，判别器会告诉它如何调整输出，从而使得生成的图像更真实。

人工智能生成图像

只基于文本描述，人工智能网络生成的图像。

非营利组织 OpenAI 的计算机科学家 Ian Goodfellow 说，「你可以把判别器视为老师，教生成器如何进步。」他补充说，换言之，判别器就像银行家，帮助造假币的人学习如何造假币。Ian Goodfellow 在 2014 年想到了 GAN，当时他还是机器学习先驱 Yoshua Bengio 的学生。他说，atv，博弈论表明，在理论上，生成器最终将达到判别器无法区分真假。

人工智能图像识别系统使用 GAN 能比传统的深度学习系统更高效的学习，Goodfellow 说，在数百张训练图像的基础上就能很熟练，目前顶尖的图像识别需要成千上万张。他说，这可能帮助医疗诊断这样的应用，这些领域虽然有大量的病人数据，但大部分受到了隐私的限制。

人工智能研究员创造了大量生成图像的方式。一种被称为变分自编码器（VAE），阿姆斯特丹大学的计算机科学家 Max Welling 说它能够产生比 GAN 稍微不太真实但更多样的图像。而且其他团队开发出了更进一步的变体，也就是结合 GAN 和 VAE。在 Clune、Bengio 和其他人合作的最新的一篇论文中，他们研究网络结合来生成真实的图像。

人工数据

在基础科学中，j2直播，生成人工智能（Generative AI）看起来更有前途，Welling 说，他正在帮助开发 Square Kilometre Array (SKA)，一座在南非和澳大利亚建立的射电天文台。SKA 将产生大量的数据，它的图像需要被压缩成低噪声但不完整的数据。生成人工智能模型将会帮助重构并填补这些数据的空白部分，产生天文学家能够进行实验的天空图像。

卡耐基梅隆大学的天体物理学家 Rachel Mandelbaum 带领的一只团队正在实验使用 GAN 和 VAE 模拟因引力透镜效应而看起来畸形的星系图像。研究人员打算研究大量的星系图像，来绘制宇宙历史中的引力透镜效应（gravitational lensing）。这能演示宇宙的物质如何随时间变化的分布，为研究导致宇宙爆炸的暗能量的性质提供线索。但为了做到这点，天文学家需要能够可靠地软件分离引力透镜与其他影响。Mandelbaum 说合成图像能够改进该项目的准确性。