伊恩·古德费洛

维基
, , , ,
1

美国深度学习研究者；生成对抗网络发明者，对抗性机器学习的共同先驱，及经典教材《深度学习》的主要作者。

基本信息 / 简介

领域 详细信息
全名 Ian J. Goodfellow
出生 1987年，美国
国籍 美国
当前状态 隐形创业公司（2025年至今）
研究方向 深度学习、生成模型、对抗性机器学习、差分隐私、AI安全、聚变等离子体控制
博士导师 Yoshua Bengio, Aaron Courville
博士论文 Deep Learning of Representations and its Application to Computer Vision（蒙特利尔大学，2014）
个人网站 iangoodfellow.com
X / Twitter @goodfellow_ian
GitHub github.com/goodfeli
Google Scholar scholar.google.com/citations?user=iYN86KEAAAAJ

概述

Ian Goodfellow是一位美国计算机科学家，最著名的成就是于2014年发明了生成对抗网络（GAN）——一种让两个神经网络相互竞争、从而生成与实际样本无法区分的合成数据的训练框架；该框架在近十年间成为生成式图像建模的主导范式。他在蒙特利尔大学师从Yoshua Bengio，之后先后在Google Brain、OpenAI、Google Research、Apple以及Google DeepMind担任研究职位，并在苹果的特种项目组担任总监职务。他与Bengio、Aaron Courville合著的MIT Press教材《深度学习》（2016年）被135个国家的1500多所大学采用，是该领域最广泛使用的参考书。他还共同开创了对抗性样本和对抗性训练在鲁棒性方面的研究，并为早期的差分隐私神经网络训练做出了贡献。2025年，他离开Google DeepMind创立了一家隐形创业公司，截至2026年中期其业务方向尚未公开。

早期生活与教育

高中与对AI的兴趣萌芽

Goodfellow在美国长大，就读于加利福尼亚州的San Dieguito Academy高中。青少年时期，科普报道（尤其是《科学美国人》）预测AI和纳米技术将成为21世纪定义性技术，这点燃了他对AI的兴趣。2006年他在美国国立卫生研究院实习，首次接触到应用于脑电图分类的机器学习模型，这使他将兴趣聚焦到具体的研究方向。他转专业到计算机科学，并开始师从Andrew Ng。

斯坦福大学——学士与硕士 (2004–2010)

Goodfellow在斯坦福大学师从Andrew Ng，完成计算机科学理学学士和理学硕士学位，主要参与斯坦福AI机器人项目的计算机视觉研究，使用传统机器学习方法。在硕士期间，他通过一位同事开始接触深度学习，这促使他决定在Bengio的研究组攻读博士学位。他曾形容接触深度学习的那一刻是他全身心投入AI研究的转折点。

蒙特利尔大学——博士阶段 (2010–2014)

Goodfellow被Yoshua Bengio在蒙特利尔大学的实验室（LISA小组，Mila的前身）录取，于2014年初（正式毕业为2015年2月）在Bengio和Aaron Courville的共同指导下完成博士学位。他的论文《Deep Learning of Representations and its Application to Computer Vision》探讨了表征学习、深度玻尔兹曼机和多重预测模型。他对Theano和Pylearn2——该实验室的开源深度学习软件栈——做出了重大贡献，这套工具使研究者能快速运行新想法；他将其文化视为最终孕育GAN的环境的核心。

GAN的想法在他脑海中出现大约是在NeurIPS 2014截稿日前两周。他召集了一组实验室伙伴，在截稿窗口内放弃其他工作，在多个数据集上运行实验，证明了该框架能够学习正确的分布，从而实现了论文提交。他将这次冲刺描述为自己职业生涯中一次重要的合作经历。

职业生涯

Google Brain——研究科学家 (2014–2016)

