Ian Goodfellow é um pesquisador de machine learning mais conhecido por inventar as redes adversárias generativas (GANs) em 2014, uma das arquiteturas fundamentais da IA generativa moderna. Ele concluiu seu doutorado na Universidade de Montreal sob a orientação de Yoshua Bengio e Aaron Courville e, por relato próprio, concebeu a ideia da GAN durante uma conversa em um bar em Montreal, esboçando o núcleo do loop de treinamento adversarial e implementando um protótipo funcional na mesma noite. O artigo original listava Goodfellow como primeiro autor, ao lado de vários coautores, incluindo Jean Pouget-Abadie, Mehdi Mirza e Bing Xu, e foi apresentado na conferência Neural Information Processing Systems em dezembro de 2014.
O artigo da GAN e seu impacto
O artigo de 2014 "Generative Adversarial Networks", publicado com o laboratório de Bengio, propôs treinar duas redes neurais uma contra a outra: um gerador que produz dados sintéticos e um discriminador que tenta distinguir exemplos reais dos gerados, com ambas as redes melhorando por meio da competição. A abordagem tornou-se uma das duas famílias dominantes de modelos generativos profundos antes que os modelos de difusão a substituíssem como a principal abordagem para geração de imagens de alta fidelidade no início dos anos 2020, mas as GANs permaneceram influentes em transferência de estilo, super-resolução e técnicas iniciais de Deepfake, e a própria ideia de treinamento adversarial se espalhou muito além da síntese de imagens.
Goodfellow também coautorou, com Yoshua Bengio e Aaron Courville, o livro-texto "Deep Learning" (MIT Press, 2016), que se tornou uma referência padrão de pós-graduação cobrindo descida de gradiente, retropropagação, redes convolucionais, redes recorrentes e modelos generativos, e é comumente citado ao lado do AIMA de Russell e Norvig como um texto central do campo.
Carreira e robustez adversarial
Além das GANs, Goodfellow realizou um trabalho inicial influente sobre exemplos adversariais - pequenas perturbações, muitas vezes imperceptíveis, nas entradas que fazem as redes neurais classificá-las incorretamente com alta confiança - levantando questões iniciais sobre a robustez e a confiabilidade dos sistemas de aprendizado profundo que mais tarde se tornaram centrais nas discussões sobre segurança de IA e testes de adversidade. Sua carreira abrangeu o Google Brain, um período na OpenAI, um retorno ao Google, um cargo como diretor de machine learning no Special Projects Group da Apple e uma mudança para o DeepMind em 2022, refletindo a concentração do melhor talento em modelagem generativa entre um pequeno conjunto de laboratórios de fronteira durante as décadas de 2010 e 2020. Ele afirmou publicamente que vê a segurança e a confiabilidade contínuas dos sistemas de IA como inseparáveis de sua capacidade bruta, uma posição que informou sua agenda de pesquisa em cada um desses papéis sucessivos.