Ian Goodfellow est un chercheur en apprentissage automatique, surtout connu pour avoir inventé les réseaux antagonistes génératifs (GAN) en 2014, l'une des architectures fondatrices de l'IA générative moderne. Il a obtenu son doctorat à l'Université de Montréal sous la direction de Yoshua Bengio et Aaron Courville, et, selon ses propres dires, a conçu l'idée des GAN lors d'une conversation dans un bar à Montréal, esquissant le cœur de la boucle d'entraînement antagoniste et implémentant un prototype fonctionnel le soir même. L'article original listait Goodfellow comme premier auteur, aux côtés de plusieurs co-auteurs, dont Jean Pouget-Abadie, Mehdi Mirza et Bing Xu, et a été présenté à la conférence Neural Information Processing Systems en décembre 2014.
L'article sur les GAN et son impact
L'article de 2014 intitulé « Generative Adversarial Networks », publié avec le laboratoire de Bengio, proposait d'entraîner deux réseaux de neurones l'un contre l'autre : un générateur qui produit des données synthétiques et un discriminateur qui tente de distinguer les exemples réels des exemples générés, les deux réseaux s'améliorant grâce à cette compétition. Cette approche est devenue l'une des deux familles dominantes de modèles génératifs profonds avant que les modèles de diffusion ne la supplantent comme approche de premier plan pour la génération d'images haute fidélité au début des années 2020, mais les GAN sont restés influents dans le transfert de style, la super-résolution et les premières techniques de Deepfake, et l'idée d'entraînement antagoniste elle-même s'est étendue bien au-delà de la synthèse d'images.
Goodfellow a également co-écrit, avec Yoshua Bengio et Aaron Courville, le manuel « Deep Learning » (MIT Press, 2016), devenu une référence standard de niveau troisième cycle couvrant le descente de gradient, la rétropropagation, les réseaux convolutifs, les réseaux récurrents et les modèles génératifs, et il est couramment cité aux côtés de l'AIMA de Russell et Norvig comme un texte fondamental du domaine.
Carrière et robustesse antagoniste
Au-delà des GAN, Goodfellow a réalisé des travaux pionniers influents sur les exemples antagonistes, de petites perturbations souvent imperceptibles des entrées qui amènent les réseaux de neurones à les classer incorrectement avec une grande confiance, soulevant des questions précoces sur la robustesse et la fiabilité des systèmes d'apprentissage profond qui sont devenues plus tard centrales dans les discussions sur l'sécurité de l'IA et le red teaming. Sa carrière a englobé Google Brain, une période chez OpenAI, un retour chez Google, un passage comme directeur de l'apprentissage automatique au Special Projects Group d'Apple, et un déménagement chez DeepMind en 2022, reflétant la concentration des meilleurs talents en modélisation générative parmi un petit ensemble de laboratoires de pointe durant les années 2010 et 2020. Il a déclaré publiquement qu'il considère la sécurité et la fiabilité continues des systèmes d'IA comme indissociables de leur capacité brute, une position qui a informé son programme de recherche à travers chacun de ces rôles successifs.