面对人工智能（AI）时代的到来，影像（image）辨识成了目前应用的主流场景，如人脸辨识、工厂瑕疵检测等，透过大量的资料“喂食”让机器学习（machine learning）达到人类需要的目的。
但是要让机器最终能够辨识什么是狗、什么是猫，甚至是更近一步辨识哪些品种，其中需要的资料其实相当庞大，但如果某些应用场景、如罕见疾病也希望能发展AI但资料量却不足的时候怎么办？
NVIDIA的研究人员将开创性的神经网络训练技术应用于NVIDIA StyleGAN2模型上，就以大都会艺术博物馆所提供不到1500张图片的资料库，透过NVIDIA DGX系统来加快训练速度、打造出一个能创造新的AI艺术模型，同时将这样的技术称为自我调整判别器增强（adaptive discriminator augmentation，ADA）。
影像透过随机的变形、扭转等方式，让机器学习不会再因为资料量的不足而无法生成具有一定品质的AI模型。NVIDIA绘图研究部门副总裁David Luebke就表示，这样的结果显示NVIDIA依旧能采用生成对抗网路（Generative Adversarial Network，以下简称GAN）来解决AI在终端场景应用的问题，而不会受制于资料量的数量。只是ADA是如何达到在少量资料的情况下仍能生成一个模型？在揭开ADA的面纱之前，可能要先了解GAN的运作模式。
GAN的运作基本上遵循一个原则，也就是训练资料量越多、模型品质越好，主要GAN是由两个合作网络所组成，一个负责建立合成影像的生成器，另一个则是根据训练资料学习逼真影像外观相似程度的辨别器。
而根据NVIDIA过去的经验，通常要5-10万张影像才能训练出一个高品质的GAN，不过对不少应用场景要搜集到至少5万张的影像而言，是相对困难。也因此若是靠零星的资料进行训练，则判别器就只能单纯记住训练影像，而无法提供有效的回馈、判别给生成器，产生过度拟合的问题。
所谓过度拟合，是指说该生成的模型所提供的资料，将会过分吻合目前所拥有的数据，以致于无法提供其他资料或进行预测未来的观察结果，而这里，正是ADA所能发挥的地方。
ADA能将少量的影像资料通过旋转、剪裁甚至是翻转的过程来随机扭曲影像，对机器来说每一个改变就如同是一个新的数据，因此就像是“聚宝盆”一样，数千张的影像资料能透过ADA的处理扩张成数倍的资料库。
从NVIDIA的研究来看，要达到相同模型的品质成果，过去可能需要2万张资料、如今只需要2000张就能达到，整体来说影像数量减少了至少10倍。但ADA的存在不是为了“加速”模型的产生，而是为了“减少”模型产生时所需要的资料量，也因此训练时间并不会因此而缩短，但类似游戏、艺术甚至是罕见疾病的医疗场景，将有机会因为ADA的技术而加速未来的发展。
NVIDIA也表示，现今这个NVIDIA Reasearch团队有超过200位科学家，在NVIDIA企业中扮演著举足轻重的角色，主要研究的重点在于AI、机器视觉、自动驾驶等。当NVIDIA有能力打造出一流的硬体如GPU以后，少了软体的搭配满足终端市场的需求，也无法将GPU发挥最大效益，而NVIDIA Reasearch团队正是一群试图解决终端应用场景的问题，不论是否会立刻在市场中发酵，但当像ADA这样的概念分享到全世界后，NVIDIA相信不久的将来就会看见许多更接地气的应用如雨后春笋般的冒出头。
