生成对抗网络
由生成器和判别器组成的对抗训练框架，广泛应用于图像、音频等内容生成，是深度伪造技术的核心基础
核心事实
时间轴 (近 90 天)
在 2019 年，AI 视频生成主要依赖生成对抗网络（GAN），这类模型在扩展至连续视频时面临时序一致性差、分辨率低、计算成本高等挑战。
生成式模型的代表性技术包括生成对抗网络（GAN）、变分自编码器（VAE）以及Transformer架构大语言模型。
AgentGAN 是一个对抗式多智能体框架，用于自动改写问题陈述以去除记忆线索，其生成器智能体反复改写题目直到一组冻结的代码模型集体答错，同时通过可执行的合法性门控确保答案与复杂度类别不变。
Adobe采用的方法通常属于扩散模型（Diffusion）或生成对抗网络（GAN）一类。
Nudify类工具通常基于扩散模型或生成对抗网络，能在数秒内将普通照片生成逼真的合成裸照，技术门槛已急剧降低。
对抗式奖励设计借鉴生成对抗网络（GAN）思路，用两个或多个相互制衡的评分器避免单一奖励被轻易 hack，其代价是训练成本上升、奖励信号方差增大，且若评分器共享同一偏见则对抗效果大打折扣。
GAN通过生成器与判别器相互博弈产出逼真图像；扩散模型通过逐步去噪从随机噪声中还原高质量画面。
GAN的博弈有明确的数学目标函数（最小化生成分布与真实分布的差异），而AI招聘中不存在这样一个客观的"真实能力分布"作为锚点，因此AI对AI的招聘博弈更容易退化为纯粹的规则套利。
GAN的核心结构包含两个神经网络：生成器负责从随机噪声中生成逼真样本，判别器负责区分输入样本是真实的还是生成的，两者在训练中相互博弈，理想状态下达到纳什均衡。
文字转视频工具大致分两类：Fliki 代表的文本+素材库匹配模式可控性高，Zebracat 代表的扩散模型/GAN生成原创画面模式视觉独特性更强但稳定性较低
还有 3 条时间轴事件
全部知识事实 (16)
生成对抗网络（GAN）由Ian Goodfellow于2014年提出
90%已验证扩散模型自2020年前后崛起，以更稳定的训练过程和更高的生成多样性取代GAN成为图像生成的主流范式
65%待验证GAN（生成对抗网络）由Ian Goodfellow在2014年提出，核心思想是让生成器和判别器两个神经网络相互博弈
70%待验证在 2019 年，AI 视频生成主要依赖生成对抗网络（GAN），这类模型在扩展至连续视频时面临时序一致性差、分辨率低、计算成本高等挑战。
50%待验证生成式模型的代表性技术包括生成对抗网络（GAN）、变分自编码器（VAE）以及Transformer架构大语言模型。
50%待验证AgentGAN 是一个对抗式多智能体框架，用于自动改写问题陈述以去除记忆线索，其生成器智能体反复改写题目直到一组冻结的代码模型集体答错，同时通过可执行的合法性门控确保答案与复杂度类别不变。
50%待验证Adobe采用的方法通常属于扩散模型（Diffusion）或生成对抗网络（GAN）一类。
50%待验证Nudify类工具通常基于扩散模型或生成对抗网络，能在数秒内将普通照片生成逼真的合成裸照，技术门槛已急剧降低。
50%待验证对抗式奖励设计借鉴生成对抗网络（GAN）思路，用两个或多个相互制衡的评分器避免单一奖励被轻易 hack，其代价是训练成本上升、奖励信号方差增大，且若评分器共享同一偏见则对抗效果大打折扣。
50%待验证GAN通过生成器与判别器相互博弈产出逼真图像；扩散模型通过逐步去噪从随机噪声中还原高质量画面。
50%待验证GAN的核心结构包含两个神经网络：生成器负责从随机噪声中生成逼真样本，判别器负责区分输入样本是真实的还是生成的，两者在训练中相互博弈，理想状态下达到纳什均衡。
50%待验证GAN的博弈有明确的数学目标函数（最小化生成分布与真实分布的差异），而AI招聘中不存在这样一个客观的"真实能力分布"作为锚点，因此AI对AI的招聘博弈更容易退化为纯粹的规则套利。
50%待验证文字转视频工具大致分两类：Fliki 代表的文本+素材库匹配模式可控性高，Zebracat 代表的扩散模型/GAN生成原创画面模式视觉独特性更强但稳定性较低
50%待验证当前主流的文生图模型主要分为三大技术路线：扩散模型、生成对抗网络（GANs）和自回归模型，其中扩散模型因生成质量稳定、训练相对容易而成为当前主流
50%待验证防止AI智能体陷入重复性同意循环的可能解法包括引入对抗性奖励机制、周期性注入随机扰动或维护独立不可篡改的信念状态
50%待验证深度伪造技术的技术底座经历了从生成对抗网络（GAN）到扩散模型（Diffusion Model）的代际跃迁
50%