GANとは？敵対的生成ネットワークをわかりやすく解説

2026年7月25日

GAN（敵対的生成ネットワーク）とは・作る側と見破る側の2つのネットワークを競わせて、本物らしいデータを生成する仕組み

この記事でわかること

「生成AIの解説を読んでいたら、GANという言葉が出てきた。充電器の広告で見かけるGaNと同じものなのか」。そんな疑問を持って検索してきたなら、この記事はちょうどよい入口です。

この記事では、AI用語としてのGAN（敵対的生成ネットワーク）とは何かを、数式や専門用語を使わずに整理します。技術者向けの実装の話ではなく、「どんな仕組みで、どんな仕事に使われている技術なのか」を、経営や実務の目線で理解することを目指します。

この記事で扱う主な内容は、次のとおりです。

GANとは何か（AIのどの位置づけにある技術か。半導体のGaNとの違いも整理）
GANの仕組み（生成器と識別器が競い合う学習を、数式なしのイメージで）
GANの発展と種類、活用例
VAEなど、他の生成の仕組みとの違い

土台になっているディープラーニングの考え方を先に押さえたい場合は、ディープラーニングとはもあわせて読むと、GANの位置づけがつかみやすくなります。

GANとは

はじめに言葉の交通整理をしておきます。GANと検索すると、窒化ガリウム（GaN）という半導体材料の情報が多く出てきます。小型の急速充電器やパワー半導体の話題で使われるGaNはその材料のことで、この記事で扱うAI用語のGANとは、綴りが似ているだけのまったく別物です。また、読み方が同じ「ガン」であることから、病気のがんや、手首などにできるガングリオンの情報が検索結果に混ざることもありますが、これらも無関係です。

AI用語としてのGANとは、Generative Adversarial Network（敵対的生成ネットワーク）の略で、本物そっくりのデータを新しく作り出すことが得意な、ディープラーニングを土台にした生成の仕組みのひとつです。実在しない人物の顔写真のような、本物と見分けのつきにくい画像を生成できる技術として広く知られるようになりました。

名前に「敵対的」という言葉が入っているのがポイントです。GANの中では、「作る側」と「見破る側」という役割の違う2つのニューラルネットワークが、いわば敵どうしとして競い合っています。この競争の仕組みこそが、GANの心臓部です。

結論＝GANは「作る側と見破る側を競わせて、本物らしいデータを生成する仕組み」

結論から言うと、GANとは、偽物のデータを作る「生成器」と、本物か偽物かを見破る「識別器」という2つのネットワークを競わせることで、本物らしいデータを作る力を段階的に高めていく仕組みです。

生成器は、識別器をだませるようなデータを作ろうとします。識別器は、本物のデータと生成器の作った偽物を見比べて、見破る精度を上げようとします。互いに相手を上回ろうとするいたちごっこを繰り返すうちに、うまく学習が進めば、生成器の作るデータは本物と見分けのつきにくい水準へと磨かれていく。これがGANの基本的な発想です。

こうした仕組みにより、GANは特に画像生成の分野で有名になりました。近年の画像生成AIには別の仕組みを使うものも多くありますが、「2つのネットワークの競争でデータを生成する」というGANの考え方は、生成AIの発展を理解するうえで欠かせない土台のひとつです。画像を作るAI全体の話は画像生成AIとはで整理しています。

GANとはわかりやすく（偽札職人と鑑定士のたとえ）

もう少しイメージしやすく説明します。GANの働きは、偽札職人と鑑定士の腕比べにたとえると分かりやすいです。

駆け出しの偽札職人が作る偽札は、最初は粗末なもので、鑑定士はすぐに見破ります。職人は「どこで見破られたのか」を手がかりに、紙の質感や印刷の細部を改良します。すると鑑定士の側も、より細かな違いに目を光らせるようになります。

