更广泛地说，生成模型采用数据集（通常是图像），并将每个数据集分解为一组基本的抽象构建模块，科学家将其称为数据的“隐空间”。隐空间的概念是抽象的，很难将其视觉化，粗略地类比一下，当你试图确定人脸的性别时，想想你的大脑可能是怎么思考的，也许你会注意到发型、鼻子形状等等，还有的判断模式可能很难用文字表达。相似地，计算机程序也是在数据中寻找突出的特征：虽然它不知道什么是胡子，什么是性别，但如果它接受过数据集的训练，其中一些图像被贴上“男人”或“女人”的标签，一些图像被贴上“胡子”的标签，计算机会很快推演出它们之间的联系。
在与同事合著的一篇论文中，Schawinski利用生成模型研究了星系在演化过程中所经历的物理变化。模型创建了人工数据集，以此作为检验物理过程假设的方式。例如，恒星猝熄（恒星形成速度急剧下降）如何与星系环境密度增加相关联。
关键问题在于：有多少关于恒星和银河系的信息可以单独从数据中提取出来。Schawinski说：“让我们抹掉所有关于天体物理学固有的知识。然后仅仅利用数据本身，能在多大程度上重新认知宇宙？”
首先，星系图像被缩小到隐空间，然后，Schawinski可以调整空间的一个元素，使其对应星系环境的特定变化（比如周围的密度）。然后他可以重新生成星系，看看会有什么不同。Schawinski解释说：“所以现在我有了一个假说生成机器。通过这个过程，我可以让原本处于低密度环境中的一整束星系看起来像处于高密度环境中。”研究者发现，随着星系从低密度变为高密度环境，它们的颜色变得更红，恒星分布更集中。这与现有的星系观测结果相吻合。问题是为什么会这样。
对于这个过程，有两种可能的解释：也许星系在高密度环境中颜色更红，因为它们含有更多的尘埃，又或者是因为其范围内的恒星趋于衰退。有了生成模型，这两个想法都可以进行测试：改变隐空间中有关尘埃和恒星形成速率的元素，然后观察星系颜色的变化。结论很清楚，星系颜色更红的地方是“恒星形成速率下降的地方”，而不是“尘埃发生改变的地方”。
通过生成模型，天体物理学家可以研究星系从宇宙的低密度区域到高密度区域是如何变化的，以及是什么物理过程导致了这些变化。
该方法与传统的模拟有关，但存在关键差别。Schawinski说，模拟“本质上是假设驱动的”，对于某种宇宙现象，我首先假设一个可以解释它的物理原则，比如说我们对于暗物质、对于恒星形成都有一套理论假设，然后对照假设运行模拟操作，接着再思考：模拟是否符合现实？但是生成模型则不同，某种意义上来说，它与模拟完全相反。我们什么都不知道也不想做任何假设，只是让数据告诉我们可能会发生什么。
生成模型的成功应用当然不意味着天文学家要失业，但这也确实让我们思考，天体物理学研究多大程度上可以由智能系统完成。Schawinski表示，这不是完全自动化的科学，但它表明我们至少能够部分地构建工具——使科学过程自动化。
生成模型显然是强大的，但它是否真正代表了一种新的科学方法仍有待商榷。David Hogg是纽约大学的宇宙学家，它认为，这仍然只是从数据中抓取模型，数个世纪以来天文学家都是这样进行工作的，只不过如今的技术相当强大。换句话说，生成模型是一种先进的观察加分析的方式。Hogg自己的工作也严重依赖AI。他使用神经网络根据恒星的光谱对它们进行分类，并使用数据驱动模型来推断恒星的其它物理属性。但他不认为生成模型是另类方法。他说：“只是科学家在如何使用数据方面变得更加老练了。特别是在比较数据方面比以前进步很多。但在我看来，我的工作仍处于观察模式。”