Ian Goodfellow

Ian J. Goodfellow (* 1987) ist ein US-amerikanischer Informatiker. Er entwickelte 2014 die Generative Adversarial Networks (GANs), ein Verfahren zur Erzeugung von Bildern durch zwei gegeneinander trainierte Netze, und ist Mitautor des Standardlehrbuchs Deep Learning (2016).

Zusammenfassung

Goodfellows bekannteste Arbeit entstand aus einer Gegenüberstellung: Ein Netz erzeugt Bilder, ein zweites versucht, erzeugte von echten zu unterscheiden. Beide verbessern sich am Widerstand des jeweils anderen.

Die Idee war zum Zeitpunkt ihrer Veröffentlichung ungewöhnlich, weil sie das Trainingsziel nicht vorgab, sondern selbst lernen ließ. Yann LeCun bezeichnete den Ansatz als die interessanteste Entwicklung des maschinellen Lernens der letzten Jahre.

GANs beherrschten die Bilderzeugung bis etwa 2021 und wurden dann von Diffusionsverfahren abgelöst – nicht weil ihre Bildqualität schlechter gewesen wäre, sondern weil ihr Training als unzuverlässig galt.

Goodfellows Laufbahn führte durch nahezu alle großen Forschungshäuser: Google Brain, OpenAI als einer der ersten Mitarbeitenden, dann wieder Google, anschließend Apple als Leiter des maschinellen Lernens und seit 2022 Google DeepMind.

Werdegang

Goodfellow erwarb 2009 Bachelor und Master in Informatik an der Stanford University und promovierte 2014 an der Université de Montréal bei Yoshua Bengio und Aaron Courville.

Die GAN-Arbeit entstand während dieser Promotion. Nach ihrer Darstellung ging die Grundidee auf ein Gespräch in einer Montrealer Kneipe zurück; die erste funktionierende Umsetzung schrieb er in derselben Nacht.

Nach der Promotion arbeitete er bei Google Brain, wechselte 2016 zu OpenAI und kehrte 2017 zu Google zurück. 2019 ging er zu Apple als Leiter des maschinellen Lernens in der Sondergruppe für Zukunftsprojekte.

Im April 2022 verließ er Apple aus Protest gegen die Anordnung, wieder verpflichtend im Büro zu arbeiten. Kurz darauf trat er als Forscher bei Google DeepMind ein.

Neben der eigenen Forschung ist er als Mitautor des Lehrbuchs Deep Learning bekannt, das gemeinsam mit seinen früheren Betreuern entstand und als Standardwerk des Fachs gilt.

Methodische Grundlagen

Das Gegeneinander zweier Netze. Ein erzeugendes Netz bildet Zufallszahlen auf Bilder ab. Ein unterscheidendes Netz erhält echte und erzeugte Bilder und soll sie trennen. Das erzeugende Netz wird darauf trainiert, das unterscheidende zu täuschen.

Gelerntes Gütemaß. Der Kunstgriff liegt darin, dass niemand festlegen muss, was ein gutes Bild ausmacht. Das Unterscheidungsnetz lernt dieses Maß selbst und verschärft es fortlaufend – ein bewegliches Ziel statt einer festen Fehlerfunktion.

Instabiles Gleichgewicht. Beide Netze müssen ungefähr gleich stark bleiben. Wird eines zu gut, versiegt das Lernsignal für das andere. Ein erheblicher Teil der GAN-Forschung befasste sich mit diesem Gleichgewicht.

Zusammenbruch der Vielfalt. Ein bekanntes Fehlerbild: Das erzeugende Netz findet einige wenige überzeugende Ausgaben und wiederholt sie, statt die Verteilung abzudecken. Es täuscht damit erfolgreich, ohne zu leisten, was gemeint war.

Feindliche Beispiele. Ein zweiter Forschungsstrang Goodfellows betrifft Eingaben, die durch minimale, für Menschen unsichtbare Änderungen eine Fehlklassifikation auslösen. Diese Arbeiten begründeten das Feld der adversariellen Robustheit mit.

