他和其他的一些研究人员在那年晚些时候发表了一篇论文，阐述了这个想法。在那之后的三年，atv，已经有数百篇论文来探讨这一概念。

　　更智能的AI

　　也许不再需要人类

　　▼

　　在第一篇论文中表示，这两种神经网络可以产生一种能够生成手写数字的现实图像的系统。

　　如今，研究人员正将这个想法在从猫到火山再到整个星系的各种照片上应用。

　　它甚至可以帮助进行天文学试验和模拟粒子物理学试验。但这仍然是一件非常困难的事情，它不仅需要训练一个神经网络，还需要两个神经网络同时运行。

　　在谷歌，他成立了一个专注于GANS和相关研究的新团队，Goodfellow希望能优化这一过程，他表示道：“最重要的是，作为一名机器学习研究者，我得不断对它们进行有效的训练。”

　　最终的结果：神经网络系统不仅能够更好地生成图像与声音，还能识别它们，这是一种能够在人类的辅助下获得更多的信息的系统。系统模型会尝试学习并理解世界的构造。Goodfellow表示道：可以帮助系统在没有明确背景信息的情况下尽可能多的学习。

　　GANs甚至可能达到一项迄今未能实现的目标，即在无人监管的情况下自主学习。目前，神经网络可以通过分析上百万幅猫的图片学会对其进行识别，在此过程中，人类必须仔细对这些图片进行分析并进行标注。目前，人类仍在机器学习中不可或缺，而随之带来的个人偏见和对大量人类劳动的需求，常常正是AI训练的问题所在。诸如LeCun等AI研究学者正着力推动可显著加速AI发展进化，无须大量人类参与的学习系统研究。

　　然而这仅仅是开始。GANs将带来许多其他可能。David Kale,南加州大学的AI研究学者，相信这个创意可以帮助他和他的同事在不侵犯患者隐私的情况下来建立一个健康护理AI。机器学习系统可以基于假想数据替代真实数据进行训练。“比起把病人病历大规模上传到网络供人使用，为什么不创造一个向研究者开放的完全虚拟数据库以训练GANs呢？”Kale说，“如果基于该数据库的训练模型和原始数据训练结果毫无差异，我们又何乐而不为呢？”

　　Ian Goodfellow 的LinkedIn 个人资料

　　在三月改为「Google Brain research scientist」

　　尽管很多研究者已在探索GANs背后的奥秘，据称Goodfellow仍决心专门在谷歌建立其研究团队。Goodfellow曾离开谷歌前往OpenAI，承诺要向全世界范围开源分享研究成果的实验室的研究者之一。然而不到一年，他发现所有合作伙伴都聚集在谷歌，并于今年三月份重新回归谷歌大脑。“一整天都不得不面对视频会议的经历一点也不愉快，”他说，“这不是完成工作的好方式”。

　　分享非常重要，然而近距离合作同样如此——无论你是一名AI，还是神经网络的研究学者。