この勝負が何巡も続くと、職人の腕は上がり続け、やがて鑑定士でも本物と区別のつきにくい偽札ができあがってしまう。GANの中で起きているのは、おおむねこの構図です。

GANでは、偽札職人にあたるのが生成器、鑑定士にあたるのが識別器です。そして学習が終わったあとに主役として使われるのは、鍛え上げられた職人のほう、つまり「本物らしいデータを作れるようになった生成器」です。もちろん実際のGANが作るのは偽札ではなく、画像などの役に立つデータですが、「競争を通じて作る力を磨く」という発想は、このたとえのとおりです。

GANの仕組み（生成器と識別器の競い合い）

画像生成で使われる典型的なGANは、役割の違う2つのネットワークの組み合わせでできています。それぞれの役割と、競い合いの流れを数式なしで押さえます。

生成器＝本物らしいデータを作る

生成器（ジェネレーター）は、でたらめな数値の並びを材料にして、本物らしいデータを作り出す側のネットワークです。学習を始めたばかりの生成器が作る画像は、砂嵐のようなノイズにすぎません。識別器に見破られるたびに作り方を修正し、少しずつ「本物に見える画像」の作り方を身につけていきます。

識別器＝本物か偽物かを見破る

識別器（ディスクリミネーター）は、入ってきたデータが「本物（学習用に用意した実際のデータ）」なのか「偽物（生成器が作ったデータ）」なのかを判定する側のネットワークです。判定を間違えるたびに見破り方を修正し、より細かな違いに気づけるようになっていきます。

競い合いによる学習と、その難しさ

生成器と識別器は、この判定結果をやり取りしながら交互に鍛えられていきます。生成器が上達すれば識別器はより厳しい目を持つ必要があり、識別器が上達すれば生成器はさらに精巧なデータを作る必要がある。この追いかけ合いが、生成の質を引き上げていきます。なお、実際に得られる生成の質は、競争の仕組みだけで決まるわけではなく、学習データの量や質、モデルの設計にも左右されます。

ただし、この競争にはバランスが要ります。どちらか一方だけが強くなりすぎると競争が成り立たなくなり、学習がうまく進まなくなることがあります。GANは「学習が不安定になりやすい」と言われることが多く、思いどおりの結果を得るまでに調整の手間がかかりやすい。この扱いの難しさは、GANの限界として知っておきたい点です。

GANの発展と種類

基本の形のGANから出発して、用途に合わせた改良版が数多く提案されてきました。たとえば、「猫の画像」のように条件を指定して生成できるようにした型、粗い画像を高精細にする型、写真をイラスト風にするなど画像の変換に使う型、といった具合です。

種類の名前を細かく覚える必要はありません。「競争で生成するという基本の仕組みの上に、目的別のバリエーションが枝分かれしている」という全体像だけ押さえておけば、実務の会話には十分です。

GANの活用例

GANの考え方は、次のような場面で活用されてきました。

画像の生成：実在しない人物の顔や、商品・デザインのイメージ画像など、本物らしい画像を新しく作ります。
画像の高解像度化：粗い画像から、もっともらしい高解像度画像を推定して生成する用途です。古い写真を見やすくするようなイメージですが、元の画像にない細部を推定で補う場合がある点は知っておきたいところです。
画像の変換：写真を絵画風にする、線画に色を塗るなど、ある画像を別のスタイルの画像に変換します。
学習データの水増し（データ拡張）：AIの学習に使うデータが足りないとき、本物に似た疑似データを生成して補う使い方です。不良品の画像がなかなか集まらない検査AIの開発などで検討されます。ただし、生成した疑似データの偏りや誤りが学習に混入し得るため、実データでの検証が必要です。
欠けた情報の補完：画像の欠けた部分を、周囲になじむように埋める用途です。