博士毕业后，Goodfellow加入Google Brain担任研究科学家。他领导了Google Brain红队，该团队专注于对抗性机器学习和神经网络的安全漏洞。在此职位上，他是独立发现对抗性样本（故意扰动输入导致神经网络错误分类）的前两篇论文之一的合著者，并与Christian Szegedy共同发明了对抗性训练作为鲁棒性防御手段。他还开发了一个系统，使Google Maps能够自动从街景照片中转录地址；并与Nicolas Papernot、Kunal Talwar、Ulfar Erlingsson、Martin Abadi合作，发表了关于神经网络差分隐私训练机制的首批论文之一。

OpenAI——研究科学家 (2016–2017)

2016年3月，Goodfellow离开Google加入OpenAI，成为该组织的首批员工之一，其使命——开发造福全人类的AI——吸引了他。他在OpenAI工作了约十一个月，随后于2017年3月返回Google Research。

Google Research / Google Brain——研究科学家 (2017–2019)

在谷歌的第二段任职期间，Goodfellow继续研究对抗鲁棒性和生成式建模，为GAN训练稳定性、条件生成以及极小极大目标的理论理解等不断增长的文献做出了贡献。

Apple——机器学习总监，特种项目组 (2019–2022)

2019年4月，Goodfellow加入苹果公司，担任特种项目组（一个保密的硬件和软件臭鼬工厂部门）的机器学习总监。他形容该环境异常协作：由于项目保密，团队成员有强烈动机合作而非为个人荣誉竞争。2022年4月，他公开辞职，理由包括苹果要求员工返回办公室上班——这一离职决定引发了广泛关注，被视为对科技行业后疫情时代工作政策的一种表态。

Google DeepMind——研究科学家 (2022–2025)

2022年7月，Goodfellow加入Google DeepMind，在Oriol Vinyals的深度学习团队担任研究科学家。他的主要研究方向从生成式建模显著转向AI驱动的聚变发电，这一方向是他读到DeepMind 2022年在《自然》杂志上关于使用强化学习控制托卡马克等离子体配置的论文后主动寻求的。在DeepMind，他对这一工作的贡献在于等离子体模拟：他编写了数值微分方程求解器代码，为训练强化学习智能体所需物理模型提供了基础，而非RL系统本身。他共同开发了TORAX——一个用JAX编写的开源可微分等离子体物理模拟器，并在GitHub上发布，相关论文于2024年发表在arXiv上。他还参与了LLM事实性研究。在2025年4月接受Mila采访时，他称自己仍在Google DeepMind；不过维基百科指出他于2025年离职创业。

隐形创业公司 (2025年至今)

