GAN的初始目的是基於大量的無標記資料無監督地學習生成器G，具備生成各種形態（影象、語音、語言等）的資料能力。隨著研究的深入與發展，以生成影象為例，GAN能夠生成百萬級解析度的高清影象[6]。實際上，GAN生成資料並不是無標記真實資料的單純復現，而是具備一定的資料內插和外插作用，可以作為一種資料增廣方式結合其它資料更好地訓練各種學習模型。進而，通過在生成器的輸入同時包括隨機變數z和隱碼c並最大化生成影象與隱碼c的互資訊，InfoGAN能夠揭示覆雜資料中隱含的分佈規律，實現資料的解釋化表達[7]。因而，GAN不僅可以用於探索複雜資料的潛在規律，還能夠生成高質量的生成樣本以作為真實資料的有效補充，為學習智慧模型提供了新的視角和資料基礎。

對於條件GAN模型，生成網路的輸入往往被定義為樣本的類別甚至其它形式（模態）的資料。到目前為止，已研究了根據文字描述生成影象[8]，進行互動式影象編輯[9]，從低解析度影象生成高解析度影象[10]，預測視訊的未來幀[11]，將模擬影象轉換為真實風格的影象[12]，實現通用的影象到影象轉換[5]，對真實影象的光照和天氣條件進行變換[13]，從二維影象生成物體的三維模型等[14]。資料形式（模態）的轉換可以進一步帶來不同模態之間資料的可複用、模型和知識的遷移、創造更高水平的智慧。例如，SimGAN能夠將模擬影象轉換為更具真實感的影象，同時保持模擬影象的標註資訊不變，利用轉換後的影象資料來訓練視線估計和手勢估計模型，使模型精度得到大幅提升[12]。

更進一步，由於GAN引入了對抗學習機制，在訓練生成器產生更高質量資料的過程中，本身就會創造新的智慧。例如，將語義分割卷積神經網路作為GAN的生成器，用判別器來判斷分割圖是來自分割網路還是來自真實標註，可以引入更高階的一致性約束，提高語義分割的精度[15]；在本專刊中，鄭文博等撰寫的《基於貝葉斯生成對抗網路的背景消減演算法》利用GAN的對抗學習機制來訓練背景消減神經網路，將一批輸入影象直接轉換成一批前景/背景分割結果，在公共測試集上取得了良好的效能；MalGAN能夠主動生成具有對抗性的病毒程式碼樣本，攻擊黑盒病毒檢測模型，有利於提高反病毒軟體的效能[16]。總之，GAN在對抗樣本、資料增廣、遷移學習和創造智慧等方面都展現出巨大的潛力，已成為當前的深度學習與人工智慧研究中關注的熱點。