Как и распознавание речи, распознавание образов и машинный перевод, генеративно-состязательные сети были еще одним скачком вперед для глубокого обучения. По крайней мере, так считали исследователи глубокого обучения.

В своем выступлении в Университете Карнеги – Меллона в ноябре 2016 года Ян Лекун назвал генеративно-состязательные сети «самой крутой идеей в области глубокого обучения за последние двадцать лет»417. Когда Джефф Хинтон услышал это, он сделал вид, что отсчитывает годы назад, как будто хотел сравнить генеративно-состязательные сети по степени «крутизны» с методом обратного распространения ошибки, и затем признал, что утверждение Лекуна было недалеким от истины. Работа Гудфеллоу повлекла за собой длинный ряд проектов, которые совершенствовали, расширяли и подвергали проверке его большую идею. Ученые из Университета Вайоминга создали систему418, которая генерировала крошечные, но идеальные изображения насекомых, церквей, вулканов, ресторанов, каньонов и банкетных залов. Команда из Nvidia построила нейронную сеть419, которая могла «проглотить» фотографию летнего дня и превратить ее в зимний пейзаж. Группа ученых из Калифорнийского университета в Беркли разработала систему420, которая преобразовывала лошадей в зебр, а картины Моне – в картины Ван Гога. Это были чрезвычайно интересные и удивительные проекты, как теоретического, так и прикладного характера. А потом все изменилось.