私以为现在GAN就是一个思想，而非统一的框架，创始人GoodFellow在2014年的论文Goodfellow, Ian, et al. "Generative adversarial nets." Advances in Neural Information Processing Systems. 2014.只是挖了一个坑而已，具体GAN待研究的的东西还很多，包括理论和应用领域。 至于“对通用人工智能有什么意义”这个问题，估计GoodFellow也给不出准确的回答，GAN刚起步，它的影响力多大，对于人工智能有多大推动作用？时间和后继的研究者会给出答案。
目前GAN方向有不少有趣的探索：
理论方向
一.GAN（Generative Adversarial Nets）原文是要求generator学习一个分布（精确讲这里其实并不是“学习”分布，而是我们已经提供一个高斯分布z，学习一个映射把高斯分布映射到更高维的空间）去拟合真实图像的分布。
这篇文章最大的contribution前面也有人提了并不是生成看起来更自然真实的图像，而是用NN生成一个分布，这是它重大研究意义的核心所在。
二.CGAN（ Conditional Generative Adversarial Nets ）在原本过于自由的训练基础上加了约束，指导数据生成过程。
三.DCGAN（Unsupervised Representation Learning with Deep ...）非常非常经典的一篇文章，GAN在CV领域的延伸，去除pooling和全连接层，使用反卷积。
四.关于GAN训练找纳什均衡点的问题一直存在，然后最近也出了很多文章从理论上改进GAN收敛性问题。包括WGAN（Wasserstein GAN）还有@齐国君 老师的LS-GAN（Loss-Sensitive Generative Adversarial Networks on ...）
应用方向
这个数不胜数了。列一下transfer learning领域的吧：
一.DANN（Domain-Adversarial Training of Neural Networks）主要思路是target和source domain对抗形成一个相似的分布，这篇文章借用了GAN的思想，但只是采用负loss的形式，并没有GAN训练的时候找纳什均衡点的过程。
二.CoGAN（Coupled Generative Adversarial Networks）又是一篇经典之作，加了高层权值共享约束，学习一组联合分布，主要用来生成跨域的图片。
另外的很多就不做列举了
