Ikasitakotik sortzeko orduan, makinek huts egiten dute; sortzen dituzten irudiak akatsak izaten dira sarri eta errealismo konbentzigarririk gabe geratzen dira. Nola irakatsi ordenagailu bati errealitatean existitzen ez den aurpegi bat asmatzen? Montrealeko taberna horretan izandako eztabaidan, objektu baten irudikapenean funtsezko xehetasun askoren tratamendu estatistiko bat garatzea proposatu zen. Baina metodo honek datuak biderkatuko lituzke, halako moldez non hormigoizko aplikazio berri bakoitzak obra monumental bat eskatuko luke. Goodfellow-ek ideia hobea izan zuen: zergatik ez jarri bi neurona-sare elkarren artean lehian euren akatsetatik ikasteko?
Gau hartan, Goodfellow GANak sortuko zituen kodea idazten hasi zen: sareetako batek, sorgailuak, irudiak sortzen ikasten du; besteak, diskriminatzaileak, ebaluatzen ditu benetakoak diren edo ez erabakitzeko. Sortzaile-sareak bere sorkuntzak hobetzen ditu diskriminatzailea engainatzen saiatzeko, eta horrek, aldi berean, erreala eta artifiziala bereizteko gaitasuna hobetzen du. Aurkaririk gabeko sareak sortzea ez bezala, GANak ehunka irudi gutxirekin entrenatu daitezke.
Baina GANen kontzeptuak Turing-en proba gogorarazten badu, makina bat giza ebaluatzaile bat pertsona bat dela sinets dezan engainatzen saiatzen den, prestakuntza antagonikoaren ideia hamarkada luzez sortu zelako da. 1990eko hamarkadaren hasieran, Jürgen Schmidhuber, gaur IDSIA Suitzako AI laborategiko zuzendari zientifikoak, elkarren aurka borrokatzen duten bi sarez osatutako sistema argitaratu zuen.
GANak zientziari eta medikuntzari ere zerbitzuak ematen ari dira; adibidez, irudi astronomikoak hobetzea edo unibertsoko materia ilunaren banaketa modelatzea, edo irudi diagnostikoari laguntzea. Aplikazio hauek guztiak GANen bertute handian oinarritzen dira.
Hala ere, tresna harrigarri hauek ere bere mugak dituzte. 2021ean, New Yorkeko Estatu Unibertsitateak egindako ikerketa batek agerian utzi zuen GANek sarritan ume batek ere dakien zerbait baztertzen duela: giza ikasleak biribilak direla. GANek sortutako fikziozko aurpegi perfektuek maiz ikasle irregularrak izaten dituzte, makinak oraindik ez baitu gizakiaren anatomiaren oinarrizko kontzepturik jabetu.