01
高效 AI 推理
我关心的不只是模型在 benchmark 上的表现，更关心它们在实际部署中的延迟、访存和推理效率，尤其是 Transformer 与多模态任务。
研究主页 / 研究型工程师
AI&SYSTEMS
AI Systems / Efficient Inference / Hardware-Aware Execution
AI 系统研究者与工程师
我关注高效 AI 系统的研究与工程实践，兴趣集中在多模态学习、CUDA 优化、运行时调度以及面向边缘场景的 AI 基础设施。我希望把模型理解、推理优化和底层硬件执行连接起来。
高效推理CUDA 与系统多模态 AI
研究型工程师，不只是做模型。
我更关注模型如何真正运行起来，包括推理效率、访存行为、运行时调度，以及模型与硬件之间的实际耦合。
从 CUDA 内核优化、基于 RAG 的代码分析，到多模态研究与系统级推理优化，我希望持续构建兼具研究深度和工程落地能力的 AI 系统。
5+代表性技术项目
1在准备中的论文
50+技术博客文章
3.7/4.0硕士 CAP
查看更多研究与项目01
向下滚动
黄奕铭研究与工程并重模型到底层硬件
聚焦
研究聚焦
我目前主要关注一个问题：在真实系统里，尤其是在显存、带宽、延迟和硬件资源受限的条件下，怎样让现代 AI 模型运行得更高效。
02
编译器与运行时协同优化
我希望把量化、算子融合、代码生成和运行时调度看作一个相互耦合的系统问题，而不是彼此割裂的独立优化环节。
03
面向硬件的系统视角
我的思考方式受到内存层次、数据局部性、寄存器压力、指令吞吐以及边缘设备和 GPU 平台实际约束的影响。
作品
代表项目
这些项目体现了我如何把研究问题意识和动手实现能力结合起来，去处理 AI 系统中的实际问题。
01
AI SystemsCUDA GEMM 性能优化与体系结构分析
围绕共享内存分块、寄存器分块和 profiling 驱动分析，对 GEMM 内核进行了实现与优化，重点关注算术强度提升和整体执行性能改进。
CUDAProfiling访存优化
02
AI Systems基于 LLM 与 RAG 的代码架构分析系统
构建了一个结合 LLM、AST 切块、向量检索和 CUDA 专项解析的仓库分析系统，用于结构化理解源码和进行交互式推理。
LLMRAGAST
03
AI Systems多模态视频描述研究
设计了一个面向视频到文本生成的多模态系统，在 Transformer 对齐机制之外，也关注其部署效率和系统层面的可行性。
多模态ViT推理
背景
背景与积累
我的背景并不局限于单一方向，而是把研究训练与工程实践结合起来，覆盖数据系统、系统维护、网络和技术工具构建。
能力脉络
01-05- 01硕士阶段持续聚焦多模态 AI 与高效推理
- 02正在准备学术论文投稿
- 03具有数据管道与自动化工程经验
- 04具备早期系统与网络运维背景
- 05持续深入学习 CSAPP、系统编程与性能分析
