Het was 2014. Ian Goodfellow — een PhD-student aan de Universiteit van Montreal — discussieerde met vrienden in een bar over een probleem in computervisionderzoek: hoe genereer je realistische afbeeldingen met een neuraal netwerk? Na de avond werkte hij nacht door en implementeerde hij in één nacht een idee dat de richting van AI voor een decennium zou bepalen.
Het idee heette Generative Adversarial Networks, of kortweg GANs.
Hoe GANs werken
Een GAN bestaat uit twee neurale netwerken die tegen elkaar strijden:
- De Generator probeert nep-content te maken die zo realistisch mogelijk is
- De Discriminator probeert echt en nep van elkaar te onderscheiden
Door training worden beide steeds beter. De generator leert steeds overtuigender te liegen; de discriminator leert steeds beter te detecteren. Het resultaat: na voldoende training maakt de generator content die de discriminator niet meer van echt kan onderscheiden.
De impact: van wetenschappelijk speeltje naar deepfakes
De eerste GAN-resultaten in 2014 waren wazig en primitief — gegenereerde gezichten die eruitzagen als smeltende was. Maar het idee was zo elegant dat onderzoekers over de hele wereld ermee aan de slag gingen. Binnen enkele jaren werden GANs gebruikt voor:
- StyleGAN (NVIDIA, 2018-2019): hyper-realistische menselijke gezichten genereren
- Deepfakes: gezichten in video’s vervangen
- Afbeeldingssynthese: foto’s bewerken op semantisch niveau (“maak dit dag” of “verwijder de wolken”)
- Medische beeldvorming: trainingsdata synthetiseren voor zeldzame aandoeningen
Goodfellow en de toekomst
Ian Goodfellow werkte later bij Google Brain en Apple. Het GAN-principe — twee netwerken die elkaar verbeteren door competitie — bleek een van de meest vruchtbare architecturale ideeën in de AI-geschiedenis.
Vandaag zijn diffusion models (zoals DALL-E en Stable Diffusion) populairder voor beeldgeneratie dan GANs, maar het idee achter GANs — dat generatieve modellen leren door competitie — heeft de gehele generatieve AI-beweging geïnspireerd.