截至2026年中期，Goodfellow的LinkedIn资料显示他正在一家隐形创业公司工作。关于该公司的业务方向或融资情况，目前尚无更多公开信息。

主要贡献

  • 生成对抗网络（GAN）（NeurIPS 2014, arXiv:1406.2661，与Pouget-Abadie, Mirza, Xu, Warde-Farley, Ozair, Courville, Bengio合作）——提出了一种训练框架，其中生成器网络和判别器网络在极小极大博弈中同时训练，实现了高度逼真的图像及其他数据的合成；在近十年间一直主导着生成式图像建模，并衍生出StyleGAN、CycleGAN、条件GAN及许多其他变体。是计算机科学史上被引用最多的论文之一。
  • 对抗性样本（2013–2014年，与Christian Szegedy及合作者共同发现）——共同发表了两篇奠基性论文，指出神经网络容易受到微小、不易察觉的输入扰动的影响，这些扰动能可靠地导致错误分类；这一发现开创了对抗性机器学习领域。
  • 快速梯度符号法（FGSM）——引入了一种计算高效的单步方法，通过沿损失函数梯度方向扰动输入来生成对抗性样本；它成为对抗性鲁棒性研究中的标准基线攻击方法。
  • 对抗性训练（与Christian Szegedy合作）——共同发明了对抗性训练——用对抗性样本增强训练数据——作为对抗攻击的主要经验性防御手段；至今仍是少数未被攻破的防御方法之一。
  • 差分隐私深度学习（2016年，与Abadi, Chu, Erlingsson, McMahan, Mironov, Papernot, Raghunathan, Ramage, Song, Talwar合作）——共同发表了一篇奠基性论文，介绍如何通过差分隐私保证来训练神经网络，并引入了矩会计方法以实现更精确的隐私分析；是隐私保护机器学习的核心参考文献。
  • Maxout网络（ICML 2013, 与Goodfellow, Warde-Farley, Mirza, Courville, Bengio合作）——提出了一种新颖的激活函数，旨在与dropout配合良好，从而改善生成模型的训练，并在多个基准上取得了最先进的结果。
  • Pylearn2——领导了Pylearn2（蒙特利尔大学基于Theano的研究级深度学习库）的开发与推广；为Bengio小组的许多早期深度学习突破提供了软件基础设施。
  • 深度学习教材（MIT Press, 2016年，与Yoshua Bengio和Aaron Courville合著）——主导编写了第一本全面的研究生级深度学习教材；在deeplearningbook.org上免费提供，并被135个国家的1500多所大学作为主要教材使用。
  • 《深度学习》章节，载于《人工智能：一种现代方法》（第4版，2020年，Russell和Norvig著）——为这本经典的AI教材撰写了深度学习章节，将神经网络引入最广泛使用的本科AI教材中。
  • TORAX —— 托卡马克输运模拟器（2024年，Google DeepMind合作项目）——共同开发了一个用JAX编写的开源可微分等离子体物理模拟器，旨在支持聚变发电的强化学习研究；作为DeepMind聚变项目的一部分公开发布。

奖项与荣誉

  • MIT Technology Review 35岁以下创新者（2017年）——因发明GAN及对对抗性机器学习的贡献而获表彰。
  • Foreign Policy 100位全球思想家（2019年）——因在深度学习和AI安全方面的工作而入选。

关键合作关系

  • Yoshua Bengio——博士阶段的主要导师；Bengio的LISA实验室的学术环境——开源文化、实验自由以及对深度学习理论的重视——直接为GAN的诞生创造了条件。
  • Aaron Courville——博士联合导师，也是《深度学习》教材的合著者；Courville至今仍是生成式建模研究中的长期合作者。
  • Andrew Ng——斯坦福大学本科和硕士研究导师；通过斯坦福AI机器人项目以及一系列课程将Goodfellow引入机器学习领域。
  • Christian Szegedy——Google Brain同事，与之共同发现对抗性样本并发明对抗性训练；两人曾独立研究该现象，后联手合作。
  • Martin Abadi——Google Brain合作者，共同开展差分隐私神经网络训练研究；也共同设计了TensorFlow。
  • Nicolas Papernot——Google Brain合作者，共同发表隐私与对抗鲁棒性方面的论文；后来成为可信机器学习领域的独立领先研究者。
  • Oriol Vinyals——Goodfellow在Google DeepMind的深度学习团队领导；其研究组负责聚变等离子体控制工作。
  • Jean Pouget-Abadie——蒙特利尔博士同学，为GAN框架贡献了博弈论分析；Goodfellow称他是GAN博弈论表述的合适合作对象。

个人风格

在AI研究领域，Goodfellow的特别之处在于，他既产出大量技术成果，又就领域本身的文化与后果发表异常坦诚的公开言论。在2025年的一次采访中，他将深度学习时代之前蒙特利尔的研究时期描述为更开放、更多由好奇心驱动，并表示怀念「那种自由尝试不同事物的感觉，以及更少感觉我们的工作有后果」——这句反思出自一位以其最著名论文令深度伪造技术成为现实的研究者之口，颇具双关意味。他的职业变动往往基于明确的价值观而非声望：他加入DeepMind是因为一篇关于聚变能的论文引起了他的注意；他公开从苹果辞职是因为一条远程办公的原则，而非默默离开。他用李小龙的「一万次踢」格言来描述自己的研究方法：倾向于深入掌握一个小的核心工具箱——Python、数值编程、线性代数、概率——而非追求广度；并明确主张要知道何时应寻求互补专长的合作者，而非试图自学每一项技能。

参考资料