一方で、本物そっくりのデータを作れるという力は、悪用と隣り合わせでもあります。実在の人物の偽動画・偽音声が問題になる「ディープフェイク」には、GANをはじめとする生成技術が関わっています。この問題はディープフェイクとはで詳しく整理しているので、リスク面が気になる場合はあわせてご覧ください。

GANとVAE・他の生成の仕組みとの違い

GANを調べていると、VAE（変分オートエンコーダー）や拡散モデルといった、同じく「データを生成する仕組み」の名前も目に入ってきます。発想の違いのイメージを表で整理します。

名前	生成の考え方	主な得意分野のイメージ
GAN（敵対的生成ネットワーク）	作る側と見破る側の競争で本物らしさを磨く	本物らしい画像の生成・変換
VAE（変分オートエンコーダー）	データを圧縮して特徴を学び、そこから復元・生成する	特徴の整理・異常検知・生成
拡散モデル	ノイズだらけの状態から少しずつデータを復元する過程を学ぶ	テキストから画像を作るサービスなどで知られる方式

※表は主な得意分野の目安です。実際には用途が重なることや、複数の仕組みを組み合わせて使うこともあります。

どれが優れているという話ではなく、「本物らしさを競争で磨くのがGAN、特徴の圧縮と復元から生成につなげるのがVAE」という発想の違いとして押さえるのがよいでしょう。VAEについては別の記事であらためて解説する予定なので、ここでは名前と発想の違いだけ覚えておけば十分です。

経営者として、どこまで知っておけばよいか

正直に言えば、経営者がGANの学習アルゴリズムを理解する必要はありません。生成器と識別器の計算の中身を覚えても、日々の経営判断が変わるわけではないからです。

押さえておくと役立つのは、次の二点です。一つは、「GANは本物らしいデータを作る生成AIの土台技術のひとつで、画像の生成・変換や学習データの水増しといった実務の用途につながっている」ということ。もう一つは、「本物そっくりに作れる力は、ディープフェイクのような悪用リスクと表裏一体であり、活用と警戒の両面から知っておく価値がある」ということです。

実際にGANのような生成技術の活用を検討する場面では、次の5点を確認しておくと、判断を誤りにくくなります。

どの業務課題を解決するための生成なのか（データ不足の補完なのか、デザイン案の量産なのかで進め方は変わります）
学習の元になる自社データの量と質、そして生成したデータを「使ってよい」と判断する基準
生成物の品質を何で評価するか（見た目の自然さだけでなく、業務で使える水準かどうかの基準）
生成されたデータを人がどう確認するか、不自然な生成物が混ざったときの扱いをどうするか
導入後の運用体制と費用対効果（生成の仕組みは調整の手間がかかりやすいことを織り込む）

生成AIパスポートなどの資格学習でもGANは登場しますが、経営の現場でこの言葉に出会うのは、「AIを作りたいが学習データが足りない」「画像を自動で作れないか」といった相談の場面が多いはずです。そのときに、GANという言葉に身構えず、「作る側と見破る側を競わせて、本物らしいデータを作る技術ですね」と会話を進められれば十分です。

「データが足りない」と言われたとき、私が提案していること

画像認識や異常検知の相談では、「AIを使いたいが、学習に使えるデータが少ない」という壁によくぶつかります。特に中小企業では、不良品や故障の発生件数そのものが少なく、異常データが集まりません。

そんなとき私は、「データの水増し」を検討します。ただし、同じデータをコピーして件数だけ増やすことではありません。

「手元にあるデータへ、現場で実際に起こり得る変化を加えて、少し違う学習例を作る方法です」

製品の写真なら、現場では毎回同じ条件で撮れるわけではありません。位置が少しずれる、明るさが変わる、影が入る。そこで既存の画像を少し回転させたり、明るさを変えたりして、「現場で起こり得る別の一枚」を作ります。

社員教育の問題集にたとえると、一つの問題と答えを丸暗記させるのではなく、同じ考え方を使う類題を解かせるイメージです。条件が少し変わっても対応できる力を付けさせるわけです。

