Cathy Wu 出生于台裔移民家庭，父亲长时间通勤让她从小对交通问题产生关注。她在 MIT 学习期间玩过《SimCity》，并在一次关于自动驾驶的讲座后决定将人工智能应用于交通系统。Wu 目前是 MIT 土木与环境工程系以及数据系统研究所的副教授，主要研究方向是利用机器学习和强化学习（RL）提升交通系统的可靠性与效率。\ \ 传统的交通系统设计需要评估成百上千的方案，单靠经验或现有工具难以完成。Wu 认为 RL 能够在大规模变体中自动搜索最优策略，从而解放研究者的时间。她在加州大学伯克利分校攻读博士期间，首次将 RL 用于分析自动驾驶车辆对不同路网的流量影响，取得了广泛关注。\ \ 然而，随后两年的尝试并未成功，原因可能在于 RL 对问题的敏感性。2023 年，Wu 与团队提出了一种“上下文 RL”方法：先筛选出在少数（约 10%）问题上训练效果好的子集，再在这些子集上训练模型，最终这些模型能够在更广泛的相关问题上表现良好。该算法通过识别可训练问题，将训练模型数量从 100 降至约 3，提升效率最高可达 30 倍。\ \ 基于此框架，团队进一步研究了“生态驾驶”策略，即通过智能控制车速减少频繁的加减速，从而将车辆排放降低 11%~22%。该结果为制定基于数据的交通政策提供了实证依据，也展示了 RL 在实际政策制定中的潜力。\ \ Wu 将自己的研究定位为“用启发式基础研究”，即在解决具体交通、物流、供应链等硬优化问题的同时，发展可迁移的基础算法。她强调学生应保持耐心、从小处入手，并以好奇心驱动提问。她的教学与指导工作也获得了 NSF 早期职业奖和 Ole Madsen 导师奖等荣誉。\ \ 点评