डेमी गुओ

डेमी गुओ एक कंप्यूटर वैज्ञानिक और उद्यमी हैं, जिन्हें Generative AI और वीडियो निर्माण में उनके काम के लिए पहचाना जाता है। वह पिका की सह-संस्थापक और मुख्य कार्यकारी अधिकारी हैं, जो एक ऐसी कंपनी है जो टेक्स्ट प्रॉम्प्ट से वीडियो बनाने और संपादित करने के लिए उपकरण विकसित करती है। गुओ का काम Artificial intelligence, Deep learning और रचनात्मक मीडिया के प्रतिच्छेदन पर स्थित है, जो उन्हें उन संस्थापकों की नई लहर में स्थान देता है जो अनुसंधान को उपभोक्ता उत्पादों में लागू कर रहे हैं।

गुओ ने Carnegie Mellon University में अपनी स्नातक पढ़ाई पूरी की, जहाँ उन्होंने कंप्यूटर विज्ञान में स्नातक की डिग्री हासिल की। बाद में उन्होंने स्टैनफोर्ड विश्वविद्यालय के हिस्से Stanford AI Lab में स्नातकोत्तर अध्ययन किया, जिसमें Machine learning और कंप्यूटर विज़न पर ध्यान केंद्रित किया। पीएचडी छात्र के रूप में अपने समय के दौरान, उन्होंने छवि और वीडियो संश्लेषण पर शोध किया, जिसमें Neural network आर्किटेक्चर और Data Augmentation तकनीकों जैसे विषयों पर शैक्षणिक पेपरों में योगदान दिया। उनके शैक्षणिक कार्य ने Transformer (architecture) मॉडल और Residual Network (ResNet) डिज़ाइनों में प्रगति पर आधारित थे, जिसने बाद में पिका बनाने के उनके दृष्टिकोण को प्रभावित किया।

पिका की स्थापना से पहले, गुओ ने Meta AI (पूर्व में फेसबुक एआई रिसर्च) में उद्योग का अनुभव प्राप्त किया, जहाँ उन्होंने जनरेटिव मॉडल से संबंधित परियोजनाओं पर काम किया। इस भूमिका ने उन्हें बड़े पैमाने पर तैनाती की चुनौतियों और Large language model और वीडियो निर्माण प्रणालियों की व्यावहारिक सीमाओं से अवगत कराया। 2023 में, उन्होंने शिक्षा और मेटा छोड़कर सहयोगियों के साथ पिका की सह-स्थापना की, जिसका उद्देश्य वीडियो निर्माण को गैर-विशेषज्ञों के लिए सुलभ बनाना था। कंपनी ने सरल टेक्स्ट विवरणों से छोटे, शैलीबद्ध वीडियो क्लिप उत्पन्न करने की अपनी क्षमता के लिए जल्दी ही ध्यान आकर्षित किया, एक ऐसा कार्य जो कम्प्यूटेशनल रूप से गहन और तकनीकी रूप से मांग वाला बना हुआ है।

पिका और उत्पाद विकास

पिका ने 2023 के अंत में अपना पहला सार्वजनिक उत्पाद लॉन्च किया, जो एक वेब-आधारित इंटरफ़ेस प्रदान करता है जहाँ उपयोगकर्ता चार-सेकंड के वीडियो लूप उत्पन्न करने के लिए प्रॉम्प्ट टाइप करते हैं। प्लेटफ़ॉर्म किसी दृश्य में विशिष्ट वस्तुओं को संशोधित करने, मौजूदा क्लिप को बढ़ाने और दृश्य शैलियों को लागू करने जैसी सुविधाओं का समर्थन करता है। गुओ के नेतृत्व ने तीव्र पुनरावृत्ति पर जोर दिया, कंपनी ने ऐसे अपडेट जारी किए जिन्होंने अस्थायी सुसंगतता और रिज़ॉल्यूशन में सुधार किया। 2024 की शुरुआत तक, पिका ने महत्वपूर्ण वेंचर फंडिंग जुटाई थी, जिसने स्टार्टअप का मूल्य कई सौ मिलियन डॉलर आंका, हालाँकि सटीक आंकड़ों की सार्वजनिक रूप से पुष्टि नहीं की गई है।

अंतर्निहित तकनीक Diffusion Models और U-Net आर्किटेक्चर पर निर्भर करती है, जो छवि निर्माण में आम हैं लेकिन अतिरिक्त समय आयाम के कारण वीडियो के लिए अनुकूलन की आवश्यकता होती है। गुओ की टीम ने टेक्स्ट प्रॉम्प्ट को दृश्य आउटपुट के साथ बेहतर ढंग से संरेखित करने के लिए Cross-Attention तंत्र भी एकीकृत किए, और आउटपुट विविधता को नियंत्रित करने के लिए Top-P (Nucleus) Sampling और Temperature Scaling का उपयोग किया। ये विकल्प एक व्यावहारिक दृष्टिकोण को दर्शाते हैं, जो विशुद्ध सैद्धांतिक नवीनता पर उपयोगकर्ता अनुभव को प्राथमिकता देते हैं।

