GAN (Generative Adversarial Network) atau Jaringan Adversarial Generatif adalah arsitektur AI generatif yang diperkenalkan oleh Ian Goodfellow pada 2014, terdiri dari dua jaringan saraf yang saling berkompetisi: generator dan discriminator.
Generator bertugas menciptakan data sintetis (misalnya gambar) yang berusaha meniru data asli semirip mungkin. Discriminator bertugas membedakan mana data asli dan mana data buatan generator. Kedua jaringan ini dilatih secara bersamaan dalam sebuah "permainan" adversarial: generator terus berusaha mengelabui discriminator, sementara discriminator terus berusaha tidak tertipu. Proses saling bersaing ini membuat kedua jaringan semakin baik dari waktu ke waktu, hingga generator mampu menghasilkan data yang nyaris tidak bisa dibedakan dari data asli.
Analogi yang sering dipakai adalah seorang pemalsu uang (generator) melawan detektif polisi (discriminator). Semakin lihai si pemalsu membuat uang palsu, semakin tajam pula kemampuan detektif mendeteksinya, dan sebaliknya—hingga akhirnya uang palsu yang dihasilkan menjadi sangat meyakinkan.
GAN sempat menjadi teknologi dominan untuk generasi gambar sintetis, deepfake, dan peningkatan resolusi gambar (super-resolution) sepanjang 2015-2021. Teknologi seperti "This Person Does Not Exist", yang menghasilkan wajah manusia realistis yang sebenarnya tidak ada, dibangun di atas arsitektur GAN.
Sejak sekitar 2021-2022, diffusion model mulai menggantikan GAN sebagai pendekatan utama untuk generasi gambar AI komersial karena kestabilan pelatihan dan kualitas output yang lebih tinggi. Meski begitu, GAN tetap relevan dalam sejumlah aplikasi khusus seperti super-resolution real-time dan riset akademik, serta menjadi fondasi penting dalam sejarah perkembangan AI generatif.