On naurettavaa, että ratkaisimme Videogenin heittämällä kaiken muuntajaan. Kaikki mukavat induktiiviset vinoumat tekstin suhteen eivät oikein noudata videota: teetkö huomiota pikselialueiden välillä ajan ja tilan halki? Ja silti se toimii upeasti

Yleinen vastaus on, että mallit haluavat vain oppia ja muuntajat ovat se, jonka osaamme skaalata todella hyvin. Mutta tämä herättää kysymyksen, miksi muuntajat ovat ainoa asia, jonka osaamme skaalata? Kyse ei ole pelkästään uponneesta kustannuksesta