MIT 教授 Cathy Wu 用强化学习优化交通,训练效率提升 30 倍
MIT News AI · rss · 2026-10-03
MIT 民事与环境工程系副教授 Cathy Wu 介绍其团队用强化学习（RL）改进交通等复杂系统设计的工作。
- 背景：传统交通系统设计需逐一建模分析大量方案变体，单靠证据驱动的方法不可行，RL 可指数级提升效率。
- 挫折与突破：2018 年她用 RL 分析自动驾驶车辆对交通流的影响一战成名，但随后两年多次尝试均告失败。2023 年团队找到绕过 RL 敏感性的方法：虽然 RL 在 90% 的问题上训练不佳，但在 10% 上表现很好——只在这些可泛化问题上训练，多个模型即可 collectively 覆盖相关问题集，训练效率提升最高 30 倍（原本需 100 个模型的可能只需 3 个）。
- 政策应用：最新研究显示，通过智能控制车速减少频繁启停的 eco-driving 措施，可将车辆排放降低 11%–22%，为交通政策提供量化依据。
- 方法观：她推崇「用途导向的基础研究」，从安全、拥堵、可达性等实际问题出发，让问题本身塑造研究方向。
「研究」频道最新
- 索尼 AI 开源 PAVAS:物理感知视频转音频模型入选 CVPR 2026 Oral — mittu1204 · 2026-10-03
- 马里兰大学随机实验：GPT-4o 辅导工具反而让学生成绩降4分 — lmoroney · 2026-10-03
- OpenAI 新论文:上线前模拟部署环境即可预测 LLM 安全表现 — JacquesThibs · 2026-10-03
- PyTorch Helion 内核接入 vLLM:部分负载吞吐提升超 10% — PyTorch · 2026-10-03
- 2D 格点循环单元:新型神经记忆架构以 3×3 局部读写存取记忆 — CFGeek · 2026-10-03
- 数学博士转向训练 AI 解公开难题,已在算术物理取得进展 — shuchaobi · 2026-10-03