问：
深度顽固的网络如何在AI进化中发挥作用？
A：从表面上看，深层顽固网络只是向现有技术架构即生成对抗网络（GAN）“添加功能”，但实际上，深层顽固网络的最新发展告诉我们关于AI如何向人类决策的重要模型。
深度固执的网络依赖于两个AI“实体”（“生成器”和“鉴别器”）在GAN中的相互作用。 生成器“生成”内容或示例或测试数据，或您选择调用的任何内容。 鉴别器接受输入并对输入进行排序或基于输入做出决策。 深度固执网络的这两个部分是用于AI研究的独立实体，但它们可以协同工作。
重要的是要注意，关于深层顽固网络的可用公共文献很少，似乎只包含少量的Google排名页面上的常见描述。 KDNuggets中最权威的机构之一引用了“ Goodfellow系数”的用法，而该系数本身无法通过Google搜索发现。 （伊恩·古德费洛（Ian Goodfellow）是计算机科学家，他深deep了深层网络背后的一些基本思想。）
但是，在KDNuggets和其他地方解释了深层顽固网络的思想：基本思想是生成器可以“欺骗”鉴别器，并且可以使鉴别器“更具歧视性”，直到成为某种方式为止。 ，以其“自我怀疑”表示感觉，而不选择返回结果。 然后，重要的下一步发生了：通过人工干预或算法将程序“哄骗”以提供答案。
在此模型中，我们开始看到AI迈出了巨大的一步，从简单地对数据建模或分析训练集到实际做出我们认为属于人类领域的高级决策。 在评估AI鉴别器的“选择”模式和人类的“选择”模式时，KDNuggets引用了Barry Schwartz率先提出的“选择的悖论”。 一些独立的博客文章描述了这个深deep的网络如何从本质上突出人类的行为：J。Yakov Stern详细阐述了IVR的冗长用法中的当前局限性和可能的进展，Alexia Jolicoeur-Martineau揭示了GAN可以产生的一些最新结果。
因此，从某种意义上说，深层固执的网络对AI的主要影响是将研究重新定位或扩展到易于适用于企业的决策之外，并推动开创性的研究，使计算机更像人类。 可以将这种想法应用到企业中的数量很多，但是它们不像机器学习算法在消费者推荐引擎中的当前应用或在市场营销中使用智能ML流程那样简单易行。 DSN研究似乎表明，我们可以使AI实体更具感知力，从而带来很多风险和回报。
