生成對抗網路（Generative Adversarial Networks, GANs）是一種強大的生成式人工智慧技術，由Ian Goodfellow等人在2014年提出。GANs主要由兩個部分組成：生成器（Generator）和判別器（Discriminator），這兩個部分都通常是神經網路。
生成器：負責捕捉樣本數據的分布，並生成與真實數據相似的假數據。它接受隨機噪聲作為輸入，並通過一系列非線性計算生成數據，這些數據可以是圖像、文本或音樂等。
判別器：是一個二分類器，其任務是區分輸入的數據是來自生成器生成的還是來自真實數據集。判別器通常會給出一個機率，表示輸入數據的真實度。
GANs的訓練過程是一個極小極大博弈問題，旨在達到納什均衡。在這個過程中，生成器和判別器相互對抗並不斷最佳化。生成器試圖生成更逼真的數據以欺騙判別器，而判別器則努力提高其辨別能力以更準確地識別真實和虛假數據。
GANs的套用非常廣泛，包括但不限於圖像生成、視頻預測、風格遷移、圖像超解析度重建、文本到圖像的生成，以及為其他機器學習模型生成訓練數據等。
總的來說，GANs是一種革命性的技術，它通過讓兩個神經網路——生成器和判別器——相互競爭和對抗，來學習和模擬數據的複雜分布。這種獨特的方法在許多領域都取得了顯著的成果，尤其是在無監督學習和數據生成方面。