为社会最复杂挑战打造的计算工具

<p>从记事起，Cathy Wu '12、MNG '13 就希望找到解决问题、改善人们生活的方法。她的父母是台湾移民，父亲每天通勤路途遥远，常常无法陪伴家人。在预算紧张的情况下，家里其他人经常待在一条车流过于繁忙、不适合户外玩耍的街道上。Wu 和兄弟姐妹因此玩了很多电脑游戏。</p><p>Wu 说，她让世界变得更好的愿望、父亲每天与交通拥堵的搏斗，以及她玩过的《SimCity》等游戏，都是她日后设计安全、高效交通系统的动力种子。</p><p>Wu 是 MIT 土木与环境工程系（CEE）和数据、系统与社会研究所（IDSS）的副教授，同时也是 Laboratory for Information and Decision Systems（信息系统与决策系统实验室）的首席研究员。她的研究专注于运用机器学习和强化学习（RL），为包括交通系统在内的各类复杂系统推进可靠的改进策略。</p><p>Wu 说：“设计交通系统意味着要建模并分析几十个、甚至成百上千个变体方案，这意味着要对这些系统进行循证设计，在今天的工具下根本无法实现。这正是 RL 所扮演的角色。如果成功，它将解放交通研究者，使他们能够与实践伙伴合作，设计出他们想要的系统。”</p><p>Wu 把自己改善人们生活的愿望归功于姐姐的言传身教，而她对交通领域的兴趣恰好与这一理想完美契合。</p><p>她说：“我喜欢交通，因为它把每个人都联系在一起。我们都使用交通，都体验交通，也都遇到过交通问题。所以在某种层面上，我们都希望这个系统变得更好。”</p><p>Wu 在 MIT 读本科期间对将人工智能应用于交通产生了兴趣。当时她听了已故教授 Seth Teller 关于自动驾驶汽车的一场讲座。Wu 说，这场讲座（Teller 是在 Independent Activities Period 的一场机器人竞赛上讲的，而 Wu 实际上赢得了该竞赛）正是塑造她独特交通研究方向的契机。她开始跟随 Teller 工作；后来 Teller 不再专注于自动驾驶汽车时，鼓励 Wu 转投研究过 robotaxi 的 Daniela Rus 教授。</p><p>她说：“我非常感激那些帮助我探索这些兴趣、帮助我成为今天的自己的人。”她特别提到了 Teller、Rus，以及“我在 Dropbox 的朋友们”——后者邀请她进行第二次实习，专注于交通问题。</p><p>在 MIT 完成硕士学位后，Wu 前往 University of California at Berkeley 攻读博士学位。在此期间，她观察到，交通研究者往往需要花费数年时间为系统的一个新变体开发优化方法进行建模和分析。作为计算机科学家，她着手开发 RL 和优化方法来应对交通挑战，这一思路有望带来指数级的效率提升。</p><p>2018 年，也就是她在 UC Berkeley 读博的最后一年，Wu 成功地将 RL 应用于一个交通问题：自动分析自动驾驶汽车对一系列不同交通网络的潜在车流影响。这项研究引发了广泛关注。</p><p>这本可以成为 Wu 人生中“接下来的故事众所周知”的高光时刻，但 RL 结果证明是一个反复无常的朋友。Wu 在 Microsoft 做博士后期间研究 RL 理论，之后回到 MIT 任教——她说，吸引她回来的是 CEE 对可持续发展的关注，以及 IDSS 将数据科学融入其他学科的理念。</p><p>然而在此后的两年里，Wu 进一步尝试将 RL 应用于交通问题的努力都失败了。</p><p>Wu 说：“那段时间压力很大，因为不清楚问题到底出在哪里：是我（导师）的问题、学生的问题、交通领域的问题，还是 RL 本身的问题。”</p><p>不过，早期的研究已经证明了一个概念：RL 是可以应用于交通系统的。</p><p>2022 年，她和学生们发现，RL 算法非常敏感——在一个问题上奏效的算法，在即便是密切相关的问题上也可能失效。2023 年，Wu 得出了她最为自豪的关键成果，用她的话说，“因为那就像漫长负结果隧道尽头的一束光”。她和研究团队找到了一种规避 RL 敏感性问题的方法。团队发现，RL 在一组问题中可能有 90% 训练不好，但在其中 10% 上却能训练得相当出色。而通过在那些能够有效求解和泛化的问题上训练 RL 模型，得到的模型组合起来能在一组相关问题上表现出色，包括那些通过直接训练无法解决的问题。研究人员设计了一种算法来决定应该用 RL 训练哪些问题，该算法将训练效率提高了最多 30 倍，意味着原本需要训练 100 个模型的工作，现在可能只需 3 个模型。</p><p>Wu 说：“这项工作让我重新找回了信心：强化学习在解决困难的优化问题上——包括交通问题——可以发挥重要作用。现在，我们课题组很大一部分成员都在研究情境化 RL（contextual RL）这一主题，即让 RL 去解决一整组相关问题。”</p><p>Wu 更近期的研究将 RL 应用于一个具有重要政策意义的交通优化难题：研究表明，通过智能控制车速来减少不必要停顿的生态驾驶（eco-driving）措施，可以将车辆排放降低 11% 到 22%。这一系统提供了证据，表明推行此类措施的政策能够显著提升系统效率，Wu 说，这是“一个证明 RL 可以用来在具有实际重要性的问题上为交通政策提供信息的范例”。</p><p>Wu 说：“我是循证政策的坚定拥护者，相信这是繁荣民主社会的基础，然而我们的社会系统又是如此复杂。人们可以为孰优孰劣争论不休，但我确实相信，我们争论的某些问题是可以用数据进行系统分析并得出客观答案的。我选择学术界在很大程度上的原因，就是为了更好地理解技术如何支撑民主社会的决策。”</p><p>Wu 说，她和团队过去几年所做的大部分工作产出了相关算法，“以简化困难优化问题求解器的开发——无论这些问题是与交通有关，还是与物流、供应链、制造、资源分配等其他系统有关。”</p><p>Wu 说：“这体现了我偏好的工作风格，即‘应用启发的基础研究’（use-inspired basic research）”，并解释说，这类研究从一个实际问题出发，发展出的基础知识往往可以迁移到其他实际问题上。她的学生会从探讨涉及安全、拥堵、无障碍性等的重要问题入手，找出既有方法的不足之处，让问题本身来塑造研究的方向。</p><p>与此同时，Wu 希望在更个人层面帮助他人的愿望，也体现在她的教学之中。</p><p>她说：“我热爱与学生一起工作，无论是在课堂上还是在科研指导中。当我教会别人一些东西、当我看到学生眼中那盏灯被点亮的瞬间，我就觉得这一天值了。”</p><p>除了获得包括 2023 年 National Science Foundation Faculty Early Career Development Award 在内的学术荣誉之外，Wu 也因其教学与指导工作受到正式表彰，包括 2025 年获得 Ole Madsen Mentoring Award。</p><p>面对极其复杂的问题，她会对学生说什么？</p><p>“要有耐心。从小处着手。社会影响力是一辈子的事业，而不是……