Anwendungsfelder

Bilderzeugung. Von 2014 bis etwa 2021 der vorherrschende Ansatz. Gesichter, Landschaften und Kunstwerke in fotorealistischer Qualität stammten überwiegend aus GANs.

Bildübersetzung. Umwandlung von Skizzen in Fotos, von Tag in Nacht, von einem Stil in einen anderen – Anwendungsfälle, in denen die Bauform bis heute verwendet wird.

Datenanreicherung. Erzeugte Beispiele ergänzen knappe Trainingsdaten, insbesondere in der medizinischen Bildverarbeitung.

Sicherheitsforschung. Die Arbeiten zu feindlichen Beispielen wurden zur Grundlage der Untersuchung, wie robust neuronale Netze gegenüber gezielt konstruierten Eingaben sind.

Kontroversen und Kritik

Deepfakes. Die Technik wurde rasch zur Erzeugung gefälschter Aufnahmen realer Personen eingesetzt. Goodfellow hat die gesellschaftlichen Folgen mehrfach öffentlich angesprochen, ohne dass sich daraus wirksame Gegenmaßnahmen ergeben hätten.

Zurechnung der Idee. Die Grundfigur zweier gegeneinander lernender Systeme hat Vorläufer, unter anderem in Arbeiten von Jürgen Schmidhuber aus den 1990er Jahren. Schmidhuber hat die Zurechnung öffentlich bestritten; die Fachgemeinschaft folgt überwiegend der Darstellung, dass die Arbeit von 2014 eigenständig ist.

Ablösung durch Diffusion. Ab 2021 verdrängten Diffusionsverfahren die GANs weitgehend. Diese trainieren stabiler und decken die Vielfalt der Daten besser ab – bei vergleichbarer Bildqualität und höherem Rechenaufwand.

Bewertungsproblem. Für erzeugte Bilder gibt es kein unstrittiges Gütemaß. Die gebräuchlichen Kennzahlen messen Ähnlichkeit zu einer Referenzverteilung und werden dafür kritisiert, weder Bildqualität noch Vielfalt zuverlässig abzubilden.

Was der Ansatz vorwegnahm

GANs sind als Verfahren weitgehend abgelöst, als Denkfigur aber gegenwärtiger denn je.

Ihr Grundgedanke ist, dass sich ein Gütemaß nicht festlegen, sondern erzeugen lässt – durch ein zweites System, das die Schwächen des ersten sucht. Statt zu definieren, was gut ist, wird ein Gegner darauf trainiert, das Schlechte zu finden.

Diese Figur kehrt in der KI-Sicherheitsforschung wieder. Red-Teaming setzt ein System darauf an, die Schwachstellen eines anderen zu finden; Verfahren zur Ausrichtung lassen ein Modell die Ausgaben eines anderen bewerten; Debattenansätze stellen zwei Modelle gegeneinander, damit ein Dritter entscheiden kann.

Was Goodfellow 2014 für die Bilderzeugung formulierte, ist damit zu einem allgemeinen Muster geworden: Wo sich ein Maßstab nicht angeben lässt, tritt ein Gegner an seine Stelle. Die Schwächen des Ansatzes wandern dabei mit – auch ein gelernter Gegner kann getäuscht statt überzeugt werden.

Quellenangaben

Goodfellow, Ian / Bengio, Yoshua / Courville, Aaron, 2016. Deep Learning.
Goodfellow, Ian J. / Pouget-Abadie, Jean / Mirza, Mehdi u. a. (Université de Montréal) (2014): Generative Adversarial Networks. In: Advances in Neural Information Processing Systems 27. arXiv: 1406.2661.
Goodfellow, Ian J. / Shlens, Jonathon / Szegedy, Christian (2015): Explaining and Harnessing Adversarial Examples. In: Proceedings of ICLR 2015. arXiv: 1412.6572.

← Zurück zur Lexikon-Übersicht

Zuletzt bearbeitet: 10. August 2026

Zusammengestellt, formuliert, lektoriert und korrigiert mit KI-Unterstützung. Kuratiert von Nils Brauer. Alle Angaben ohne Gewähr.