谢邀，相比GAN，PixelCNN/RNN有以下几个优势:
1. 可以通过chain rule提供exact的data likelihood，虽说likelihood不是一个完美的evaluation metric [12]，但它对评价一个generative model还是能提供很多insight（尤其是detect missing mode）。GAN的方法不仅没有办法给出exact的likelihood，而且approximate出来的likelihood似乎结果很差 [9]。另外PixelCNN这套方法在likelihood这个metric上是state-of-the-art，甩其它方法一大截。我觉得拿ICML best paper主要就是因为这个。
2. 因为objective function直接就是likelihood，PixelCNN的training要稳定很多。
PixelCNN的典型training curve[11]:
<img src="https://pic2.zhimg.com/v2-710a1cd80b866075703f4ff734d4c9c9_b.png" data-rawwidth="747" data-rawheight="323" class="origin_image zh-lightbox-thumb" width="747" data-original="https://pic2.zhimg.com/v2-710a1cd80b866075703f4ff734d4c9c9_r.png">
GAN的典型training curve... [10]
<img src="https://pic3.zhimg.com/v2-4acb41ec2440af0fcbee1517832a36fe_b.png" data-rawwidth="1834" data-rawheight="673" class="origin_image zh-lightbox-thumb" width="1834" data-original="https://pic3.zhimg.com/v2-4acb41ec2440af0fcbee1517832a36fe_r.png">

3. PixelCNN的data space可以是continuous也可以是discrete的（discrete的performance稍好一点点），但是GAN目前基本还只能在continuous data上work。在discrete data上如何实现GAN目前仍是一个non-trivial的open problem。

当然，除了题主提到的依赖于arbitrary的order而且sampling很慢以外，PixelCNN还有很多缺点：
1. PixelCNN的training其实也很慢，比如OpenAI的PixelCNN++ [8] 要在8块Titan上train 5天才converge... 这还只是一个CIFAR dataset
2. sample quality明显不如GAN。现在state-of-the-art的GAN在CIFAR上能生成相当reasonable的sample [5]：
<img src="https://pic1.zhimg.com/v2-3c668605be5bf3121c3bc144f4dbcae4_b.png" data-rawwidth="320" data-rawheight="320" class="content_image" width="320">
但是PixelCNN++[8]的sample基本还看不出什么object...
<img src="https://pic4.zhimg.com/v2-00214865f46df7fc5d2212eed8a829a7_b.png" data-rawwidth="340" data-rawheight="339" class="content_image" width="340">

3. 暂时还没有paper用PixelCNN成功做出来unsupervised/semi-supervised feature learning，但是GAN在这方面硕果累累 [1,2,3,4]。

最后还想说的一点是，PixelCNN和GAN也许并不是非此即彼的关系，在将来有可能可以combine起来。如果有一个generative model能同时具备两者的优势，既能给出exact的likelihood又能有GAN这么好的sample quality，那将会是一个非常有趣的工作。这几个月的各种model组合（VAE+GAN [6], VAE+PixelCNN [7]）也suggest这种combination或许是可行的。

[1] Salimans et al., Improved Techniques for Training GANs, 2016
[2] Dumoulin et al., Adversarially Learned Inference, 2016
[3] Donahue et al., Adversarial Feature Learning, 2016
[4] Denton et al., Semi-Supervised Learning with Context-Conditional Generative Adversarial Networks, 2016
[5] Huang et. al., Stacked Generative Adversarial Networks, 2016
[6] Larsen et al., Autoencoding beyond pixels using a learned similarity metric, 2016
[7] Gulrajani et al., PixelVAE: A Latent Variable Model for Natural Images, 2016
[8] Salimans et al., PixelCNN++: A PixelCNN Implementation with Discretized Logistic Mixture Likelihood and Other Modifications, 2016
[9] Wu et al., On the Quantitative Analysis of Decoder-Based Generative Models, 2016
[10] torch/torch.github.io
[11] carpedm20/pixel-rnn-tensorflow
[12] Thesis et al., A note on the evaluation of generative models, 2016