根据Wired网站报导，Goodfellow甚为年轻，他发想出GANs AI技术是在一次偶然机遇下想出的，当2014年Goodfellow仍就读于加拿大蒙特娄大学(University of Montreal)博士学位时，在一次于酒吧中稍微酒酣耳热之际凭空想像出一个名为“Generative Adversarial Networks”的AI技术，如今对GANs技术略微了解的专家，都已可说出GANs的核心概念，即用于创造真实图像的AI技术以及另一个用于分析结果及试图决定影像真伪的AI技术。
Goodfellow表示，可以将上述两项GANS的AI技术分别视为是艺术家与评论家，其中生成模型AI是艺术家，希望矇骗过艺术评论家的眼睛，让艺术评论家相信其所创造的影像是真实的，由于**个AI会很努力要辨识**个AI所创造影像的真伪，这让**个AI可借此学习创造出真实的影像，两个AI就可在过程中持续提升自身的技术水准，直到摆脱人类的指导。
Goodfellow指出，当时他在酒吧与许多好友聊天之际，有一名好友提到一项全新研究专案，即以数学的方式决定任何形成图像的元素，概念就是将这些统计资料输入运算机中，让该机器能够自行创造出图像，当时Goodfellow认为此举无法行得通，因涉及太多统计学资料，当时他便想出透过神经网络教导机器建立真实图像的方法，认为可打造出两个神经网络，以上述模式彼此进行学习，*终教会神经网络创造出非常逼真的图像。
虽然当时这个突发奇想让Goodfellow的朋友们觉得不可行、遭到反驳，不过据Goodfellow表示，当时他有些醉意的回家后，就直接在NB中连夜写出GANs模型，此后Goodfellow再依据那天的想法与几名研究人员发表首篇论文，共同提出上述GANs的概念，此后3年间也持续依此概念发表上百篇论文探讨相关内容，发展至今几乎任何事物都可作为GANs图像创造的对象，GANs甚至还协助天文及物理学研究。
Goodfellow希望开发出一套可靠的GANs AI训练方式，但由于要训练的AI有两个，因此要将此概念化为实际也面临重重挑战，而Goodfellow研究团队目前所能做的，即尽可能简化研究过程。Goodfellow指出，目前该生成模型已可理解这个世界是如何构成的，且能够在无需人类明确告知下进行学习，尽管这类无需人类监督的学习模式仍未化为真实技术。另外，GANs技术除了可创造图像及声音，甚至也能够辨识图像及声音。
GANs技术目前仍只在初步发展阶段，未来可望有许多其他应用可能性，如美国南加大AI研究人员David Kale指出，GANs能够形成伪造资料的特性，有助于研究人员在无需侵犯病患隐私下打造出健康照护AI技术。基本上GANs能够创出伪造的医疗纪录，之后机器学习(ML)系统能够就这些伪造医疗资料进行训练，这相较于让病患将个人医疗资料上传至网路环境时可能面临的隐私风险，透过GANs建立一个资料库，也可用于其他领域的研究。
目前虽然Goodfellow的概念仍有待进一步成熟发展，不过此概念目前已迅速蔓延至全球AI领域，已有不少研究人员都在探究GANs技术的深层奥秘，Goodfellow在离开Google、加入OpenAI后如今又回到Google，计划于Google打造一支GANs技术研发专门团队，未来全球GANs技术将如何演进，值得全球AI界持续观察。
公安机关备案号：
