یک سیستم هوش مصنوعی می‌تواند تصاویر ساکن بگیرد و ویدئوهای کوتاهی را تولید کند که آنچه را که بعداً اتفاق می‌افتد مانند نحوه تصور دیداری انسان درباره یک صحنه، شبیه‌سازی کند. انسان به طور ذاتی نحوه کار دنیا را درک می‌کند و انسان‌ها برخلاف دستگاه‌ها به آسانی می‌توانند نحوه رخداد یک صحنه را تصور کنند. اما اشیا در یک تصور ثابت می‌توانند به روش‌های مختلف حرکت کنند و تعامل داشته باشند، در نتیجه دستگاه به سختی می‌تواند صحنه بعدی را پیش‌بینی کند. اما یک سیستم به اصطلاح یادگیری عمیق توانسته است در 20 درصد مواقع انسان را فریب دهد. محققان در موسسه فناوری ماساچوست دو شبکه عصبی را در مقابل یکدیگر قرار دادند؛ یکی از این شبکه‌ها سعی می‌کند ویدئوهای واقعی را از ویدئوهای ساخته شده توسط دستگاه تشخیص دهد و دیگری سعی دارد ویدئوهایی تولید کند که آنقدر واقعی به نظر می‌رسند که سیستم اول را فریب می‌دهد.
این نوع تنظیمات یک «شبکه مولد خصمانه» نامیده می‌شود و رقابت بین سیستم‌ها به افزایش ویدئوهای واقعی منجر می‌شود.
