针对特定游戏的风格迁移算法，从而改善手游版画质。光追版上引入的各项新技术，背后差不多都有GAN在支持。”
GAN是目前很火的无监督式深度学习模型，主要应用在图形领域。就像它的名字一样，这个模型充满了“不服就干”的对抗精神，研究者设计两个深度学习网络，前者负责做题，后者负责判定对错，通过二者间一次又一次的答题对抗，前一个生成网络的算法将逐渐趋于合理，从而生成符合设计者期望的结果。
显然，GAN很适合有着标准答案、明确标准的应用场合，尤其是图形图像领域，不管是风格迁移、无损放大，还是去噪补全等等都有着很好很成功的应用。反倒是文字和语音领域，因为信息太过离散超出AI理解范畴，却是不适合使用GAN。
同时，因为是无监督学习，GAN的成本相对较低，只要搭建好框架然后就可以丢给深度学习硬件去折腾，很符合人工智能解放人力的初衷，这也是它受到全世界追捧，相关论文与应用层出不穷的原因之一。
唯一不好的是，因为是放手让AI自己折腾的无监督学习，GAN输出的结果不是非常稳定，有时甚至还会出现长时间训练没有结果的情况。
为了改进这个缺点，蜜蜂将半监督学习还有强化学习引入进来，客观上改善了结果的稳定性，却也增加了人力成本、降低了效率。蜂游PT平台上的游戏成千上万，自然没办法在第一时间全部覆盖，只能优先推出新游以及高人气游戏的画风迁移补丁，剩下的就只能等着。
(本章完)