Die Suche nach neuronalen Architekturen (Neural Architecture Search, NAS) hat in der Bildklassifizierung und (vor kurzem) Segmentierung erheblichen Erfolg gefeiert. In dieser Arbeit präsentieren wir die erste vorläufige Studie zur Einführung des NAS-Algorithmus in Generative Adversarial Networks (GANs), was wir AutoGAN nennen. Die Kombination von NAS und GANs stellt ihre eigenen einzigartigen Herausforderungen dar. Wir definieren den Suchraum für architekturale Variationen des Generators und verwenden einen RNN-Kontroller, um die Suche zu leiten, wobei Parameterfreigabe und dynamisches Zurücksetzen den Prozess beschleunigen. Der Inception-Score wird als Belohnung verwendet, und eine mehrstufige Suchstrategie wird eingeführt, um den NAS schrittweise durchzuführen. Experimente bestätigen die Effektivität von AutoGAN bei der Aufgabe der bedingungslosen Bildgenerierung. Insbesondere erreichen unsere entdeckten Architekturen eine hochwettbewerbsfähige Leistung im Vergleich zu aktuellen handgefertigten GANs, z.B. neue beste FID-Werte von 12,42 auf CIFAR-10 und 31,01 auf STL-10. Wir schließen auch mit einer Diskussion der aktuellen Einschränkungen und des zukünftigen Potenzials von AutoGAN. Der Code ist unter https://github.com/TAMU-VITA/AutoGAN verfügbar.