![]()
![]()
智猩猩AI整理
编辑:六六
OpenAI华裔访问研究员Audrey Cheng将于2027年秋季加入斯坦福大学计算机科学系,担任助理教授。
![]()
Audrey Cheng本科毕业于普林斯顿大学,2020年进入加州大学伯克利分校计算机科学系攻读博士学位,师从分布式系统领域知名学者Ion Stoica和Natacha Crooks。
Audrey Cheng的研究主要围绕数据库系统性能优化展开。
当数十亿用户同时访问一个数据系统时,如何让它既能快速处理请求,又能保证数据准确、稳定?围绕这一问题,她从数据读写、事务处理到资源调度等多个环节展开研究。
2021年,她以第一作者身份发表论文RAMP-TAO,发表于数据库领域顶级会议VLDB,并获得最佳工业论文奖。
![]()
![]()
该研究针对Meta旗下的在线数据存储系统TAO,解决多个数据更新操作同时发生时,如何避免用户读到不完整数据的问题。
此后,她继续研究如何提高数据库的运行效率。2023年,她参与的Take Out the TraChe入选操作系统领域顶级会议OSDI,并获得Meta下一代数据基础设施研究奖(Meta Next-Generation Data Infrastructure Research Award)。该研究通过优化数据库缓存,提高常用数据的读取效率。
![]()
2025年,她将研究推进到多租户数据库的资源分配问题。
现实中,多个企业或用户可能同时使用同一个数据库,如何避免某些用户占用过多资源、影响其他用户的任务?针对这一问题,论文提出DRFT调度算法,在改善不同租户之间资源分配公平性的同时,将系统吞吐量开销控制在5%以内。该工作还入选VLDB 2025年度精选论文(Best of VLDB 2025)。
![]()
![]()
如果说此前的研究主要是让数据库系统运行得更好,那么近年来,Audrey Cheng开始尝试让AI参与系统优化,进一步探索AI能否帮助研究人员发现更好的算法。
2025年,她与合作者发表了Barbarians at the Gate,提出AI-Driven Research for Systems(ADRS,AI驱动的系统研究)这一研究思路。
![]()
这项研究试图改变传统算法研究的工作方式。在ADRS框架下,AI可以承担其中相当一部分工作:先针对某个问题生成多种算法方案,再自动运行测试,根据实际表现筛选更好的方案,并继续迭代优化。
研究团队将这一思路应用于多区域云调度、MoE推理、LLM SQL查询和事务调度等任务。在其中一些案例中,AI发现的方案实现了最高5倍的运行时间提升,或降低50%的成本。
这意味着,AI开始从辅助研究人员编写代码,进一步走向自主探索算法和优化系统。
围绕这一方向,她还参与了AdaEvolve、EvoX等项目,探索如何结合大语言模型与进化搜索,让AI不仅能够提出优化方案,还能在实验反馈中持续改进搜索策略。
从优化数据库中的具体算法,到探索让AI自主发现更优方案,Audrey Cheng正在将研究从传统系统性能优化延伸至AI驱动的系统研究。
这一方向不仅进一步提升了计算机系统的运行效率,也在探索AI如何从辅助工具走向科研一线,真正参与技术创新。
凭借上述的研究成果,Audrey Cheng曾入选2024年EECS Rising Stars,并获得美国国家科学基金会研究生奖学金(NSF GRFP)、Meta博士研究奖学金以及伯克利校长奖学金等支持。她的部分数据库研究成果也已被Meta、PlanetScale和TiDB等产业采用。
![]()
2027年秋季,随着她加入斯坦福大学开启独立学术生涯,Audrey Cheng也将继续探索AI与计算机系统研究的交叉地带,推动AI从代码辅助工具向算法发现与系统优化的延伸。
关注+星标,获取AI前沿进展与开源一线动态
特别声明:以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布,本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.