ただし、注意点が三つあります。

一つ目は、現場で起こらない変化は加えないこと。上下逆さまで製品が流れない工程なのに180度回転した画像を学ばせても意味がなく、左右で役割の違う部品を反転させれば、実在しない構造を「良品」として教えてしまいます。加工後も正解が変わらないことを、人が確認します。

二つ目は、1件の不良は、何枚に加工しても1件のままだということ。一枚の傷画像から明るさや角度違いを100枚作っても、異常の種類が100種類に増えたわけではありません。だから水増しを使っても、不良が出たら画像と判定結果を残す、という実データの蓄積は続けてもらいます。水増しは実データ収集の代わりではなく、少ない時期を補うつなぎです。

三つ目は、効果の確認には、AIが一度も見ていない実データを使うこと。同じ元画像から作った加工画像を学習用と検証用の両方に混ぜると、見かけの精度が実力以上に出てしまいます。

「練習問題の数字だけを変えて試験問題にしても、本当の実力は測れません。試験には、別に取っておいた実際の問題を使います」

なお、この記事で説明したGANのような生成の仕組みで「人工的な不良画像」を作って補う方法もありますが、生成した不良が現場で本当に起こる不良と同じとは限りません。合成データは不足パターンを補う材料にとどめ、最後の性能確認は必ず実データで行います。

もうひとつ、順序の話も添えています。「データがない」の原因が、実は記録していなかっただけ、判定結果を付けていなかっただけ、というケースは少なくありません。その場合は、水増しの前に、記録の仕組みや撮影条件をそろえるほうが効果的です。

私が経営者にお伝えしているのは、こうです。

「データを無理に多く見せるのではなく、現場で起こり得る違いを、正しい範囲で経験させると考えてください」

そのうえで、実データの収集・現場の目での確認・未使用データでの検証を組み合わせることが、実務で使えるAIに育てる条件になります。

GANについてよくある質問

GANとは何ですか？

AI用語のGANとは、Generative Adversarial Network（敵対的生成ネットワーク）の略で、偽物のデータを作る生成器と、本物か偽物かを見破る識別器という2つのネットワークを競わせて、本物らしいデータを生成する仕組みです。画像の生成や変換の分野で広く知られています。

半導体のGaNと関係がありますか？

関係ありません。半導体のGaNは窒化ガリウムという材料を指す表記で、小型の急速充電器やパワー半導体の話題で登場します。AI用語のGANは技術の略称で、どちらも「ガン」と読まれることが多いものの、中身はまったくの別物です。AIや機械学習の文脈でGANと出てきたら、敵対的生成ネットワークのことだと考えてください。

GANは何に使われていますか？

本物らしい画像の生成、粗い画像の高解像度化、写真のスタイル変換、AIの学習データが足りないときの水増し（データ拡張）などに使われてきました。デザイン案やイメージ画像の作成など、ビジネスの場面での活用も検討されています。

GANの欠点は何ですか？

代表的な課題として、生成器と識別器の競争のバランスをとるのが難しく、学習が不安定になりやすいことが挙げられます。また、本物そっくりのデータを作れる力は、ディープフェイクのような悪用のリスクとも隣り合わせです。活用を考える際は、生成物を確認する体制とあわせて検討することが大切です。

この記事を書いた人

西俊明（トシゾー）中小企業診断士／AI実践戦略士／IT講師・著者

中小企業診断士／AI実践戦略士（商標出願中）／IT講師・著者。富士通で17年間、IT製品の営業・マーケティングに従事した後、独立。中小企業を中心に270社超を支援し、研修・セミナーへの登壇は250回を超える。現在は、生成AI・ITを経営や業務に生かす実践的な方法と、ITパスポート、情報セキュリティマネジメント、基本情報技術者試験などの学習法・過去問解説を発信している。著書に『改訂7版 ITパスポート最速合格術』など。