一般认为GAN是由Ian Goodfellow等人在2014年提出的，但有人发现同样的想法早在2010年就由芬兰的一位电气工程师提出，由此引发了一场关于如何成为第一个发明家。
由Ian Goodfellow在2014年提出的GAN已经成为计算机视觉领域中最重要和应用最广泛的概念之一。
学术界流传的甘诞生传说。据说是因为伊恩古德费勒(Ian Goodfellow)某天晚上在酒吧和同事讨论学术问题，喝醉了酒，突然灵光一闪，提出了甘的初步设想，当时并没有得到同事的认可。
后来我从酒吧回去，发现女朋友已经睡觉了，我就熬了一夜写代码，发现真的很有效。经过一番研究，甘诞生了。
甘的主要灵感来源于博弈论中零和博弈的思想，它由一个生成网络和一个判别网络组成。两个网络在不断博弈：生成网络从潜在空间中随机抽取样本作为其输入，其输出结果需要尽可能模仿训练集中的真实样本。判别网络的输入是真实样本或生成网络的输出，其目的是尽可能地将生成网络的输出与真实样本区分开。生成的网络要尽可能的欺骗鉴别网络。两个网络相互对抗，不断调整参数。最终目的是让判别网络无法判断生成网络的输出结果是否真实。
有人比Ian Goodfellow早四年提出GAN？
就在大家已经觉得GAN和Ian Goodfellow平起平坐的时候，有人在Reddit上挖了一个坟墓，说其实在Ian提出GAN这个概念的4年前，就已经有人提出了非常类似的概念。
Reddit讨论地址：
https://www . Reddit . com/r/machine learning/comments/bnqm0p/d _ gans _ were _ invented _ in _ 2010/
芬兰电气工程师Olli Niemitalo会在自己的博客上记录一些不时冒出来的想法。2010年2月24日，他记录了一种训练人工神经网络生成可变上下文中缺失数据的方法。
博客链接：
http://yehar.com/blog/?p=167#2010-02-24
他在博客中写道：图像可能会丢失像素，那么如何通过周围的已知像素来恢复丢失的像素呢？
他提出的方法是一种叫做发电机，它在给定周围像素作为输入的情况下生成缺失的像素。(看，在2010年，Olli已经提到了发电机的概念！)
那么接下来的问题就是，如何训练这样的网络？
比如一张草地照片上有污点，我们知道被覆盖的部分(缺失数据)也是草，那么我们就可以训练神经网络用草来修复，根据生成的草和原始数据的均方根差(RMSD)给神经网络的结果打分。
但是，如果生成器遇到不属于训练集的图像，那么神经网络就不可能把所有的叶子(尤其是缺失部分中心的数据)都放到合适的位置。如果生成器的结果看起来不令人满意，它将受到惩罚。
看，代/对抗，它全都在那里！接下来，他还画了一张流程图：
解释一下上图。给定一个分类器网络，它可以与生成器同时训练。分类器网络以随机或交替顺序给出生成的原始数据。
接下来，分类器需要猜测输入的是原始数据还是周围图像背景下的生成数据，并对猜测结果进行评分。原始数据1分，生成数据0分。
生成器的目的是获得尽可能高的分数。随着生成器网络继续学习获得高分，它最终将能够生成人眼可以我分不清真假。
看到这里，很多Reddit网友都不淡定了，都觉得这个人是谁？""它可惜他并不出名，否则blahblah ：
MasterSama:Olli是数百万超越时代但不为人知的例子之一。但我还是觉得，虽然伊恩可能不是第一个提出甘的人，但他是第一个让甘火起来的人。
为什么毛里：我同意师父的说法。我在课堂上听到一句话，没有一项科学发明是以最先发现它的科学家的名字命名的。
Alexmlamb:对于先入为主的感觉，我不我不想承认这两者是一样的。但我可能不得不承认，两者的相似度令人难以置信。
甘之父从来没有怀疑过，包括LSTM之父
中国有句老话，没有第一势力，也没有第二势力。在学术领域，从来不缺少争论。
例如，今年的所有权美国图灵奖，包括南京大学人工智能学院院长周志华教授在内的许多学者都质疑，为什么图灵奖的得主不是LSTM之父于尔根施密德胡伯？他也是深度学习领域的伟人。
LSTM之父于尔根施密德胡伯(Jrgen Schmidhuber)声称，他在1992年提出了一个PM(可预测性最小化)模型，与甘有一些相似之处，因此称伊恩古德费勒甘之父。
最后，无奈之下，Goodfellow不得不在论文的最终版本中加入了GAN和PM的差异对比，从而诞生了第一篇GAN论文。
为此，Schmidhuber和Ian不仅在邮件中进行了激烈的争论，甚至在2016年的NIPS大会上，Schmidhuber在Ian做GAN s教程。首先介绍了我在1992年提出的PM模型，介绍了PM模型的原理和实现过程，然后问Ian如何看待GAN和PM的相似之处。
伊恩当场直接表示，他们之前在邮件中讨论过这个问题，并没有我不想卷入NIPS会议，浪费观众的时间。
伊恩的话赢得了在场老板们的阵阵掌声。一个五十多岁的长辈试图碾压一个三十出头的小伙子，结果被小伙子打死了。场面一度十分尴尬。
想法不值钱，做出成绩的人才有话语权？
人工智能、机器人和空间科学工程师约翰库珀(John Cooper)在推特上阐述了自己对此事的看法：想法没有价值，做出成绩的人才有发言权。
伊恩也在下面回答，从侧面认识到做总是比说更有价值。如果你有一个确切的想法是可行的，并且领域知识能够认识到它应该是有效的，那么它实际上将是有价值的。制作第一个功能性氮化镓只用了大约1个小时，而写这篇论文需要2个星期。这绝对是一个99%的灵感，1%的汗水。
言下之意是，我我做到了，这么少的工作，你呢？"
克拉斯之父弗朗索瓦乔莱(Fran ois Chollet)回答说：这是学术界的一个大问题。正确地发展一个想法通常需要几十(如果不是几百)个人和多年的艰苦努力。但荣誉应该归于第一篇学术论文的第一作者(不考虑学术界以外的现有技术)。
事实上，如果我们打开维基百科中关于甘的定义，我们会看到维基中竟然提到了奥利涅米塔罗德的博客。不仅如此，还列出了从1990年到2017年所有与GAN相似的概念。
例如，施密德胡伯美国的可预测性在1992年降到了最低；2012严洲等将对抗原则应用于SVM；2013年，李、和格罗斯提出图灵学习通过在竞争环境中采用推理模型；直到2014年，Ian Goodfellow向公众介绍了GAN的概念，对未来的人工智能领域产生了巨大的影响。
大神人们将永远记住他的成就。即使是一个不知名的人，10年后也可能被提起来热议。
无论是Ian还是Schmidhuber，科学家所取得的成就的重要性和原创性总会被认可和质疑。但无论如何，大神们总有一个共同点，那就是坚持！
正如伊恩所说：我只需要30秒钟就可以把整个GAN的想法组合起来。但这是基于我花了四年时间攻读相关领域的博士学位，再加上读博士前的两年业余爱好。
台上30秒，台下6年！
标签：GaN领域想法