अनुसंधान योगदान

स्टैनफोर्ड में रहते हुए, गुओ ने फ्यू-शॉट लर्निंग और वीडियो भविष्यवाणी पर पेपरों का सह-लेखन किया, अक्सर उन साथियों के साथ सहयोग किया जो बाद में पिका में शामिल हुए। उनके शोध ने पता लगाया कि Batch Normalization और Layer Normalization जनरेटिव मॉडल में प्रशिक्षण स्थिरता को कैसे प्रभावित करते हैं, और उन्होंने बहु-चरण वीडियो संश्लेषण के लिए Curriculum Learning रणनीतियों की जांच की। हालाँकि उन्होंने अपनी पीएचडी पूरी नहीं की, उनके प्रकाशित कार्य को कुशल वीडियो निर्माण पर बाद के अध्ययनों में उद्धृत किया गया है, विशेष रूप से अनुमान लागत को कम करने के लिए Model Pruning के संबंध में।

गुओ के शैक्षणिक पथ को BAIR (Berkeley AI Research) और MIT CSAIL समुदायों के मेंटरों ने आकार दिया, हालाँकि वह औपचारिक रूप से उन प्रयोगशालाओं से संबद्ध नहीं थीं। उन्होंने ओपन-सोर्स परियोजनाओं और व्यापक OpenAI पारिस्थितिकी तंत्र से भी प्रेरणा ली, जिसने Generative AI तकनीकों को लोकप्रिय बनाया जिन्हें पिका ने बाद में अनुकूलित किया।

उद्योग प्रभाव और स्वागत

पिका का उद्भव एआई वीडियो उपकरणों में रुचि की वृद्धि के साथ हुआ, जो Google DeepMind और OpenAI जैसी बड़ी कंपनियों के उत्पादों के साथ प्रतिस्पर्धा कर रहा था। गुओ ने पिका को एक रचनात्मक-प्रथम उपकरण के रूप में स्थापित किया, जिसमें कच्ची शक्ति पर उपयोग में आसानी पर जोर दिया गया। शुरुआती अपनाने वालों में सोशल मीडिया निर्माता और विज्ञापन एजेंसियाँ शामिल थीं, जिन्होंने दृश्यों को जल्दी से प्रोटोटाइप करने के लिए प्लेटफ़ॉर्म का उपयोग किया। आलोचकों ने जटिल गति और लंबी अवधि को संभालने में सीमाओं पर ध्यान दिया, लेकिन इंटरफ़ेस की सरलता की प्रशंसा की।

गुओ ने वीडियो मॉडल को स्केल करने की चुनौतियों के बारे में सार्वजनिक रूप से बात की है, जिसमें मेमोरी बाधाएं और विशेष हार्डवेयर की आवश्यकता शामिल है। उन्होंने TSMC और NVIDIA (हालाँकि प्रदान की गई स्लग सूची में नहीं) को प्रमुख आपूर्तिकर्ताओं के रूप में संदर्भित किया है, लेकिन पिका मुख्य रूप से प्रशिक्षण और अनुमान के लिए Amazon Web Services और Google Cloud से क्लाउड इंफ्रास्ट्रक्चर पर निर्भर करता है। बाहरी कंप्यूट पर यह निर्भरता ने संभावित भागीदारों के रूप में Microsoft Azure और अन्य क्लाउड प्रदाताओं पर उनके विचारों को आकार दिया है।

भविष्य की दिशाएँ

2025 तक, पिका अपने उत्पाद पर पुनरावृत्ति जारी रखता है, रीयल-टाइम संपादन और Apple और Samsung Electronics उपकरणों के साथ एकीकरण जैसी सुविधाओं की खोज कर रहा है। गुओ ने प्रॉम्प्ट पालन में सुधार के लिए Reinforcement Learning from AI Feedback (RLAIF) के समान मानव प्रतिक्रिया से Reinforcement learning पर शोध का संकेत दिया है। वह एआई वीडियो में खुले मानकों की भी वकालत करती हैं, हालाँकि पिका के अपने मॉडल मालिकाना बने हुए हैं। उनकी दीर्घकालिक दृष्टि में वीडियो निर्माण को टेक्स्ट निर्माण जितना सर्वव्यापी बनाना शामिल है, एक लक्ष्य जो Generative AI और Artificial intelligence अपनाने में व्यापक रुझानों के साथ संरेखित है।

गुओ का करियर शैक्षणिक शोध से उद्यमशील अनुप्रयोग तक के मार्ग का उदाहरण है, और उनके काम ने प्रभावित किया है कि स्टार्टअप Machine learning स्टैक के बारे में कैसे दृष्टिकोण रखते हैं। जबकि क्षेत्र तेजी से विकसित हो रहा है, पिका में उनके योगदान ने उन्हें एआई सामग्री निर्माण स्थान में एक उल्लेखनीय व्यक्ति के रूप में स्थापित किया है।