{
  "id": "generative-adversarial-networks-2014",
  "title": "Zwei Netze gegeneinander — Generative Adversarial Networks",
  "date": "2014-01-01",
  "summary": "Ein Aufsatz von 2014 lässt zwei neuronale Netze gegeneinander antreten: Eines erzeugt Daten, das andere soll echte von erzeugten unterscheiden. Im theoretischen Optimum bildet das erste die echten Daten so genau nach, dass das zweite nicht mehr unterscheiden kann.",
  "body": "Am 10. Juni 2014 wurde der Aufsatz \"Generative Adversarial Networks\" bei arXiv eingereicht.[^s1] Veröffentlicht wurde er im Tagungsband der Konferenz NIPS 2014.[^s2] Verfasst haben ihn acht Autoren: Ian Goodfellow, Jean Pouget-Abadie, Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair, Aaron Courville und Yoshua Bengio.[^s1]\n\nDas Verfahren besteht aus zwei Netzen.[^s1][^s2] Ein erzeugendes Modell bildet die Verteilung der Daten nach; ein unterscheidendes schätzt, ob eine Probe aus den Trainingsdaten stammt oder erzeugt wurde.[^s2] Trainiert wird das erste darauf, die Fehlerquote des zweiten zu maximieren — die Autoren beschreiben das als Minimax-Spiel zweier Spieler.[^s1] Im theoretischen Optimum gibt das erzeugende Modell die Verteilung der Daten exakt wieder, und das unterscheidende gibt überall die Wahrscheinlichkeit 1/2 aus, kann also nicht mehr unterscheiden.[^s1]\n\nEin praktischer Vorteil lag in dem, was wegfiel: Sind beide Netze mehrschichtige Perzeptrone, lässt sich das ganze System mit Backpropagation trainieren — ohne Markow-Ketten und ohne aufgefaltete Näherungsverfahren, weder beim Training noch beim Erzeugen.[^s1]\n\nAuf die Idee, zwei Netze gegeneinander antreten zu lassen, kam Goodfellow 2014 in der Montrealer Kneipe Les 3 Brasseurs, als Freunde ihn um Hilfe bei einem Rechner baten, der selbst Fotos erzeugen sollte; zu Hause programmierte er bis in die frühen Morgenstunden, und das Programm lief beim ersten Versuch.[^s3] Yann LeCun, leitender KI-Forscher bei Facebook, nannte GANs „the coolest idea in deep learning in the last 20 years“, für ihn die reizvollste Idee des Deep Learning in zwanzig Jahren.[^s3]\n\nAls naheliegende Einsatzfelder galten Spiele und Mode; in der Medizin könnten erzeugte Patientendaten fehlende echte ersetzen, und in der Teilchenphysik entwickelten Forscher ein GAN, das Teilchensimulationen schneller vorhersagt.[^s3] Zugleich eignet sich ein Verfahren für realistische Fälschungen auch für Falschnachrichten.[^s3] Goodfellow selbst glaubt nicht an eine rein technische Lösung gegen Fälschungen; nötig seien gesellschaftliche Antworten, etwa Kindern in Debattierkursen kritisches Denken beizubringen.[^s3]",
  "themeId": "theme-multimodalitaet",
  "datePrecision": "year",
  "dateSources": [
    "s1",
    "s2"
  ],
  "verification": "verified",
  "sources": [
    {
      "key": "s1",
      "title": "Generative Adversarial Networks (arXiv:1406.2661)",
      "publisher": "arXiv (Cornell University)",
      "url": "https://arxiv.org/abs/1406.2661",
      "accessedAt": "2026-09-15",
      "status": "live"
    },
    {
      "key": "s2",
      "title": "Generative Adversarial Nets (Advances in Neural Information Processing Systems 27, NIPS 2014)",
      "publisher": "Neural Information Processing Systems Foundation",
      "url": "https://proceedings.neurips.cc/paper/2014/hash/f033ed80deb0234979a61f95710dbe25-Abstract.html",
      "accessedAt": "2026-10-12",
      "status": "live"
    },
    {
      "key": "s3",
      "title": "The GANfather: The man who's given machines the gift of imagination",
      "publisher": "MIT Technology Review",
      "url": "https://www.technologyreview.com/2018/02/21/145289/the-ganfather-the-man-whos-given-machines-the-gift-of-imagination/",
      "accessedAt": "2026-09-15",
      "status": "live"
    }
  ],
  "provenance": {
    "origin": "legacy-entries-ts",
    "reviewedBy": "audit",
    "reviewedAt": "2026-09-15",
    "migratedAt": "2026-09-14"
  },
  "seeAlso": [
    {
      "id": "diffusion-image-generation-breakthrough-2021-2022",
      "note": "Dieselbe Aufgabe, sieben Jahre später mit einer anderen Methode gelöst."
    }
  ],
  "wikidata": [
    {
      "id": "Q25104379",
      "name": "Generative Adversarial Networks"
    },
    {
      "id": "Q27990103",
      "name": "Generative Adversarial Nets"
    }
  ],
  "category": "history",
  "area": {
    "id": "ai",
    "title": "Künstliche Intelligenz"
  },
  "theme": {
    "id": "theme-multimodalitaet",
    "title": "Bilder erzeugen, Bilder verstehen"
  },
  "referencedBy": [
    {
      "area": "ai",
      "id": "multimodal-ai-integration",
      "title": "Gemini: Google zeigt 2023 ein von Grund auf multimodales Modell",
      "note": "Neun Jahre zuvor der erste Weg, Bilder überhaupt maschinell zu erzeugen."
    },
    {
      "area": "ai",
      "id": "diffusion-image-generation-breakthrough-2021-2022",
      "title": "Diffusionsmodelle setzen sich in der Bildgenerierung durch",
      "note": "Dieselbe Aufgabe, Bilder zu erzeugen, die echt wirken, mit einem älteren Verfahren."
    }
  ],
  "zeitalter": [
    {
      "id": "neueste-geschichte",
      "name": "Neueste Geschichte",
      "art": "kette"
    },
    {
      "id": "neuzeit",
      "name": "Neuzeit",
      "art": "ueberlagerung"
    },
    {
      "id": "zeitgeschichte",
      "name": "Zeitgeschichte",
      "art": "ueberlagerung"
    }
  ],
  "verzeichnis": "https://footnoted.net/de/ai/llms.txt#generative-adversarial-networks-2014",
  "license": "https://creativecommons.org/licenses/by/4.0/",
  "creditText": "Footnoted — footnoted.net",
  "usageInfo": "https://footnoted.net/de/lizenz/"
}